盛 茂, 李根生(中國工程院院士), 田守嶒, 廖勤拙, 王天宇, 宋先知

油氣資源與探測(cè)國家重點(diǎn)實(shí)驗(yàn)室·中國石油大學(xué)(北京)

0 引言

人工智能作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性通用技術(shù)，被世界各國重視并大力發(fā)展，在我國已上升到國家戰(zhàn)略高度，研究意義重大。在人工智能國家戰(zhàn)略目標(biāo)的時(shí)代背景下，智能化已成為我國油氣能源領(lǐng)域技術(shù)創(chuàng)新的主攻方向之一[1]。通過人工智能技術(shù)與油氣業(yè)務(wù)深度融合，利用智能算法從石油勘探開發(fā)海量數(shù)據(jù)中挖掘規(guī)律，實(shí)現(xiàn)全流程智能調(diào)控和智能優(yōu)化，逐步成為油氣人工智能創(chuàng)新發(fā)展范式[1- 5]

壓裂增產(chǎn)作為石油勘探開發(fā)重點(diǎn)研究領(lǐng)域，早在20世紀(jì)90年代就試圖與人工智能技術(shù)深入融合，萌生形成了壓裂人工智能研究方向，率先應(yīng)用在壓裂設(shè)計(jì)優(yōu)化中并取得了初步成效,然而受限于當(dāng)時(shí)數(shù)據(jù)質(zhì)量、算力和智能算法的先進(jìn)性，未能實(shí)現(xiàn)規(guī)模應(yīng)用[6]。近年來，以大數(shù)據(jù)、機(jī)器學(xué)習(xí)、超強(qiáng)算力為基礎(chǔ)的新一代人工智能技術(shù)蓬勃興起[7- 8]，壓裂人工智能重獲新生，正在經(jīng)歷井噴式發(fā)展，被應(yīng)用于壓裂設(shè)計(jì)優(yōu)化、施工過程管控、壓裂返排控制。然而部分關(guān)鍵基礎(chǔ)理論與核心技術(shù)尚待突破，應(yīng)用場(chǎng)景設(shè)計(jì)仍需統(tǒng)籌規(guī)劃，特別是如何融合壓裂多源跨尺度數(shù)據(jù)并有效提取特征、怎樣實(shí)現(xiàn)機(jī)理—數(shù)據(jù)聯(lián)合驅(qū)動(dòng)、如何解決模型可解釋性差等共性難題亟需開展系統(tǒng)深入的理論與技術(shù)研究。

本文在總結(jié)國內(nèi)外壓裂人工智能發(fā)展歷程與研究現(xiàn)狀的基礎(chǔ)上，剖析了壓裂人工智能發(fā)展面臨的難題與挑戰(zhàn)，展望了壓裂人工智能研究的主攻方向，并給出了典型應(yīng)用場(chǎng)景的設(shè)計(jì)建議，以期為壓裂人工智能理論與技術(shù)更好更快的發(fā)展提供借鑒。

1 壓裂人工智能發(fā)展歷程與研究現(xiàn)狀

1.1 壓裂人工智能發(fā)展歷程

壓裂人工智能的內(nèi)涵豐富，仍未形成統(tǒng)一的定義。筆者認(rèn)為其是在人工智能理論框架下，構(gòu)建地質(zhì)—地球物理—鉆完井—壓裂—生產(chǎn)全鏈接數(shù)據(jù)倉庫，利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等智能算法，以“高質(zhì)量均衡造縫、安全壓裂”為目標(biāo)，綜合應(yīng)用于壓裂設(shè)計(jì)、施工管控、返排控制等壓裂增產(chǎn)全流程，實(shí)現(xiàn)壓裂設(shè)計(jì)“全局優(yōu)化”、壓裂施工“無人/少人值守”、壓裂返排“自主控制”，大幅降低人員勞動(dòng)強(qiáng)度和事故風(fēng)險(xiǎn)、提升儲(chǔ)層改造投入產(chǎn)出比。壓裂人工智能發(fā)展歷程可劃分為三個(gè)階段。

