匡立春，劉合，任義麗，羅凱，史洺宇，蘇健，李欣

（1. 中國石油天然氣集團(tuán)有限公司科技管理部，北京100007；2. 中國石油勘探開發(fā)研究院，北京100083）

0 引言

人工智能（Artificial Intelligence，簡稱AI）這一概念最早誕生于1956年的達(dá)特茅斯會議上，約翰·麥卡錫等學(xué)者將“使用機(jī)器模擬人類認(rèn)知能力”的技術(shù)命名為“人工智能”[1]。目前，人工智能尚沒有統(tǒng)一的定義。筆者認(rèn)為人工即人工制造，智能涉及到諸如意識、自我、思維等。簡而言之，人工智能就是人工制造的意識、思維等。人工智能的關(guān)鍵技術(shù)包括機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語言處理、模式識別、計算機(jī)視覺、知識圖譜等。近幾年，隨著大數(shù)據(jù)的增長、深度學(xué)習(xí)技術(shù)的出現(xiàn)以及算力的大幅提升，人工智能已呈現(xiàn)井噴式發(fā)展。人工智能被廣泛應(yīng)用到醫(yī)療、交通、互聯(lián)網(wǎng)、農(nóng)業(yè)等領(lǐng)域，成為第 4代工業(yè)革命的核心驅(qū)動力，以及推動人類社會進(jìn)入智能時代的決定性力量。

目前中國石油資源品位呈劣質(zhì)化趨勢，主力老油田普遍進(jìn)入特高含水后期開發(fā)階段，為了維護(hù)國家的經(jīng)濟(jì)穩(wěn)定和石油安全，國內(nèi)石油勘探開發(fā)的力度仍需進(jìn)一步加大。全球科技正朝著數(shù)字化、信息化、智能化方向迅速發(fā)展，油氣勘探開發(fā)智能化已經(jīng)成為行業(yè)前沿?zé)狳c和發(fā)展趨勢，有望大幅度提高油氣勘探開發(fā)作業(yè)效率和質(zhì)量，降低成本和風(fēng)險，提升復(fù)雜油氣藏的勘探開發(fā)水平。

本文廣泛調(diào)研人工智能在石油勘探開發(fā)領(lǐng)域的研究現(xiàn)狀，結(jié)合油氣勘探開發(fā)的實際需求，闡述人工智能在測井、物探、鉆完井、油藏工程、地面工程 5個領(lǐng)域的研究進(jìn)展與應(yīng)用情況，探討并展望未來人工智能的應(yīng)用重點與發(fā)展趨勢。

1 石油公司人工智能發(fā)展現(xiàn)狀

采取開放式創(chuàng)新和產(chǎn)學(xué)研深度融合的模式、與 IT公司合作是油氣行業(yè)智能化發(fā)展的通用策略。國際石油公司通過與IT公司聯(lián)手開展業(yè)務(wù)智能化探索，實現(xiàn)上游勘探開發(fā)業(yè)務(wù)的智能化，產(chǎn)生了道達(dá)爾+谷歌云、雪佛龍+微軟、殼牌+惠普等跨界組合。例如，殼牌的智能油田（Smart Field）聚焦協(xié)同工作環(huán)境、智能井、光纖監(jiān)測、生產(chǎn)實時優(yōu)化、智能水驅(qū)和閉環(huán)油藏管理；雪佛龍的信息油田（i-Field）聚焦鉆井優(yōu)化、生產(chǎn)優(yōu)化、油藏管理；英國石油公司（BP）提出的未來油田（Field of the Future）聚焦應(yīng)用實時信息系統(tǒng)優(yōu)化運(yùn)營；俄羅斯天然氣公司（GASPROM）的數(shù)字化轉(zhuǎn)型計劃（DT）優(yōu)先實施數(shù)字化地質(zhì)勘探、數(shù)字化大型項目、數(shù)字化生產(chǎn)、中游業(yè)務(wù)數(shù)字化生產(chǎn)、數(shù)字化 HSE（健康、安全、環(huán)保）、數(shù)字化設(shè)施設(shè)備等12類項目。表1展示了全球重點石油公司及油服公司的人工智能發(fā)展戰(zhàn)略。

表1 全球重點石油公司及油服公司人工智能發(fā)展戰(zhàn)略對比

BP風(fēng)投公司投資2 000萬美元于 Beyond Limits公司，研發(fā)具有類似人類推理能力的人工智能平臺，旨在提高決策速度，管理運(yùn)營風(fēng)險，實現(xiàn)決策過程自動化。2019年 1月，BP投資 500萬美元于 Belmont Technology公司，以進(jìn)一步加強(qiáng)BP上游業(yè)務(wù)的數(shù)字化轉(zhuǎn)型發(fā)展。

道達(dá)爾與谷歌簽署協(xié)議，合作探索油氣勘探和開發(fā)的智能化解決方案，聚焦地下成像的智能化處理與解釋，特別是地震數(shù)據(jù)的處理解釋，以提高勘探和評價油氣田的效率。

殼牌與微軟合作共同開發(fā)Geodesic平臺，旨在提高水平井定向控制的準(zhǔn)確性和一致性，以精確鉆入油氣含量最高的地層。該解決方案可簡化鉆探數(shù)據(jù)處理算法，從而做出實時決策并更好地預(yù)測結(jié)果。

埃克森美孚與微軟合作共同開發(fā)集成云平臺，該平臺可以安全可靠地從跨越數(shù)百千米的油田中收集實時數(shù)據(jù)。這些數(shù)據(jù)有助于公司在鉆完井優(yōu)化和人員部署方面做出更快更好的決策。

雪佛龍、斯倫貝謝、微軟合作開發(fā)DELFI云計算平臺，把大量信息整合到一個平臺上，構(gòu)建開放共享的數(shù)據(jù)生態(tài)環(huán)境，提高數(shù)據(jù)分析的效率。

哈里伯頓和微軟結(jié)成戰(zhàn)略聯(lián)盟，將微軟的 Azure智能云解決方案與勘探開發(fā)相結(jié)合，將深度學(xué)習(xí)應(yīng)用于儲集層表征、建模和模擬，創(chuàng)建高度交互的應(yīng)用程序，實現(xiàn)油氣勘探開發(fā)的數(shù)字化轉(zhuǎn)型。

貝克休斯與NVIDIA合作，使用人工智能和GPU加速計算來幫助實時提取行業(yè)數(shù)據(jù)，從地震建模到預(yù)測機(jī)器故障和優(yōu)化供應(yīng)鏈，挖掘數(shù)據(jù)價值，降低油氣勘探開發(fā)和加工運(yùn)輸?shù)某杀尽?019年11月，貝克休斯、C3.ai和微軟宣布合作，將微軟云計算平臺上的企業(yè)人工智能解決方案引入能源行業(yè)。

中國石油天然氣集團(tuán)有限公司（簡稱中國石油）啟動建設(shè)了認(rèn)知計算平臺（E8），并在大港、大慶、長慶等油田開展試點應(yīng)用。按照“兩統(tǒng)一、一通用”（統(tǒng)一數(shù)據(jù)湖、統(tǒng)一技術(shù)平臺、通用業(yè)務(wù)應(yīng)用）的原則建立了夢想云平臺。由中國石油科技管理部牽頭開展了人工智能頂層設(shè)計，全面推動人工智能技術(shù)的探索性落地。

中國石油化工集團(tuán)有限公司（簡稱中國石化）于2012年開始開展智能制造探索工作，陸續(xù)啟動了智能工廠、智能油田、智能化研究院的規(guī)劃、設(shè)計和建設(shè)工作，并建成油田智云工業(yè)互聯(lián)網(wǎng)平臺，將新一代信息技術(shù)與企業(yè)業(yè)務(wù)深度融合，推動了企業(yè)數(shù)字化轉(zhuǎn)型升級。

中國海洋石油集團(tuán)有限公司（簡稱中國海油）在2020年3月正式下發(fā)《集團(tuán)公司數(shù)字轉(zhuǎn)型頂層設(shè)計綱要》，提出數(shù)字化轉(zhuǎn)型總體藍(lán)圖，打造智能油田技術(shù)平臺，重點致力于智能油田建設(shè)和勘探開發(fā)數(shù)據(jù)治理。