(1)思想萌芽階段(1990年～2000年)。早在20世紀(jì)90年代，國內(nèi)外學(xué)者幾乎同時(shí)萌生了壓裂人工智能思想，嘗試將模糊邏輯、自動(dòng)邏輯推理等早期智能算法用于壓裂設(shè)計(jì)優(yōu)化，由此開辟了基于數(shù)據(jù)驅(qū)動(dòng)優(yōu)化壓裂設(shè)計(jì)的新途徑。其中，1989年，李賓元[9]率先建立了基于模糊數(shù)學(xué)理論的壓裂選井選層模型；1993年，Holditch等[10]研制了基于自動(dòng)邏輯推理的壓裂專家系統(tǒng)。此后BP神經(jīng)網(wǎng)絡(luò)、灰色關(guān)聯(lián)分析、遺傳算法等智能算法被應(yīng)用于壓裂選井選層、產(chǎn)能預(yù)測(cè)及參數(shù)優(yōu)化并取得初步成效[11- 13]。但受限于當(dāng)時(shí)數(shù)據(jù)質(zhì)量、算力和智能算法的先進(jìn)性，特別是所用神經(jīng)網(wǎng)絡(luò)層次少(僅3～5層)且樣本數(shù)量有限，數(shù)據(jù)過擬合問題突出，客觀上制約了模型預(yù)測(cè)精度，未能規(guī)模應(yīng)用。

(2)初步發(fā)展階段(2000年～2015年)。該階段機(jī)器學(xué)習(xí)算法性能不斷提升，一定程度解決了數(shù)據(jù)過擬合問題，模型預(yù)測(cè)精度得到改善[14- 16]。與此同時(shí)，非常規(guī)頁巖油氣資源規(guī)模開發(fā)，由此積累了海量數(shù)據(jù)并構(gòu)建形成大數(shù)據(jù)倉庫，為提高機(jī)器學(xué)習(xí)訓(xùn)練效果奠定了數(shù)據(jù)基礎(chǔ)。通過大數(shù)據(jù)深度挖掘優(yōu)化壓裂設(shè)計(jì)的理念被油氣行業(yè)接受，在北美Bakken、Eagle Ford和中國涪陵等頁巖油氣田應(yīng)用并取得一定成效[17- 18]。

(3)快速發(fā)展階段(2016年后)。該階段隨著新一代智能算法與超強(qiáng)算力的蓬勃興起，壓裂人工智能開啟井噴式發(fā)展。此時(shí)機(jī)器學(xué)習(xí)不再單純依賴數(shù)據(jù)驅(qū)動(dòng)，而是尋求數(shù)據(jù)與機(jī)理聯(lián)合驅(qū)動(dòng)，進(jìn)一步提升模型合理性和預(yù)測(cè)精度，為單井產(chǎn)能和最終采收率預(yù)測(cè)、完井參數(shù)優(yōu)化等提供了有力支撐[19- 21]。2018年后，以深層神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)逐步應(yīng)用于壓裂增產(chǎn)中的時(shí)序數(shù)據(jù)處理[22- 23]，將應(yīng)用場(chǎng)景從壓裂設(shè)計(jì)優(yōu)化拓展到施工過程管控和壓裂返排調(diào)控。但總體仍處于解決單個(gè)具體的場(chǎng)景應(yīng)用問題，未達(dá)到工業(yè)級(jí)應(yīng)用所要求的全流程、貫通式的優(yōu)化和閉環(huán)調(diào)控。

1.2 壓裂人工智能應(yīng)用研究現(xiàn)狀

壓裂人工智能發(fā)展至今，已在壓裂設(shè)計(jì)、施工管控、返排控制等方面進(jìn)行了有益嘗試和研究，特別在壓裂設(shè)計(jì)智能優(yōu)化、施工過程工況診斷與風(fēng)險(xiǎn)預(yù)警、壓裂返排優(yōu)化控制等方面取得了一定的進(jìn)展和應(yīng)用效果。

1.2.1 壓裂設(shè)計(jì)智能優(yōu)化

壓裂設(shè)計(jì)智能優(yōu)化是基于地質(zhì)—工程大數(shù)據(jù)，利用智能算法優(yōu)化壓裂工藝參數(shù)和完井參數(shù)，達(dá)到高質(zhì)量均衡造縫和大幅增產(chǎn)的目的，主要體現(xiàn)在產(chǎn)能預(yù)測(cè)與完井參數(shù)優(yōu)化和壓裂布縫參數(shù)優(yōu)選等方面。