2 人工智能在石油勘探開發(fā)中的應(yīng)用現(xiàn)狀

2.1 測井領(lǐng)域

自1927年誕生以來，測井技術(shù)歷經(jīng)90余年發(fā)展，已經(jīng)從模擬測井、數(shù)字測井、數(shù)控測井，發(fā)展到成像測井，正在跨入智能測井時代。

2.1.1 測井?dāng)?shù)據(jù)采集

由于儲集層的非均質(zhì)性、探測對象的復(fù)雜化以及測井作業(yè)環(huán)境的多樣化、復(fù)雜化，迫切需要在井下地層參數(shù)采集、測井?dāng)?shù)據(jù)傳輸?shù)确矫嫜芯啃碌臏y量方式、工作模式，引入人工智能，實現(xiàn)更準(zhǔn)確、更高效、更安全的作業(yè)和地質(zhì)信息探測。

國外石油企業(yè)在數(shù)據(jù)采集、遠(yuǎn)程測井等方面已形成商用的產(chǎn)品。斯倫貝謝的遠(yuǎn)程測井中心、智能地層測試、具備智能處理解釋能力的井筒軟件Techlog等已經(jīng)商用。其中，遠(yuǎn)程測井在全球部署11個數(shù)據(jù)服務(wù)器中心、14個遠(yuǎn)程測井中心，擁有108名操作工程師，實現(xiàn)專家遠(yuǎn)程協(xié)同工作和決策，20%的測井作業(yè)由遠(yuǎn)程測井中心完成，已完成上萬井次作業(yè)。

國內(nèi)方面，部分石油企業(yè)和科研機(jī)構(gòu)已經(jīng)針對網(wǎng)絡(luò)化地面、智能絞車、遠(yuǎn)程測井等相關(guān)核心技術(shù)進(jìn)行攻關(guān)，并已開始小批量應(yīng)用。智能化井下機(jī)器人已經(jīng)啟動研發(fā)。

2.1.2 測井處理解釋

測井?dāng)?shù)據(jù)具有數(shù)據(jù)體量大和多源異構(gòu)等特點，測井處理解釋過程中面臨多解性、不確定性等難點，油氣判識難度越來越大，亟需利用人工智能等技術(shù)來提高工作效率和解釋符合率。近幾年，人工智能在測井處理解釋方面的應(yīng)用主要集中在自動深度校正、自動報告生成、智能分層、曲線重構(gòu)、巖性識別、成像測井解釋、儲集層參數(shù)預(yù)測、含油氣性評價、橫波速度預(yù)測、裂縫及縫洞充填物識別等方面。

智能曲線重構(gòu)是利用深度學(xué)習(xí)、關(guān)聯(lián)分析等算法尋找測井曲線之間的關(guān)聯(lián)性，對錯誤的、不恰當(dāng)?shù)?、缺失的測井曲線進(jìn)行數(shù)據(jù)重造。所用到的人工智能算法包括神經(jīng)網(wǎng)絡(luò)、組合學(xué)習(xí)算法、聚類算法等。張東曉等[2]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）即長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）來重構(gòu)測井曲線的方法，采用真實測井曲線進(jìn)行驗證后發(fā)現(xiàn)與傳統(tǒng)方法相比精度更高。

巖性識別有兩種途徑，第 1種是鉆井取心，基于巖心樣本分析判定巖性；第 2種是通過測井曲線來識別巖性。對于第 1種途徑，隨著掃描儀器的不斷更新?lián)Q代，石油勘探開發(fā)領(lǐng)域積累了海量的薄片圖像、CT圖像、掃描電鏡圖像等。目前國內(nèi)外巖心圖像分析軟件（如Avizo、PerGeos等）可以實現(xiàn)巖性的自動識別，但大多是利用圖像處理算法實現(xiàn)巖性識別，人機(jī)交互次數(shù)多、對專家經(jīng)驗依賴度高。應(yīng)用較為廣泛的薄片鑒定目前大部分依賴于人工鑒定，智能化水平偏低。將深度學(xué)習(xí)技術(shù)應(yīng)用于巖心圖像的處理領(lǐng)域還需要開展進(jìn)一步研究。對于第 2種途徑，將專家解釋處理完的數(shù)據(jù)作為訓(xùn)練樣本，利用人工智能算法構(gòu)建基于測井曲線的智能化巖性識別模型，實現(xiàn)巖性的智能化識別。江凱等[3]利用提升樹、決策樹、支持向量機(jī)等算法，將專家解釋后的測井?dāng)?shù)據(jù)作為訓(xùn)練樣本，構(gòu)建巖性預(yù)測模型，與錄井巖性相比，預(yù)測準(zhǔn)確率達(dá)到80%以上。

成像測井主要是通過色度標(biāo)定原理將原始測井曲線轉(zhuǎn)換為反映地質(zhì)特征的可視化圖像。隨著深度學(xué)習(xí)技術(shù)在圖像分析領(lǐng)域的不斷深入應(yīng)用，研究人員將深度學(xué)習(xí)、圖像處理等技術(shù)結(jié)合使用，實現(xiàn)了成像測井的自動化解釋。Ren等[4]利用U-Net等圖像分割算法實現(xiàn)電成像測井圖像地質(zhì)特征邊緣的自動識別，然后利用特征工程提取相關(guān)特征，最后基于機(jī)器學(xué)習(xí)算法實現(xiàn)地質(zhì)特征的自動化分類。人工智能在成像測井圖像處理解釋方面的研究剛剛起步，制約其進(jìn)一步發(fā)展的關(guān)鍵是缺少可供機(jī)器學(xué)習(xí)的標(biāo)簽數(shù)據(jù)。

人工智能算法在儲集層參數(shù)預(yù)測方面的應(yīng)用較早，早期學(xué)者主要是利用傳統(tǒng)機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、線性回歸等）來預(yù)測孔隙度、滲透率、飽和度等參數(shù)。近幾年，隨著神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，越來越多的學(xué)者開始利用BP（前饋神經(jīng)網(wǎng)絡(luò)）、LSTM，以及Random Forest（隨機(jī)森林）、GBDT（梯度提升決策樹）等組合學(xué)習(xí)算法預(yù)測儲集層參數(shù)。

2.1.3 一體化軟件

國外方面，以斯倫貝謝為代表，以Petrel、Techlog、Eclipse等10多項軟件為核心，構(gòu)建了數(shù)字化協(xié)同智能工作流程，降低了勘探開發(fā)的不確定性與風(fēng)險。勘探開發(fā)認(rèn)知一體化平臺（DELFI）建立了智能處理解釋工作流程，支持?jǐn)?shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)清洗、智能解釋、成果提交等功能。井筒軟件Techlog包括曲線敏感因素分析、預(yù)測與分類、曲線重建等系列智能化功能模塊，支持智能解釋。

國內(nèi)方面，建成中國石油夢想云協(xié)同平臺、測井處理解釋一體化軟件LEAD與全新一代多井評價軟件CIFlog等應(yīng)用平臺，油藏描述與模擬、測井多井解釋等方面的智能化應(yīng)用初見成效，水平井地質(zhì)導(dǎo)向系統(tǒng)初步形成。

2.2 物探領(lǐng)域

國際上“AI+物探”研究發(fā)展迅速。地球物理勘探長期以來一直是高性能計算、三維可視化、計算機(jī)網(wǎng)絡(luò)等信息技術(shù)的一個重要應(yīng)用領(lǐng)域，是較早實現(xiàn)數(shù)字化采集、處理和分析的一個領(lǐng)域。

2.2.1 物探裝備

人工智能在物探裝備方面的應(yīng)用主要集中在可控震源、無人機(jī)、地震儀器等方面。智能可控震源可以根據(jù)具體的工區(qū)地表條件、深層地震地質(zhì)條件調(diào)整出力大小、頻率范圍、掃描時間、相位等參數(shù)，具有安全、環(huán)保的特點。物探數(shù)據(jù)采集智能無人機(jī)可實現(xiàn)高精度地形探測、風(fēng)險評估、節(jié)點監(jiān)控、數(shù)據(jù)回收、物資投送、救援等工作。地震儀器方面已研發(fā)出G3i（有線）、Hawk（節(jié)點）、eSeis（節(jié)點）等產(chǎn)品，OBN（海底采集節(jié)點）技術(shù)攻關(guān)解決了拖纜跨障能力差、觀測方位窄、海面噪聲強(qiáng)、單分量接收等局限。