在壓裂產(chǎn)能預(yù)測(cè)與完井參數(shù)優(yōu)化方面，基本思想是建立地質(zhì)、工程參數(shù)與產(chǎn)能的映射關(guān)系，采用最優(yōu)化算法獲得完井最優(yōu)參數(shù)組合，目前研究聚焦在如何提高模型預(yù)測(cè)精度上。Wang等[24]對(duì)比發(fā)現(xiàn)長短期記憶神經(jīng)網(wǎng)絡(luò)算法可有效預(yù)測(cè)頁巖氣壓裂井產(chǎn)能，在測(cè)試集數(shù)據(jù)中獲得了較高預(yù)測(cè)精度，但在現(xiàn)場(chǎng)應(yīng)用中仍需提高精度。為提高模型預(yù)測(cè)精度，部分學(xué)者研究了多模型組合和數(shù)據(jù)—機(jī)理聯(lián)合驅(qū)動(dòng)的方式。Yang等[25]基于循環(huán)神經(jīng)網(wǎng)絡(luò)和多層感知機(jī)的組合方式建立了煤層氣壓裂井產(chǎn)能預(yù)測(cè)模型，基于本構(gòu)機(jī)理和數(shù)值模型構(gòu)建數(shù)據(jù)集，對(duì)神經(jīng)網(wǎng)絡(luò)模型施加物理約束。董銀濤等[26]基于XGBoost算法建立了壓裂井產(chǎn)能預(yù)測(cè)模型，通過改進(jìn)損失函數(shù)引入物理約束，將預(yù)測(cè)誤差從11.68%降低至9.68%。周濟(jì)民等[27]將BP神經(jīng)網(wǎng)絡(luò)和長短記憶神經(jīng)網(wǎng)絡(luò)組合應(yīng)用，同時(shí)在損失函數(shù)中嵌入Arps經(jīng)驗(yàn)?zāi)Ｐ停瑢⒛Ｐ推骄A(yù)測(cè)誤差由19.66%降低至7.61%。但是目前體現(xiàn)儲(chǔ)層物性的數(shù)據(jù)來源主要依賴近井筒測(cè)井?dāng)?shù)據(jù)，缺乏遠(yuǎn)井儲(chǔ)層和裂縫等信息數(shù)據(jù)，亟需融入地震解釋、微地震監(jiān)測(cè)等遠(yuǎn)井特征數(shù)據(jù)。

在壓裂布縫參數(shù)優(yōu)選方面，有監(jiān)督和無監(jiān)督聚類算法被用于區(qū)分水平井段巖石力學(xué)性質(zhì)的差異性，同時(shí)考慮縫間應(yīng)力干擾作用，優(yōu)選巖石力學(xué)性質(zhì)相近的井段布置裂縫，達(dá)到裂縫均衡起裂與擴(kuò)展的目的。Palmer[28]利用聲波和微電阻率測(cè)井判斷巖石力學(xué)強(qiáng)度和天然裂縫分布密度，利用模糊C-Means無監(jiān)督聚類算法沿井筒聚類。Tran等[29]綜合利用鉆頭破巖數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)反映巖石力學(xué)性質(zhì)差異性，建立了基于有監(jiān)督聚類算法的水平井段巖石強(qiáng)度差異性評(píng)價(jià)模型，優(yōu)化了水平段軌跡和壓裂布縫位置。Drill2Frac公司[30- 31]通過計(jì)算鉆頭破巖所需的機(jī)械比能，采用無監(jiān)督聚類算法，實(shí)現(xiàn)了儲(chǔ)層可壓性評(píng)價(jià)和布縫位置優(yōu)選，在北美6個(gè)頁巖氣盆地開展108口井現(xiàn)場(chǎng)應(yīng)用，結(jié)果表明優(yōu)化井產(chǎn)量同比鄰井提高約27%，增產(chǎn)效果顯著。

1.2.2 壓裂工況智能診斷與風(fēng)險(xiǎn)預(yù)警

近年來，以深層神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)逐步應(yīng)用在施工過程工況智能診斷與風(fēng)險(xiǎn)預(yù)警。主要利用地面或井下實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，結(jié)合專家經(jīng)驗(yàn)標(biāo)簽形成訓(xùn)練數(shù)據(jù)集，通過建立循環(huán)神經(jīng)網(wǎng)絡(luò)和分類算法診斷各類復(fù)雜工況和預(yù)警潛在施工風(fēng)險(xiǎn)。