2.2.2 物探采集

隨著云計算、人工智能、機(jī)器人、通信等技術(shù)的不斷發(fā)展，物探采集在經(jīng)歷數(shù)字化發(fā)展階段之后，將進(jìn)入智能化發(fā)展階段，具備以下特點：無感數(shù)字化、高度閉環(huán)自動化、核心裝備“機(jī)器人”化、作業(yè)程序一體化、生產(chǎn)動態(tài)可預(yù)測，甚至具備一些大數(shù)據(jù)邊緣計算的能力。

物探采集技術(shù)已經(jīng)實現(xiàn)從傳統(tǒng)地震隊向數(shù)字化地震隊的轉(zhuǎn)變，數(shù)字地震隊將物聯(lián)網(wǎng)、云計算等IT技術(shù)與物探采集方法相融合，對施工任務(wù)、野外人員、裝備、HSE等進(jìn)行無線化、可視化數(shù)字管理，優(yōu)化施工工序，簡化作業(yè)程序，實現(xiàn)智能激發(fā)、實時質(zhì)量控制、遠(yuǎn)程技術(shù)支持與指揮調(diào)度。

2.2.3 地震數(shù)據(jù)處理與解釋

在地震數(shù)據(jù)處理與解釋方面，人工智能主要應(yīng)用在地震構(gòu)造解釋（含斷層識別、層位解釋、巖丘頂?shù)捉忉尅⒑拥阑蛉芏唇忉尩龋?、噪聲壓制與信號增強(qiáng)、地震相識別、儲集層參數(shù)預(yù)測、地震波場正演、地震反演、地震速度拾取與建模、初至拾取、地震數(shù)據(jù)重建與插值、地震屬性分析、微地震數(shù)據(jù)分析、綜合解釋等方面。使用的核心技術(shù)主要是計算機(jī)視覺領(lǐng)域的目標(biāo)檢測、分割、圖像分類與預(yù)測等。人工智能的應(yīng)用在保證準(zhǔn)確率的前提下，極大地提高了地震數(shù)據(jù)處理解釋的效率。

基于深度學(xué)習(xí)的斷層自動化識別逐漸成為一個典型應(yīng)用方向。多位學(xué)者利用卷積神經(jīng)網(wǎng)絡(luò)，在合成地震記錄數(shù)據(jù)集或者實際地震數(shù)據(jù)集上進(jìn)行訓(xùn)練，構(gòu)建斷層智能識別模型，自動識別斷層存在的概率及傾角等參數(shù)。Wu等[5]研發(fā)了一種基于編解碼的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型能夠同時實現(xiàn)斷層檢測和斜率估計。為了訓(xùn)練網(wǎng)絡(luò)，自動生成數(shù)千幅三維合成噪聲地震圖像和相應(yīng)的斷層圖像、干凈的地震圖像和地震法向量。多個現(xiàn)場實例表明，該網(wǎng)絡(luò)在斷層探測及反射斜率計算中都明顯優(yōu)于傳統(tǒng)方法。

近幾年，基于深度學(xué)習(xí)的地震相識別方面的研究也逐漸增多。傳統(tǒng)的地震相識別主要是對地震屬性先聚類，再對地震波形分類，以識別地震相。隨著機(jī)器學(xué)習(xí)等人工智能技術(shù)的發(fā)展與應(yīng)用，越來越多的研究者將卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、概率神經(jīng)網(wǎng)絡(luò)（PNN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）、生成對抗網(wǎng)絡(luò)（GAN）等直接用于地震波形的分類識別。Zhang等[6]提出了一種基于 Google開發(fā)的增強(qiáng)型編解碼結(jié)構(gòu) DeepLabv3+，相比CNN模型和簡單的語義分割模型（如反褶積神經(jīng)網(wǎng)絡(luò)），這種編解碼結(jié)構(gòu)在提取多尺度語義信息和恢復(fù)預(yù)測結(jié)果中更多像素級細(xì)節(jié)方面具有更高的精度和效率，有望提高地震相識別的精度和效率。

地震反演主要是將常規(guī)的界面型反射剖面轉(zhuǎn)換成巖層型的測井剖面，把地震資料變成可與測井資料直接對比的形式。近年來，人工智能技術(shù)在此領(lǐng)域的應(yīng)用研究進(jìn)展較大，采用的算法以CNN、RNN、DNN、波爾茲曼機(jī)和GAN等為主。Phan等[7]結(jié)合級聯(lián)法與卷積神經(jīng)網(wǎng)絡(luò)，通過最小化一個類似于反問題最小二乘解的能量函數(shù)來構(gòu)建深度學(xué)習(xí)模型，然后利用該網(wǎng)絡(luò)進(jìn)行疊前地震反演，通過訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)巖石性質(zhì)與地震振幅之間的非線性關(guān)系來預(yù)測阻抗。反演算法要求在訓(xùn)練網(wǎng)絡(luò)前對輸入進(jìn)行歸一化處理，并在網(wǎng)絡(luò)應(yīng)用后將結(jié)果轉(zhuǎn)換為絕對值。結(jié)果表明，該算法能夠捕捉訓(xùn)練數(shù)據(jù)集中的所有特征，同時準(zhǔn)確地重建井點的輸入測井曲線，并生成地質(zhì)上合理的阻抗剖面。

初至拾取是后續(xù)地震處理和成像的基礎(chǔ)。隨著地震數(shù)據(jù)量的急劇增長，人工采集是最耗時的方法。為了應(yīng)對這些挑戰(zhàn)，需要開發(fā)穩(wěn)健的自動揀選方法。Ma等[8]提出了一種利用改進(jìn)的二維像素卷積網(wǎng)絡(luò)自動提取初至波的方法。將事件拾取問題轉(zhuǎn)化為二值化圖像分割問題，將第1次到達(dá)前后的信號分別標(biāo)記為1和0。利用鉆孔地震資料進(jìn)行了現(xiàn)場實例分析，證明了該方法的有效性和與傳統(tǒng)自動拾取方法相比的優(yōu)越性。

2.3 鉆完井領(lǐng)域

石油鉆井在歷經(jīng)概念—經(jīng)驗—科學(xué)—自動化的發(fā)展過程后，形成了以鉆完井工藝原理、方法為指導(dǎo)，以裝備、工具、材料為手段的鉆完井工程技術(shù)體系。鉆完井工程技術(shù)基本實現(xiàn)了從經(jīng)驗步入科學(xué)化階段，目前正處于自動化與智能化交融發(fā)展階段，整體向智能化發(fā)展。

智能鉆完井是一種全新的鉆完井模式。智能鉆完井要以智能軟件系統(tǒng)為紐帶，依托地面智能裝備、井下智能工具，利用計算模型和智能決策技術(shù)將三者整合成一個閉環(huán)的系統(tǒng)并協(xié)同進(jìn)行工作。井下智能工具主要是配備嵌入式芯片的智能鉆機(jī)、智能鉆頭、智能鉆桿、旋轉(zhuǎn)導(dǎo)向系統(tǒng)等；地面智能裝備主要是具備工業(yè)控制核心系統(tǒng)的鉆臺機(jī)器人、起下鉆自動控制裝備、自動送鉆裝備等；智能軟件作為紐帶，將三者整合成一個整體，根據(jù)井下地質(zhì)情況和油藏位置，實現(xiàn)高效、自動鉆進(jìn)到最佳的儲集層位置，并獲得最大產(chǎn)能。國內(nèi)智能鉆完井技術(shù)剛剛起步，處于單項技術(shù)開發(fā)攻關(guān)前期，裝備、工具整體自動化、智能化程度與國外還有較大差距。

2.3.1 智能鉆完井關(guān)鍵技術(shù)