在壓裂工況診斷方面，以哈里伯頓公司Smart Fleet智能壓裂系統(tǒng)[32]為代表，綜合運(yùn)用光纖監(jiān)測(cè)、井下微地震、壓力計(jì)等多源實(shí)時(shí)數(shù)據(jù)和智能算法，實(shí)現(xiàn)了壓裂射孔簇均衡起裂、裂縫擴(kuò)展可視化和泵注參數(shù)實(shí)時(shí)調(diào)控，在北美二疊系盆地應(yīng)用，單井產(chǎn)量平均增產(chǎn)20%。Ramirez等[33]結(jié)合分類算法、泵壓曲線變化特征和專家經(jīng)驗(yàn)標(biāo)簽，實(shí)現(xiàn)了壓裂作業(yè)起始與終止時(shí)刻的識(shí)別，在驗(yàn)證集上識(shí)別精度達(dá)90%。Shen等[22]建立了基于卷積神經(jīng)網(wǎng)絡(luò)和U-Net架構(gòu)深度學(xué)習(xí)的壓裂工況實(shí)時(shí)診斷模型，實(shí)現(xiàn)了壓裂作業(yè)起始與終止時(shí)刻、橋塞坐封、壓裂分階段工況的自動(dòng)標(biāo)注、模型訓(xùn)練和工況自主診斷，通過混淆矩陣評(píng)價(jià)模型，準(zhǔn)確度達(dá)95%。同時(shí)，信號(hào)小波變換作為一種重要的時(shí)序數(shù)據(jù)特征提取方法，在壓裂裂縫閉合壓力判識(shí)和裂縫擴(kuò)展事件診斷方面起到了積極作用。Unal等[34]、Eltaleb等[35]基于小壓測(cè)試DFIT數(shù)據(jù)，采用小波離散變換分解細(xì)節(jié)信號(hào)，聯(lián)合能量譜密度判別裂縫閉合壓力及其時(shí)間，與傳統(tǒng)G函數(shù)分析方法相比,驗(yàn)證了該方法可獲得更加準(zhǔn)確的裂縫閉合壓力值。Mohamed等[36]利用小波變換方法，將從施工泵壓數(shù)據(jù)提取的能量信息與裂縫擴(kuò)展物理過程相關(guān)聯(lián)，定量表征單位時(shí)間內(nèi)裂縫擴(kuò)展事件數(shù)，為實(shí)時(shí)診斷裂縫擴(kuò)展信息提供了重要手段。

在壓裂風(fēng)險(xiǎn)預(yù)警方面，砂堵風(fēng)險(xiǎn)預(yù)警研究進(jìn)展突出。2017年，方博濤[37]建立了壓裂砂堵風(fēng)險(xiǎn)預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型，選取12個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，對(duì)比Nolte-Smith圖版砂堵判識(shí)方法可超前1.5 min預(yù)警。2020年，Sun等[38]通過搭建卷積神經(jīng)網(wǎng)絡(luò)和長短記憶神經(jīng)網(wǎng)絡(luò)融合動(dòng)靜態(tài)數(shù)據(jù)特征，采用反斜率法判別砂堵特征數(shù)據(jù)，實(shí)現(xiàn)了砂堵實(shí)時(shí)診斷。Hu等[39]提出了泵壓超前預(yù)測(cè)和砂堵風(fēng)險(xiǎn)超前預(yù)警的方法思路，通過建立整合滑動(dòng)平均自回歸模型和經(jīng)驗(yàn)規(guī)則約束，實(shí)現(xiàn)了砂堵風(fēng)險(xiǎn)超前37 s預(yù)警。2021年，Hou等[40]提出了砂堵概率表征參數(shù)，建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的砂堵概率預(yù)測(cè)模型，實(shí)現(xiàn)壓裂過程中砂堵風(fēng)險(xiǎn)概率的實(shí)時(shí)評(píng)估。套管變形風(fēng)險(xiǎn)實(shí)時(shí)診斷研究開始起步。2020年，Hoffman等[41]基于專家經(jīng)驗(yàn)形成的套管變形異常壓力顯示標(biāo)簽數(shù)據(jù)集，采用隨機(jī)森林算法建立分類模型，用于診斷套管變形引起的異常壓力事件，獲得套管變形概率，為套管變形風(fēng)險(xiǎn)實(shí)時(shí)診斷提供了一種新的解決方案。目前仍缺乏風(fēng)險(xiǎn)預(yù)警后如何調(diào)控參數(shù)規(guī)避風(fēng)險(xiǎn)的強(qiáng)化學(xué)習(xí)模型研究。

1.2.3 壓裂返排智能優(yōu)化

壓裂返排工藝與參數(shù)優(yōu)化將直接影響壓裂增產(chǎn)效果?；舅枷胧腔诜蹬派a(chǎn)動(dòng)態(tài)數(shù)據(jù)和地質(zhì)工程靜態(tài)數(shù)據(jù)，利用智能算法優(yōu)化返排壓差與流量等工作制度，實(shí)現(xiàn)控制支撐劑回流量和優(yōu)化壓裂液返排率。