智能鉆完井關(guān)鍵技術(shù)包括井眼軌道智能優(yōu)化、智能導(dǎo)向鉆井、鉆速智能優(yōu)化等。

以地質(zhì)工程的多源數(shù)據(jù)為基礎(chǔ)的井眼軌道智能優(yōu)化技術(shù)一般采用遺傳算法、神經(jīng)網(wǎng)絡(luò)等人工智能算法實現(xiàn)井眼方位角等相關(guān)參數(shù)的優(yōu)化。智能導(dǎo)向鉆井技術(shù)的核心是利用人工智能算法，通過對目標(biāo)井眼軌跡的實時監(jiān)控和分析，并采用隨鉆地震技術(shù)、近鉆頭測量技術(shù)等鉆井新技術(shù)，實現(xiàn)鉆井過程的隨鉆預(yù)測及自動控制。鉆速智能優(yōu)化方面，大多采用大數(shù)據(jù)和智能優(yōu)化算法對多目標(biāo)鉆井參數(shù)進(jìn)行優(yōu)化，使地層-鉆頭-參數(shù)三者之間達(dá)到最佳匹配，實現(xiàn)井斜、方位等參數(shù)動態(tài)優(yōu)化設(shè)計，與鉆機(jī)聯(lián)動，自動發(fā)出操控指令，從而智能優(yōu)化機(jī)械鉆速。常用的算法包括隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、蟻群算法、粒子群算法等。

1.3.2 觀察組 研究組患有陰道炎的老年糖尿病患者在給予雌激素軟膏的基礎(chǔ)上，給予保婦康栓（批準(zhǔn)文號：國藥準(zhǔn)字 Z46020058，規(guī)格：1.74 g×14 粒）進(jìn)行治療，給藥方式為陰道內(nèi)給藥。給藥劑量為1粒/次。給藥操作為清洗外陰部，向陰道深部塞入栓劑。給藥療程為4周。

2.3.2 智能化鉆完井裝備

國外石油公司在地面裝備方面，已經(jīng)開始規(guī)?；瘧?yīng)用鉆臺機(jī)器人、起下鉆自動控制、自動送鉆系統(tǒng)、自動控壓鉆井、鉆井液在線監(jiān)測等技術(shù)。井下工具方面，智能鉆機(jī)、智能鉆頭、智能鉆桿能夠?qū)崿F(xiàn)鉆臺無人化操作、鉆井自動化精準(zhǔn)控制，大幅提高鉆井效率，降低鉆井風(fēng)險和人力成本。旋轉(zhuǎn)導(dǎo)向鉆井系統(tǒng)規(guī)?；虡I(yè)應(yīng)用，實現(xiàn)了隨鉆、隨測、隨控，既保障鉆頭高效破巖，又實現(xiàn)智能導(dǎo)向。根據(jù)地質(zhì)條件和油藏特征信息，應(yīng)用神經(jīng)網(wǎng)絡(luò)等方法建立以獲得最大油氣產(chǎn)能為目標(biāo)函數(shù)的鉆井工藝參數(shù)優(yōu)化模型，并將計算得到的最佳工藝參數(shù)與隨鉆隨測實時獲取的數(shù)據(jù)比較，自動尋找最佳軌跡。

國內(nèi)研制了自動化鉆機(jī)，基本實現(xiàn)了管柱自動化控制，但傳感器對部分狀態(tài)檢測的可靠性和有效性、設(shè)備在線預(yù)警與診斷準(zhǔn)確性有待提升，液壓驅(qū)動設(shè)備自身運(yùn)動精度不高，智能化程度整體偏低?？貕恒@井裝備基本實現(xiàn)自動化，工控軟件對井筒感知能力、地層識別能力有待提高。井下工具方面，隨鉆測量等井下工具基本實現(xiàn)國產(chǎn)化，但全面感知能力尚需提升，在精準(zhǔn)地質(zhì)導(dǎo)向、精細(xì)地質(zhì)評價、智能提速導(dǎo)航等方面需要進(jìn)一步完善。

2.3.3 智能鉆完井軟件

應(yīng)用軟件方面，數(shù)字孿生系統(tǒng)、自動化控制系統(tǒng)、鉆井過程仿真、遠(yuǎn)程決策軟件已商業(yè)化，并不斷發(fā)展完善。國外以鉆完井海量數(shù)據(jù)作為基礎(chǔ)，引入機(jī)器學(xué)習(xí)、大數(shù)據(jù)、云計算等前沿技術(shù)，形成井筒環(huán)境預(yù)知方法及表征地層力學(xué)行為特征的體系，研發(fā)了鉆完井大數(shù)據(jù)整合與分析平臺、基于云平臺的建井工程設(shè)計與智能優(yōu)化系統(tǒng)、一體化壓裂優(yōu)化軟件，大幅提升鉆完井工程設(shè)計、復(fù)雜工況預(yù)測、分析優(yōu)化與精準(zhǔn)控制水平，實現(xiàn)鉆完井工程最大限度的自動化、高效化、智能化。

哈里伯頓建井工程4.0引入大數(shù)據(jù)分析、鉆井分析智能優(yōu)化平臺等，構(gòu)建數(shù)字孿生井筒，覆蓋鉆前模擬預(yù)演、鉆中分析實時決策、鉆后回放分析等全過程。斯倫貝謝勘探開發(fā)認(rèn)知一體化平臺（DELFI）中的一體化鉆井設(shè)計解決方案DrillPlan能夠?qū)@井設(shè)計規(guī)劃的時間從幾周壓縮到幾天?？捣沏@完井大數(shù)據(jù)分析平臺（IDW）可簡化數(shù)據(jù)收集、處理過程，同時能夠?qū)?shù)據(jù)進(jìn)行有效的分析，用于減少鉆井時間、優(yōu)化完井設(shè)計、提高對地層的認(rèn)識等。

國內(nèi)智能鉆完井軟件研發(fā)剛剛起步，基本具備鉆完井設(shè)計、監(jiān)測優(yōu)化等功能，但由于數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一，信息共享不暢，物理模型與機(jī)器學(xué)習(xí)算法交叉融合度低等原因，在準(zhǔn)確性、全面性和現(xiàn)場適用性方面需要改進(jìn)。

2.3.4 智能鉆完井一體化平臺

斯倫貝謝新一代陸上“未來鉆機(jī)”（Drilling System of the Future），將數(shù)字技術(shù)、裝備、工具、軟件有機(jī)組合成一套鉆井系統(tǒng)，配備自動鉆桿裝卸裝置，內(nèi)置1 000多個傳感器，能夠監(jiān)測超過350項鉆機(jī)活動，不斷提高自動化、智能化水平。

國民油井的鉆機(jī)集成控制平臺（eVolve）集成地面裝備控制軟件系統(tǒng)（NOVOS）、信息鉆桿（Intelliserv）、隨鉆測量工具（BlackSteam）、分析優(yōu)化軟件（DrillShark）于一體，將井下采集的動態(tài)數(shù)據(jù)與地面數(shù)據(jù)結(jié)合分析處理，與綜合性鉆井仿真模型配合互動，借助 NOVOS控制系統(tǒng)來實現(xiàn)整個鉆井閉環(huán)控制。在Eagle Ford頁巖地層6口水平井中應(yīng)用，純鉆時間減少了 37%，但面臨應(yīng)用成本高、系統(tǒng)可靠性有待提升等問題。

2.4 油藏工程領(lǐng)域

油藏工程的核心任務(wù)是以滲流力學(xué)、油層物理為基礎(chǔ)，研究油氣藏開發(fā)過程中油、氣、水的運(yùn)移規(guī)律和驅(qū)替機(jī)理，從而采取相應(yīng)的工程措施，達(dá)到合理提高開采速度和采收率的目的。工業(yè)4.0時代，智能油藏工程成為一種必然趨勢，其核心要義就是借助計算機(jī)算法及軟件工具充分認(rèn)識儲集層和流體滲流規(guī)律，實現(xiàn)智能化動態(tài)管理和生產(chǎn)預(yù)測。

2.4.1 油藏動態(tài)分析與模擬

油藏工程涉及的面較為廣泛，本文僅針對人工智能在油藏動態(tài)分析與模擬方面的應(yīng)用進(jìn)行了簡要概述。總體而言，油藏工程主要是通過油藏數(shù)值模擬和油藏工程方法兩種方式來實現(xiàn)動態(tài)分析和模擬。目前，人工智能應(yīng)用主要集中在水驅(qū)開發(fā)實時調(diào)控、產(chǎn)量預(yù)測、飽和度預(yù)測、生產(chǎn)措施優(yōu)選、數(shù)值模擬等方面。