Zhou等[42]通過大數(shù)據(jù)分析Marcellus頁巖631口井的井位、完井?dāng)?shù)據(jù)、壓裂工藝和生產(chǎn)數(shù)據(jù)，研究了壓裂液返排與完井屬性和地質(zhì)環(huán)境之間的相關(guān)性，發(fā)現(xiàn)影響返排水采收率的重要因素包括壓裂段數(shù)、水平段長度、垂向深度等。Fu等[43]研究了Anadarko盆地7口致密油氣壓裂井返排數(shù)據(jù)，發(fā)現(xiàn)總注入水量、總射孔間隔、壓裂簇的數(shù)量是關(guān)鍵設(shè)計(jì)參數(shù)。Maity和Ciezobka[44]基于K近鄰、貝葉斯分類器和支持向量機(jī)等智能算法，建立了識(shí)別支撐劑顆粒位置和支撐劑分類的工作流，并在Permian盆地現(xiàn)場(chǎng)應(yīng)用。Niu等[45]利用早期返排數(shù)據(jù)預(yù)測(cè)最終可采儲(chǔ)量，對(duì)比發(fā)現(xiàn)支持向量機(jī)是最優(yōu)算法。Guo等[46]研究了威遠(yuǎn)頁巖氣區(qū)塊214口水平井特征返排系數(shù)與地質(zhì)、工程參數(shù)的相關(guān)性，建立了一種用于預(yù)測(cè)頁巖氣水平井返排曲線的機(jī)器學(xué)習(xí)方法。郭建成[47]基于四川龍馬溪組頁巖儲(chǔ)層250口井的地質(zhì)和工程數(shù)據(jù)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的壓裂液返排率預(yù)測(cè)模型，以此確定返排率的最優(yōu)區(qū)間。劉可等[48]結(jié)合相關(guān)性分析和主成分分析，建立了壓裂井產(chǎn)能與其影響因素的支持向量機(jī)模型，并交叉驗(yàn)證優(yōu)選最優(yōu)返排率。目前仍缺乏以多目標(biāo)協(xié)同優(yōu)化為基礎(chǔ)的返排工作制度實(shí)時(shí)控制研究。

綜述表明，前人在壓裂人工智能單項(xiàng)技術(shù)、算法提升、模型預(yù)測(cè)精度等方面取得了一定研究進(jìn)展，但總體處于從學(xué)術(shù)型研究向工業(yè)級(jí)應(yīng)用的過渡階段，仍需發(fā)展壓裂全流程、貫通式的優(yōu)化和閉環(huán)調(diào)控。

2 壓裂人工智能關(guān)鍵理論問題

為達(dá)到壓裂人工智能工業(yè)級(jí)應(yīng)用水平，實(shí)現(xiàn)高質(zhì)量數(shù)據(jù)集構(gòu)建與建模，全流程、貫通式優(yōu)化和閉環(huán)調(diào)控，仍面臨小樣本少標(biāo)簽數(shù)據(jù)問題、數(shù)據(jù)驅(qū)動(dòng)與機(jī)理模型深度融合問題、模型可解釋性差等關(guān)鍵理論問題。

2.1 小樣本少標(biāo)簽數(shù)據(jù)問題制約模型預(yù)測(cè)精度

深度學(xué)習(xí)模型已在油氣井壓裂產(chǎn)能預(yù)測(cè)、參數(shù)優(yōu)化等任務(wù)中取得了長足進(jìn)步，但其成功應(yīng)用很大程度上依賴于大量訓(xùn)練數(shù)據(jù)，對(duì)于小樣本數(shù)據(jù)的訓(xùn)練容易出現(xiàn)過擬合現(xiàn)象[49]。在數(shù)據(jù)規(guī)模上，油田數(shù)據(jù)庫難以像商業(yè)數(shù)據(jù)庫迅速擴(kuò)充；而且在實(shí)際壓裂場(chǎng)景中存在多種數(shù)據(jù)類型，某些類型只有少量樣本或少量標(biāo)簽，難以收集到較為準(zhǔn)確的大量數(shù)據(jù)。因此，油田數(shù)據(jù)樣本有限且存在多個(gè)維度，數(shù)據(jù)部分缺失且齊整性較差，不能直接套用基于大規(guī)模數(shù)據(jù)的數(shù)據(jù)挖掘方法進(jìn)行研究。