水驅(qū)開發(fā)實時調(diào)控方面，主要是利用最優(yōu)化、數(shù)據(jù)挖掘等技術(shù)來優(yōu)化生產(chǎn)參數(shù)。賈德利等[9]在動態(tài)觀測數(shù)據(jù)的約束下，采用傳統(tǒng)的數(shù)值模擬及優(yōu)化算法，通過自動識別分層注采流動關(guān)系來計算區(qū)塊分層注采井間的流動關(guān)系。同時，采用多層多向產(chǎn)量劈分技術(shù)計算采油井分層分方向的產(chǎn)液量與產(chǎn)油量，量化注水效果指標(biāo)。通過機(jī)器學(xué)習(xí)算法評價多井分層的注水效果、分析注水調(diào)整方向，從而提出了一套大數(shù)據(jù)驅(qū)動下的精細(xì)注水方案優(yōu)化方法。結(jié)合油田試驗，初步實現(xiàn)了以注水方案設(shè)計、智能優(yōu)化和同步調(diào)整為核心的油藏和采油工程一體化技術(shù)。賈虎等[10]以碳酸鹽巖油藏為研究對象，采用流線聚類方法，對水相驅(qū)動能力不同的流線實現(xiàn)區(qū)分，并進(jìn)一步對同一注采井間流線進(jìn)行細(xì)分，從而提出了針對流線模擬結(jié)果的流場識別方法，以實現(xiàn)基于流線聚類人工智能方法的水驅(qū)油藏流場識別，為注水優(yōu)化、井網(wǎng)層系調(diào)整、深部調(diào)剖等方案決策提供依據(jù)。

產(chǎn)量預(yù)測方面，部分學(xué)者利用循環(huán)神經(jīng)網(wǎng)絡(luò)，將油藏靜態(tài)參數(shù)、動態(tài)參數(shù)以及生產(chǎn)參數(shù)作為輸入，預(yù)測累計產(chǎn)油量/產(chǎn)液量。王洪亮等[11]以油田生產(chǎn)的歷史數(shù)據(jù)為基準(zhǔn)，同時考慮到產(chǎn)量指標(biāo)與其影響因素之間的聯(lián)系以及產(chǎn)量隨時間變化趨勢和前后關(guān)聯(lián)，利用深度學(xué)習(xí)領(lǐng)域中的長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）來構(gòu)建相應(yīng)的油田產(chǎn)量預(yù)測模型，以達(dá)到預(yù)測油田特高含水期產(chǎn)量的目標(biāo)。相較于傳統(tǒng)水驅(qū)曲線方法和FCNN（全連接神經(jīng)網(wǎng)絡(luò)）模型，該模型具有更準(zhǔn)確的預(yù)測結(jié)果。Kubota等[12]根據(jù)大量的歷史數(shù)據(jù)提取隱藏的模式和潛在的關(guān)系，采用兩種機(jī)器學(xué)習(xí)算法，即線性回歸和遞歸神經(jīng)網(wǎng)絡(luò)，不需要地質(zhì)模型或油藏數(shù)值模擬，僅通過注入歷史、生產(chǎn)歷史和生產(chǎn)井?dāng)?shù)量這3組時間序列，實現(xiàn)注水和注蒸汽的成熟陸上油田的產(chǎn)油量預(yù)測。Bao等[13]將遞歸神經(jīng)網(wǎng)絡(luò)應(yīng)用于控制參數(shù)和歷史產(chǎn)量數(shù)據(jù)，將控制參數(shù)（流量與井底壓力）與預(yù)期產(chǎn)量數(shù)據(jù)（如生產(chǎn)率和含水率）直接聯(lián)系起來，實現(xiàn)了端到端的產(chǎn)量預(yù)測工作流，更好地進(jìn)行油藏表征和生產(chǎn)預(yù)測，可用于在油藏投產(chǎn)時快速指導(dǎo)開發(fā)。

飽和度預(yù)測方面，Tariq等[14]采用差分進(jìn)化（DE）、粒子群優(yōu)化（PSO）和協(xié)方差矩陣自適應(yīng)進(jìn)化策略（CMAES）等優(yōu)化算法對功能網(wǎng)絡(luò)（Functional Network）模型進(jìn)行了優(yōu)化，以巖石物理測井資料為輸入資料，以含水飽和度為輸出參數(shù)，建立了含水飽和度預(yù)測模型。實驗表明，當(dāng)與巖心實驗值相比較時，該模型預(yù)測含水飽和度的精度為97%。Shahkarami等[15]采用神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)并驗證用于油藏模擬歷史擬合、敏感性分析和不確定性評估的智能代理模型。通過對兩個油藏案例的分析，驗證了模型在產(chǎn)量、油藏壓力和相飽和度等方面有較好的預(yù)測效果，并可以提高運(yùn)算速度。

生產(chǎn)措施優(yōu)選方面，Artun等[16]基于模糊推理系統(tǒng)，將所有相關(guān)參數(shù)轉(zhuǎn)化為具有低、中、高類別隸屬函數(shù)的模糊變量，以此構(gòu)建了基于人工智能的決策方法，用于識別致密砂巖氣儲集層中有重復(fù)壓裂潛力的候選井。Sengel等[17]為了預(yù)測目標(biāo)油藏的未來生產(chǎn)動態(tài)，探索可能提高采收率的方案，提出了一種人工智能方法，消除了在數(shù)據(jù)有限的情況下處理高度復(fù)雜、非均質(zhì)碳酸鹽巖儲集層時固有的不確定性。該方法提供了更準(zhǔn)確的儲集層描述，并簡化了動態(tài)模型的標(biāo)定，提高了歷史擬合的質(zhì)量。

數(shù)值模擬方面，部分學(xué)者嘗試?yán)靡延械臍v史數(shù)據(jù)構(gòu)建智能模型，實現(xiàn)自動歷史擬合，加快數(shù)值模擬的速度。Zhang等[18]開發(fā)了將內(nèi)部數(shù)值模擬程序包和基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)相結(jié)合的神經(jīng)模擬協(xié)議，建立了神經(jīng)模擬工作流程，以允許專家系統(tǒng)使用數(shù)值模擬模型生成的數(shù)據(jù)自動更新其知識庫。Costa等[19]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型和遺傳算法解決了油田的歷史擬合問題。在此應(yīng)用中，對人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)進(jìn)行了培訓(xùn)，以模仿高保真數(shù)值模型，從而預(yù)測油田生產(chǎn)數(shù)據(jù)。

2.4.2 一體化分析軟件

國外油藏動態(tài)分析與預(yù)測方面的一體化分析軟件包括：斯倫貝謝的Eclipse以及升級版軟件INTERSECT；蘭德馬克的油藏數(shù)值模擬軟件VIP；俄羅斯RFD公司的tNavigator等。這些軟件均利用機(jī)器學(xué)習(xí)、最優(yōu)化等人工智能技術(shù)進(jìn)行自動歷史擬合，加速模擬速度，從而提升了軟件的智能化水平。

國內(nèi)由中國石油勘探開發(fā)研究院自主研發(fā)的HiSim正在加速推進(jìn)與深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等人工智能技術(shù)的融合，進(jìn)一步提高模擬效率和智能化水平?；谟嬎銕缀巍⑿螒B(tài)學(xué)和最優(yōu)化等方法研發(fā)的IRes油藏分析軟件實現(xiàn)了分層注采水驅(qū)開發(fā)的實時監(jiān)測與智能控制。

2.5 油氣田地面工程領(lǐng)域

油氣田地面是“無圍墻油氣生產(chǎn)工廠”，構(gòu)建油氣田地面數(shù)字孿生體是智能化的關(guān)鍵環(huán)節(jié)。智能油氣田地面工程是通過三維設(shè)計和數(shù)字化交付構(gòu)建數(shù)字油氣田地面系統(tǒng)，在數(shù)字孿生體植入動態(tài)生產(chǎn)數(shù)據(jù)和智能應(yīng)用，在虛擬生產(chǎn)環(huán)境中實現(xiàn)對真實生產(chǎn)環(huán)境的感知、分析、預(yù)測、優(yōu)化和決策，從而實現(xiàn)對物理油氣田地面系統(tǒng)生產(chǎn)運(yùn)行狀態(tài)的預(yù)測分析，持續(xù)優(yōu)化生產(chǎn)運(yùn)行。

2.5.1 地面工程關(guān)鍵技術(shù)