2.2 數(shù)據(jù)驅(qū)動(dòng)與壓裂機(jī)理模型有待深度融合

數(shù)據(jù)驅(qū)動(dòng)與機(jī)理模型融合是人工智能發(fā)展的熱點(diǎn)之一[7]。在壓裂流固耦合理論研究中，前人積累了大量領(lǐng)域知識(shí)和機(jī)理模型，通常以表征參數(shù)之間的數(shù)學(xué)關(guān)系來表示。當(dāng)涉及到多尺度、多場(chǎng)耦合等問題時(shí)，因?yàn)檩斎肱c輸出之間的映射關(guān)系過于復(fù)雜，探索機(jī)理模型將變得極其困難。此時(shí)，如果有足夠多的數(shù)據(jù)和標(biāo)簽，可以通過數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)建立起所需的映射關(guān)系和模型。但這種單純通過數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)得到的模型往往忽視了物理過程的內(nèi)在機(jī)理，可能給出不符合常理的預(yù)測(cè)結(jié)果。因此，發(fā)展物理機(jī)理與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的模型方法，是壓裂人工智能研究的發(fā)展趨勢(shì)和必然選擇。近年來，關(guān)于融合數(shù)據(jù)驅(qū)動(dòng)與機(jī)理模型的研究引起了學(xué)界的廣泛興趣，尤其是在科學(xué)計(jì)算領(lǐng)域，比如物理信息神經(jīng)網(wǎng)絡(luò)方法[50]。盡管如此，壓裂增產(chǎn)機(jī)理復(fù)雜，同時(shí)壓裂效果難以直接觀測(cè)，如何將數(shù)據(jù)驅(qū)動(dòng)與壓裂機(jī)理模型深度融合，仍然是一個(gè)極富挑戰(zhàn)的問題。

2.3 人工智能模型可解釋性問題有待突破

油氣壓裂增產(chǎn)屬于典型的高投入、高風(fēng)險(xiǎn)作業(yè)，這對(duì)模型決策判斷的可靠性要求很高。因而，壓裂人工智能必須突破模型的可解釋性，使得人工智能系統(tǒng)的行為更透明、易懂、可信。模型可解釋性問題也是人工智能理論所面臨的共性核心問題[7]，目前可解釋性建模方法包括知識(shí)發(fā)現(xiàn)和知識(shí)嵌入等。知識(shí)發(fā)現(xiàn)是指從數(shù)據(jù)中挖掘具有物理含義的控制方程，重點(diǎn)在于確定控制方程結(jié)構(gòu)和系數(shù)，有望用于建立裂縫擴(kuò)展和油氣產(chǎn)出過程的力學(xué)控制方程，可針對(duì)不同儲(chǔ)層特征和壓裂方式建立個(gè)性化控制方程。知識(shí)嵌入是將領(lǐng)域知識(shí)整合到數(shù)據(jù)驅(qū)動(dòng)模型中，創(chuàng)建具有物理常識(shí)的模型，并創(chuàng)建機(jī)器學(xué)習(xí)模型的過程。知識(shí)發(fā)現(xiàn)和知識(shí)嵌入相結(jié)合，可望為模型提供更豐富的信息，提高模型的準(zhǔn)確性和魯棒性，并減少數(shù)據(jù)需求，為聯(lián)合壓裂專家經(jīng)驗(yàn)和機(jī)理模型提供重要的方法基礎(chǔ)。

3 壓裂人工智能研究的主攻方向

針對(duì)上述關(guān)鍵理論問題，從高質(zhì)量數(shù)據(jù)構(gòu)建、小樣本數(shù)據(jù)深度挖掘、可解釋性智能算法和壓裂閉環(huán)調(diào)控方法等方面提出未來主攻方向。

3.1 壓裂增產(chǎn)數(shù)據(jù)治理與特征工程研究

數(shù)據(jù)治理與特征工程是控制數(shù)據(jù)質(zhì)量的兩個(gè)重要方面。壓裂增產(chǎn)數(shù)據(jù)具有跨學(xué)科、跨時(shí)空尺度、數(shù)據(jù)類型多樣等突出特點(diǎn)，亟需解決多源異構(gòu)數(shù)據(jù)融合治理問題，構(gòu)建以壓裂為中心的地質(zhì)—地球物理—鉆完井—壓裂—生產(chǎn)全鏈接數(shù)據(jù)倉庫。同時(shí)，影響壓裂增產(chǎn)效果的因素繁多，疊加上小樣本少標(biāo)簽數(shù)據(jù)問題，使得主成分分析中難以區(qū)分高權(quán)重參數(shù)，亟需解決壓裂增產(chǎn)弱關(guān)聯(lián)數(shù)據(jù)的特征工程問題，形成高質(zhì)量的標(biāo)簽數(shù)據(jù)。