油氣田地面工程經(jīng)歷了手動、自動化、數(shù)字化生產(chǎn)階段，目前正在與人工智能技術(shù)融合，打造具有“感知-分析-預(yù)測-優(yōu)化-決策-執(zhí)行”能力的智能油氣田。油氣田地面工程的關(guān)鍵技術(shù)包括數(shù)字化交付、油氣田數(shù)字計量、油氣管網(wǎng)流動保障和運(yùn)行優(yōu)化、站場生產(chǎn)運(yùn)行優(yōu)化等。

油氣田地面工程實現(xiàn)智能化的關(guān)鍵是以三維設(shè)計為基礎(chǔ)實現(xiàn)數(shù)字化交付，構(gòu)建油氣田地面數(shù)字孿生體。三維設(shè)計可以實現(xiàn)多專業(yè)協(xié)同設(shè)計、各參建方實時審查、各相關(guān)方共同優(yōu)化，各階段無縫銜接、管理高度統(tǒng)一協(xié)調(diào)，最大限度優(yōu)化建設(shè)方案、加快建設(shè)進(jìn)度、提高工程質(zhì)量。數(shù)字化交付為打造數(shù)字化資產(chǎn)、實現(xiàn)數(shù)字化轉(zhuǎn)型、實現(xiàn)生產(chǎn)運(yùn)行的優(yōu)化奠定了基礎(chǔ)。但目前數(shù)字化交付內(nèi)容和深度不統(tǒng)一，交付后的平臺只有工程建設(shè)數(shù)據(jù)，生產(chǎn)數(shù)據(jù)尚待加載，資產(chǎn)同生共長生態(tài)尚未形成，數(shù)據(jù)價值尚待挖掘。

在油氣田數(shù)字計量方面，將數(shù)字化、自動化技術(shù)引入計量站是匯集油井油氣、計量單井液量和提高計量工作效率的必要手段。目前主流技術(shù)主要是采用基于數(shù)字仿真與強(qiáng)化學(xué)習(xí)的技術(shù)原理進(jìn)行數(shù)字單井計量。此外，部分油田已經(jīng)實現(xiàn)利用功圖計量替代計量站的工作，整體上控制了投資并簡化了集輸管網(wǎng)。但在低產(chǎn)、高油氣比、深井、稠油等復(fù)雜情況下適應(yīng)性差、診斷符合率低、計量誤差較大。而在氣田領(lǐng)域，部分國外軟件公司已經(jīng)實現(xiàn)了單井?dāng)?shù)字計量替代實體計量，取消井口分離器和集氣站，實現(xiàn)多井串接，簡化集輸工藝流程。

在油氣管網(wǎng)方面，由于油氣集輸是油氣田開采運(yùn)輸中的一個重要步驟，而實際的油氣田產(chǎn)出介質(zhì)組成和流態(tài)復(fù)雜，存在結(jié)蠟、腐蝕沖刷、管網(wǎng)失效等風(fēng)險，流程環(huán)節(jié)較多且具有復(fù)雜性，極大地影響油氣集輸管網(wǎng)安全平穩(wěn)運(yùn)行。國外部分軟件已經(jīng)基本可以實現(xiàn)流動保障，并可以實現(xiàn)腐蝕沖蝕速率監(jiān)測、清管和停輸再啟動作業(yè)管理。國內(nèi)部分軟件可以模擬油氣集輸管網(wǎng)中的復(fù)雜流動狀態(tài)，但尚未與生產(chǎn)結(jié)合開展油氣管網(wǎng)流動保障業(yè)務(wù)，相關(guān)技術(shù)的研究與應(yīng)用有待觀察。

油氣站場是油氣生產(chǎn)的核心系統(tǒng)，實施油氣站場生產(chǎn)運(yùn)行優(yōu)化，可以保持系統(tǒng)最佳運(yùn)行狀態(tài)，降低能耗和用工、提高系統(tǒng)安全程度。目前國外部分軟件已經(jīng)可以初步實現(xiàn)站場局部單元生產(chǎn)能耗管控、運(yùn)行參數(shù)優(yōu)化、生產(chǎn)指標(biāo)控制、工況診斷等的智能運(yùn)行優(yōu)化。國內(nèi)尚沒有成熟大型站場工藝模擬軟件，主要依賴國外公司大型工藝軟件。

2.5.2 地面工程智能化裝備

國外無人機(jī)/機(jī)器人巡檢已經(jīng)進(jìn)入商業(yè)化應(yīng)用階段。機(jī)器人在井場、增壓點、集氣站、聯(lián)合站、處理廠巡檢，無人機(jī)定期在管道沿線巡線，通過圖像識別和大數(shù)據(jù)分析發(fā)現(xiàn)風(fēng)險，實現(xiàn)智能預(yù)警、報警，識別準(zhǔn)確率達(dá)到 95%，同時減少了人工成本，改善了員工工作環(huán)境和條件。而國內(nèi)探索應(yīng)用剛剛起步。

2.5.3 地面工程智能化軟件

國外已經(jīng)有商業(yè)化的大型工藝軟件開發(fā)了在線模擬版，可以構(gòu)建生產(chǎn)系統(tǒng)工藝孿生體，實施抓取生產(chǎn)動態(tài)數(shù)據(jù)進(jìn)行在線模擬，實現(xiàn)動態(tài)仿真?？筛兄a(chǎn)運(yùn)行狀態(tài)、預(yù)知預(yù)測工況狀態(tài)、發(fā)現(xiàn)異常趨勢，優(yōu)化生產(chǎn)。

斯倫貝謝公司推出的PIPESIM多相流穩(wěn)態(tài)模擬器軟件，在石油行業(yè)內(nèi)已經(jīng)得到了廣泛的應(yīng)用。從早期工程設(shè)計階段的井身結(jié)構(gòu)設(shè)計、人工舉升系統(tǒng)設(shè)計，管線、地面設(shè)備以及整體管網(wǎng)設(shè)計，到后期日常運(yùn)營管理階段的井筒優(yōu)化等，該軟件涵蓋了常規(guī)油氣藏、非常規(guī)天然氣以及稠油油藏，不僅適用于模擬海上集中管理的小型油氣田生產(chǎn)系統(tǒng)，而且適用于規(guī)模龐大的陸上油氣田集輸管網(wǎng)系統(tǒng)。還有NSI公司推出的水力壓裂三維設(shè)計軟件 StimPlan，具有壓裂設(shè)計、壓裂分析和優(yōu)化的全部功能，同時還具有酸壓設(shè)計、壓裂充填設(shè)計功能，適用于常規(guī)砂巖儲集層、非常規(guī)油氣儲集層和直井、水平井、定向井等。憑借全面的集成工具包與嚴(yán)格的幾何模型，該軟件能最大限度地提高油井性能，并通過節(jié)約支撐劑與水處理來降低油井成本和對環(huán)境的影響。此外，其他的單井壓裂設(shè)計軟件FracproPT、Terrfrac、GOHFER等，在完井設(shè)計、分析和優(yōu)化方面有著優(yōu)越的性能。

國內(nèi)中國石油勘探開發(fā)研究院開發(fā)的基于Web的大型采油工程優(yōu)化決策軟件PetroPE，在油氣藏產(chǎn)能、桿管受力及地面抽油設(shè)備運(yùn)動規(guī)律一體化分析基礎(chǔ)上，能夠?qū)崿F(xiàn)各種井型、舉升方式的油氣井生產(chǎn)優(yōu)化和診斷決策。在 3萬多井次的測試中，其工況診斷符合率達(dá)93%，大幅提升了油田生產(chǎn)效率和管理水平。

總體而言，國內(nèi)在油氣田地面工程的智能化方面與國外尚有差距，亟待繼續(xù)完善和商業(yè)化，解決瓶頸問題。

3 人工智能在石油勘探開發(fā)領(lǐng)域應(yīng)用時面臨的挑戰(zhàn)與發(fā)展方向

企業(yè)數(shù)字化轉(zhuǎn)型發(fā)展是借助物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、人工智能、區(qū)塊鏈等信息技術(shù)，前端實現(xiàn)自動采集、自動傳輸、實時感知，中端實現(xiàn)安全存儲、實時監(jiān)視、集中管控，后端實現(xiàn)智能分析、數(shù)據(jù)共享與技術(shù)支撐。前、中、后端的一體化協(xié)同、高效聯(lián)動與數(shù)據(jù)共享，快速推動了傳統(tǒng)業(yè)務(wù)流程重構(gòu)與工作方式變革。人工智能在其中發(fā)揮了中樞紐帶作用。