3.2 小樣本學(xué)習(xí)場(chǎng)景下的壓裂數(shù)據(jù)深度挖掘

受限于油田數(shù)據(jù)的小樣本問題，常見的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型都易產(chǎn)生過擬合現(xiàn)象，因此亟需研究數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)等小樣本學(xué)習(xí)方法，提高模型的泛化性能和預(yù)測(cè)精度[49]。數(shù)據(jù)增強(qiáng)方法借助輔助數(shù)據(jù)或輔助信息對(duì)原有小樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充和特征增強(qiáng)，可分為基于無標(biāo)簽數(shù)據(jù)、基于數(shù)據(jù)合成和基于特征增強(qiáng)的三種方法。通過遷移學(xué)習(xí)方法將壓裂領(lǐng)域的傳統(tǒng)方法和專家經(jīng)驗(yàn)嵌入到機(jī)器學(xué)習(xí)模型中。

3.3 基于知識(shí)嵌入和知識(shí)發(fā)現(xiàn)的可解釋性壓裂智能算法研究

可解釋性人工智能方法對(duì)了解壓裂智能算法的優(yōu)缺點(diǎn)和評(píng)估其風(fēng)險(xiǎn)具有重要意義。壓裂機(jī)理的復(fù)雜性使得常規(guī)模型方法普遍缺乏決策邏輯的透明度和計(jì)算結(jié)果的可解釋性，特別是圍繞壓裂產(chǎn)能優(yōu)化、裂縫診斷與效果評(píng)價(jià)等方向的探索，亟需針對(duì)壓裂增產(chǎn)應(yīng)用場(chǎng)景開展壓裂可解釋性人工智能理論研究，具體包括裂縫擴(kuò)展流固耦合過程的知識(shí)嵌入大數(shù)據(jù)模型、裂縫擴(kuò)展流固耦合機(jī)理的符號(hào)回歸與知識(shí)發(fā)現(xiàn)、水力壓裂復(fù)雜非線性產(chǎn)能評(píng)價(jià)智能表征等。

3.4 基于強(qiáng)化學(xué)習(xí)的壓裂參數(shù)動(dòng)態(tài)優(yōu)化與風(fēng)險(xiǎn)預(yù)警閉環(huán)調(diào)控方法研究

壓裂改造是一個(gè)極其復(fù)雜的地面裝備—井筒—裂縫間多參數(shù)耦合問題，常規(guī)壓裂監(jiān)測(cè)技術(shù)能夠?qū)崿F(xiàn)壓裂泵注實(shí)時(shí)監(jiān)測(cè)和初步風(fēng)險(xiǎn)預(yù)警，但無法滿足壓裂泵注實(shí)時(shí)控制和實(shí)時(shí)優(yōu)化調(diào)整，地面—井下傳感數(shù)據(jù)與智能算法有待深入融合，亟需建立壓裂多參數(shù)全局優(yōu)化與風(fēng)險(xiǎn)控制理論，開展基于深度強(qiáng)化學(xué)習(xí)的壓裂參數(shù)動(dòng)態(tài)優(yōu)化與風(fēng)險(xiǎn)預(yù)警調(diào)控研究。

4 壓裂人工智能應(yīng)用場(chǎng)景設(shè)計(jì)建議

合理設(shè)計(jì)應(yīng)用場(chǎng)景是實(shí)現(xiàn)壓裂人工智能工業(yè)化應(yīng)用的重要環(huán)節(jié)。圍繞高質(zhì)量造縫和安全壓裂的目標(biāo)需求，綜合考慮數(shù)據(jù)質(zhì)量、算法適用性和算力等因素，建議構(gòu)建如圖1所示的三類壓裂人工智能應(yīng)用場(chǎng)景。

圖1 壓裂人工智能應(yīng)用場(chǎng)景示意圖

4.1 壓裂設(shè)計(jì)智能優(yōu)化應(yīng)用場(chǎng)景

壓裂設(shè)計(jì)質(zhì)量決定壓裂井產(chǎn)能和經(jīng)濟(jì)效益?；谔卣鞴こ堂鞔_影響壓裂井產(chǎn)能的特征參數(shù)；利用機(jī)器學(xué)習(xí)算法，建立地質(zhì)和工程等特征參數(shù)與壓裂井產(chǎn)能的映射關(guān)系；以產(chǎn)能或經(jīng)濟(jì)效益最大化、壓裂作業(yè)安全等為目標(biāo)，利用尋優(yōu)算法建立壓裂設(shè)計(jì)參數(shù)多目標(biāo)協(xié)同優(yōu)化模型，實(shí)現(xiàn)壓裂設(shè)計(jì)關(guān)鍵參數(shù)多目標(biāo)協(xié)同優(yōu)化。

4.2 壓裂施工過程閉環(huán)調(diào)控應(yīng)用場(chǎng)景

過程閉環(huán)調(diào)控是實(shí)現(xiàn)壓裂施工“無人/少人值守”的重要前提。融合地面參數(shù)采集、井筒光纖監(jiān)測(cè)、井間微地震定位等物聯(lián)網(wǎng)數(shù)據(jù)，為工況智能診斷與風(fēng)險(xiǎn)調(diào)控提供標(biāo)簽數(shù)據(jù)基礎(chǔ)。以深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)理論為基礎(chǔ)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)獲取時(shí)序數(shù)據(jù)特征，實(shí)現(xiàn)壓裂工序、橋塞坐封、暫堵封隔等井筒復(fù)雜工況診斷和砂堵、套管變形、井間壓竄、地面設(shè)備故障等風(fēng)險(xiǎn)預(yù)警；建立專家獎(jiǎng)懲決策機(jī)制和協(xié)同控制算法，實(shí)現(xiàn)壓裂參數(shù)動(dòng)態(tài)優(yōu)化與風(fēng)險(xiǎn)預(yù)警實(shí)時(shí)調(diào)控，最終構(gòu)建智能壓裂泵注實(shí)時(shí)控制系統(tǒng)，大幅提升裂縫均衡擴(kuò)展和高效支撐，同時(shí)降低設(shè)備故障與工程風(fēng)險(xiǎn)。

4.3 壓裂返排實(shí)時(shí)優(yōu)化控制應(yīng)用場(chǎng)景

壓裂返排實(shí)時(shí)參數(shù)優(yōu)化與控制是大幅提高壓裂效果的重要保障。采用深度神經(jīng)網(wǎng)絡(luò)算法，聯(lián)合裂縫閉合支撐力學(xué)分析、壓裂液回流動(dòng)力和阻力分析等物理機(jī)理，構(gòu)建數(shù)據(jù)—機(jī)理聯(lián)合驅(qū)動(dòng)的裂縫閉合與壓裂液返排預(yù)測(cè)模型；采用主成分分析、機(jī)器學(xué)習(xí)、最優(yōu)化算法等大數(shù)據(jù)智能分析方法，評(píng)估不同地層參數(shù)、裂縫幾何形態(tài)參數(shù)、支撐劑參數(shù)和返排工程參數(shù)對(duì)壓裂液返排率和支撐劑回流量的影響，明確返排主控因素；采用深度強(qiáng)化學(xué)習(xí)算法，以降低支撐劑回流量同時(shí)提高壓裂液返排率為目標(biāo)，進(jìn)行多目標(biāo)協(xié)同優(yōu)化，實(shí)時(shí)控制調(diào)整不同返排制度，以期實(shí)現(xiàn)裂縫高質(zhì)量支撐、最大化累計(jì)產(chǎn)量和經(jīng)濟(jì)效益。

5 結(jié)束語

(1)壓裂人工智能是油氣行業(yè)智能化發(fā)展的核心技術(shù)之一，反映了一個(gè)國家的油氣科技發(fā)展水平。壓裂人工智能總體處于從學(xué)術(shù)型研究向工業(yè)級(jí)應(yīng)用的過渡階段，部分關(guān)鍵基礎(chǔ)理論與核心技術(shù)尚待突破，亟需制定我國壓裂智能化發(fā)展規(guī)劃與技術(shù)路線，系統(tǒng)開展壓裂人工智能理論與技術(shù)研究。

(2)壓裂人工智能技術(shù)涉及大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)等關(guān)鍵基礎(chǔ)理論與技術(shù)，有必要推進(jìn)多學(xué)科交叉，加強(qiáng)油氣壓裂增產(chǎn)與前沿理論及技術(shù)的跨界融合。同時(shí)加強(qiáng)協(xié)同創(chuàng)新，搭建產(chǎn)學(xué)研用合作平臺(tái)，完善人才培養(yǎng)和團(tuán)隊(duì)建設(shè)機(jī)制，進(jìn)一步推動(dòng)壓裂人工智能技術(shù)的快速發(fā)展，為復(fù)雜油氣資源高效勘探開發(fā)提供關(guān)鍵技術(shù)支撐。