人工智能技術(shù)有望突破石油勘探開發(fā)面臨的瓶頸問題，實現(xiàn)管理模式由傳統(tǒng)豎向獨(dú)立管理向一體化協(xié)同運(yùn)行、扁平化管理模式轉(zhuǎn)變，重構(gòu)業(yè)務(wù)流程，實現(xiàn)提質(zhì)、降本、增效，助力企業(yè)的數(shù)字化轉(zhuǎn)型發(fā)展。人工智能技術(shù)主要從以下幾個方面對傳統(tǒng)業(yè)務(wù)流程進(jìn)行重構(gòu)：一是自動化數(shù)據(jù)采集設(shè)備，為油氣勘探開發(fā)提供實時動態(tài)數(shù)據(jù)；二是智能化分析處理軟件，提高人工解釋處理的效率，減少對專家經(jīng)驗的依賴度，優(yōu)化人力資源，節(jié)省人工成本；三是無人機(jī)、電子巡檢代替人工作業(yè)，實現(xiàn)無人值守，提高員工幸福指數(shù)；四是安全預(yù)警，實現(xiàn)事前控制，減小問題發(fā)現(xiàn)及信息傳遞的時間，降低生產(chǎn)維護(hù)成本；五是生產(chǎn)動態(tài)管理，提升應(yīng)急處置能力，減小產(chǎn)量損失。

3.1 人工智能在石油勘探開發(fā)領(lǐng)域應(yīng)用時面臨的問題與挑戰(zhàn)

數(shù)據(jù)已經(jīng)成為一種新生資源，不僅推動著社會經(jīng)濟(jì)的發(fā)展，而且促使人工智能的不斷進(jìn)步。然而，石油勘探開發(fā)領(lǐng)域的人工智能應(yīng)用往往會陷入不斷升級裝備和軟件的誤區(qū)，最終導(dǎo)致離線的機(jī)器、碎片化的軟件和割裂的數(shù)據(jù)。人工智能要達(dá)到工業(yè)級應(yīng)用需要具備足夠高質(zhì)量的數(shù)據(jù)、關(guān)系明確的應(yīng)用場景、科學(xué)恰當(dāng)?shù)乃惴Ｐ偷葪l件。開展探索性研究相對容易，但工業(yè)級別落地應(yīng)用時面臨重重困難。

客觀方面，儲集層的非均質(zhì)性導(dǎo)致石油地質(zhì)問題具有多解性、不確定性，難以獲得供機(jī)器學(xué)習(xí)的“教材”（標(biāo)簽數(shù)據(jù)），而高質(zhì)量的標(biāo)簽數(shù)據(jù)是人工智能技術(shù)實現(xiàn)工業(yè)化應(yīng)用的關(guān)鍵。地質(zhì)數(shù)據(jù)獲取成本往往較高，因而獲取的數(shù)據(jù)多為“小樣本”，數(shù)據(jù)量無法滿足深度學(xué)習(xí)的要求。由于石油勘探開發(fā)數(shù)據(jù)具有極強(qiáng)的專業(yè)性和特殊性，通用人工智能算法無法直接使用，在使用遷移學(xué)習(xí)技術(shù)提高訓(xùn)練準(zhǔn)確率的時候需要引用已有的相關(guān)預(yù)訓(xùn)練模型，由于石油勘探開發(fā)應(yīng)用場景的特殊性，無法在已有的資源庫中尋找到合適的預(yù)訓(xùn)練模型和先驗知識。這些都在一定程度上阻礙了人工智能應(yīng)用的進(jìn)度。

主觀方面，受限于管理體制、數(shù)據(jù)現(xiàn)狀等方面的影響，人工智能落地應(yīng)用面臨重重困難。目前勘探開發(fā)領(lǐng)域的人工智能研究呈現(xiàn)爆發(fā)式增長，但缺乏系統(tǒng)性梳理，在一定程度上造成了資源浪費(fèi)、重復(fù)投資?？碧介_發(fā)數(shù)據(jù)普遍呈現(xiàn)出體量大、多源異構(gòu)等大數(shù)據(jù)特點。然而“數(shù)據(jù)大”不等于“大數(shù)據(jù)”，目前石油勘探開發(fā)數(shù)據(jù)標(biāo)準(zhǔn)不一致、數(shù)據(jù)質(zhì)量參差不齊，沒有實現(xiàn)數(shù)據(jù)共享，這導(dǎo)致人工智能應(yīng)用缺乏數(shù)據(jù)基礎(chǔ)。同時，人工智能應(yīng)用場景不明確、不系統(tǒng)，其發(fā)展目標(biāo)和技術(shù)路線不清晰，“油氣+智能”的關(guān)鍵基礎(chǔ)理論和技術(shù)裝備缺乏。因此，在人工智能應(yīng)用時，如何重構(gòu)管理流程，實現(xiàn)人工智能對提質(zhì)、增效、降本的助推作用，是未來企業(yè)面臨的巨大挑戰(zhàn)。

3.2 人工智能應(yīng)用發(fā)展方向

人工智能技術(shù)必將為實現(xiàn)油氣全產(chǎn)業(yè)鏈突破提供新動能。結(jié)合石油勘探開發(fā)需求及人工智能技術(shù)研究現(xiàn)狀，未來的應(yīng)用發(fā)展方向主要包括以下3個方面。

①智能生產(chǎn)裝備。隨著深度學(xué)習(xí)、自然語言處理、語音識別、強(qiáng)化學(xué)習(xí)等技術(shù)在機(jī)器人中的不斷成功應(yīng)用，工業(yè)機(jī)器人逐漸走向成熟。越來越多的石油公司開始使用機(jī)器人代替人類進(jìn)行危險作業(yè)。目前，機(jī)器人已經(jīng)成功應(yīng)用到了管道巡檢、深水作業(yè)、高危作業(yè)等領(lǐng)域。無人機(jī)技術(shù)逐漸在石油勘探開發(fā)領(lǐng)域應(yīng)用，尤其是物探領(lǐng)域，可實現(xiàn)地質(zhì)探測、數(shù)據(jù)采集、視頻監(jiān)控、物資投放、工程救援等工作。同時，由于專業(yè)軟件的嵌入應(yīng)用，石油勘探開發(fā)生產(chǎn)裝備的智能化水平越來越高。未來，嵌入物聯(lián)網(wǎng)、機(jī)器視覺、深度學(xué)習(xí)等技術(shù)的智能生產(chǎn)裝備將大大降低生產(chǎn)成本，提高生產(chǎn)效率。

②自動處理解釋。數(shù)據(jù)挖掘和數(shù)理統(tǒng)計等分析技術(shù)在石油勘探開發(fā)領(lǐng)域的應(yīng)用較為成熟，廣泛應(yīng)用到測井曲線解釋、儲集層參數(shù)預(yù)測等領(lǐng)域。近幾年，隨著深度學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)等技術(shù)的不斷發(fā)展，其在圖像處理、分析預(yù)測等方面展現(xiàn)出較為顯著的優(yōu)勢。未來，深度學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)、強(qiáng)記憶學(xué)習(xí)等技術(shù)有望在巖石物理、地震圖像、測井曲線、數(shù)字巖心、生產(chǎn)運(yùn)行等數(shù)據(jù)的自動分析處理方面得到深度應(yīng)用。

③專業(yè)軟件平臺。人工智能技術(shù)的載體與核心是勘探開發(fā)專業(yè)軟件和信息系統(tǒng)。專業(yè)軟件是最主要的研究工具，也是專家智慧的結(jié)晶和成果，是石油公司和服務(wù)公司的核心競爭力。隨著人工智能算法在數(shù)據(jù)自動采集、智能分析處理等方面的應(yīng)用，一些專業(yè)軟件利用機(jī)器學(xué)習(xí)、機(jī)器視覺、數(shù)據(jù)挖掘等算法進(jìn)一步提高軟件的智能化分析水平，并致力于在數(shù)據(jù)共享的基礎(chǔ)上，實現(xiàn)協(xié)同研究。Petrel、Techlog、Eclipse等專業(yè)軟件通過不斷引入人工智能技術(shù)，提高了智能化分析水平，實現(xiàn)了工程一體化模擬與設(shè)計。未來，行業(yè)內(nèi)已有的知名專業(yè)軟件將進(jìn)一步加大對人工智能技術(shù)的研發(fā)，智能化水平有望進(jìn)一步提高。同時，隨著人工智能技術(shù)的不斷深化應(yīng)用，一部分新的專業(yè)軟件有望應(yīng)需而生。

3.3 人工智能應(yīng)用發(fā)展重點

人工智能應(yīng)用應(yīng)該以點帶面、逐步推廣，結(jié)合勘探開發(fā)業(yè)務(wù)的實際需求，未來人工智能技術(shù)應(yīng)用的重點發(fā)展方向包括智能盆地、智能測井、智能物探、智能鉆完井、智能壓裂、智能采油等。未來 5年的發(fā)展重點包括數(shù)字盆地、快速智能成像測井儀、智能化節(jié)點地震采集系統(tǒng)、智能旋轉(zhuǎn)導(dǎo)向鉆井、智能化壓裂技術(shù)裝備、分層注采實時監(jiān)測與控制工程技術(shù)等。

國外借助1998年“數(shù)字地球”概念的推動，已完成數(shù)字盆地建設(shè)，中國數(shù)字盆地建設(shè)還沒有統(tǒng)一的模式和標(biāo)準(zhǔn)，理論研究居多，實際應(yīng)用偏少。未來5年，利用大數(shù)據(jù)和人工智能技術(shù)，基于國內(nèi)外成熟盆地的勘探開發(fā)成果，對盆地進(jìn)行勘探開發(fā)全生命周期的分析，形成智能勘探?jīng)Q策系統(tǒng)，指導(dǎo)剩余優(yōu)質(zhì)油氣資源空間分布預(yù)測，明確勘探重點和目標(biāo)。

智能測井方面，國外Scanner三維掃描成像系列齊全并規(guī)模應(yīng)用。國內(nèi)EILog快速與成像系統(tǒng)規(guī)模應(yīng)用，全域成像和隨鉆成像系統(tǒng)形成樣機(jī)，穩(wěn)定性、可靠性、實用性等方面與國外差距較大，不能滿足工業(yè)化規(guī)模應(yīng)用需求。未來的發(fā)展重點在于研發(fā)穩(wěn)定、可靠的快速智能成像測井儀并規(guī)模應(yīng)用，產(chǎn)品指標(biāo)達(dá)到國際先進(jìn)水平。

智能物探方面，強(qiáng)帶道、低成本、寬頻帶、高效率的采集技術(shù)是實現(xiàn)高精度地球物理勘探的關(guān)鍵，當(dāng)前國內(nèi)外節(jié)點采集系統(tǒng)都是基于本地存儲的盲采式采集，均采用模擬電路檢波器，勘探頻帶受限。未來的發(fā)展重點是建設(shè)數(shù)字節(jié)點采集系統(tǒng)、震電一體化采集系統(tǒng)，打造陸上百萬道級、深海1 000 m智能化節(jié)點地震采集系統(tǒng)。

智能鉆完井方面，國外已形成不同導(dǎo)向模式、不同造斜能力、多尺寸導(dǎo)向成熟產(chǎn)品，能滿足復(fù)雜地層和惡劣工況下鉆完井作業(yè)，具備大規(guī)模作業(yè)能力，成為頁巖油氣開發(fā)的“芯片式”技術(shù)。國內(nèi)產(chǎn)品穩(wěn)定性、可靠性、實用性和使用壽命等方面，不能滿足工業(yè)化規(guī)模應(yīng)用需求。未來的發(fā)展重點是形成具有高機(jī)械鉆速、高井眼軌跡控制精度、高工作可靠性等優(yōu)勢的智能高造斜率旋轉(zhuǎn)導(dǎo)向隨鉆測控技術(shù)與裝備。

智能壓裂方面，目前國內(nèi)智能電驅(qū)壓裂裝備與國外存在差距，國外2500型壓裂泵車單車最大排量4.9 m3/min，而國內(nèi)為2.8 m3/min，不能滿足非常規(guī)油氣開采高壓力、大排量、高砂比、連續(xù)作業(yè)的高強(qiáng)度壓裂作業(yè)需求和中國山地、黃土塬地貌作業(yè)需求。未來的發(fā)展重點是形成大功率電驅(qū)成套壓裂裝備、智能全生命周期管理系統(tǒng)、智慧壓裂作業(yè)系統(tǒng)，實現(xiàn)“小體積、大功率和智能化”壓裂作業(yè)。

智能采油方面，國內(nèi)油田水驅(qū)開發(fā)為主，技術(shù)國際領(lǐng)先，由于陸相沉積油藏層系多、非均質(zhì)性強(qiáng)，導(dǎo)致高含水開發(fā)階段采收率整體偏低，實施精細(xì)化、智能化分層注采開發(fā)是提升采收率的重要途徑。未來的發(fā)展重點是形成智能化分層注采實時監(jiān)測與控制工藝技術(shù)系列，以及油藏-工程一體化智能優(yōu)化生產(chǎn)系統(tǒng)。

3.4 人工智能應(yīng)用發(fā)展建議

人工智能應(yīng)用應(yīng)采取近期發(fā)展戰(zhàn)略和遠(yuǎn)期發(fā)展戰(zhàn)略相結(jié)合、點和面相結(jié)合的原則，在頂層設(shè)計、數(shù)據(jù)管理、研發(fā)布局、人才培養(yǎng)、價值提升等方面統(tǒng)籌考慮，實現(xiàn)創(chuàng)新協(xié)同發(fā)展。近期發(fā)展戰(zhàn)略是強(qiáng)化認(rèn)識，跟跑學(xué)習(xí)，特別是要提升各級管理層的認(rèn)識與知識水平。以業(yè)務(wù)應(yīng)用為主、跟進(jìn)基礎(chǔ)研究，以點帶面，逐步推廣，配套制度建設(shè)，構(gòu)建科學(xué)完善的人工智能應(yīng)用體系。具體包括以下幾個方面。

①強(qiáng)化頂層設(shè)計。一是行業(yè)層面，院士、管理者、資深專家可聯(lián)合倡議，使各大油企能夠統(tǒng)一認(rèn)識，有效協(xié)同，充分發(fā)揮社會主義市場經(jīng)濟(jì)條件下的新型舉國體制優(yōu)勢；二是在企業(yè)層面，應(yīng)堅持業(yè)務(wù)導(dǎo)向、問題導(dǎo)向、目標(biāo)導(dǎo)向，一體化設(shè)計、一體化組織、一體化推進(jìn)，打通數(shù)據(jù)流，重構(gòu)業(yè)務(wù)流，實現(xiàn)企業(yè)管理模式的創(chuàng)新、變革、轉(zhuǎn)型；三是在專業(yè)層面，應(yīng)“軟”、“硬”兼施，以建推用、以用促建，以用為先，迭代推進(jìn)。

②加強(qiáng)數(shù)據(jù)治理?！皵?shù)據(jù)大”不等于“大數(shù)據(jù)”，標(biāo)準(zhǔn)規(guī)范的數(shù)據(jù)和訓(xùn)練樣本庫是人工智能應(yīng)用的基礎(chǔ)，人工智能應(yīng)用應(yīng)當(dāng)將數(shù)據(jù)治理放到首位，統(tǒng)一數(shù)據(jù)標(biāo)注、推進(jìn)數(shù)據(jù)互通，加強(qiáng)數(shù)據(jù)治理，進(jìn)一步建立數(shù)據(jù)信任機(jī)制和管理模式，提升數(shù)據(jù)共享的規(guī)范性與合規(guī)性。

③重視人才培養(yǎng)。人工智能算法工程師與油田工程師之間往往存在“聽不懂、說不清、合不來”現(xiàn)象，在數(shù)字化向智能化轉(zhuǎn)化的進(jìn)程中，導(dǎo)致不同程度存在“建得多、用得少”的問題。同時，由于石油勘探開發(fā)和人工智能這兩個領(lǐng)域所涵蓋的學(xué)科太廣，復(fù)合型人才培養(yǎng)難度大、周期長。因此，應(yīng)當(dāng)加強(qiáng)校企合作、石油企業(yè)與IT企業(yè)的深度合作來培養(yǎng)復(fù)合型人才。

④推進(jìn)合作共享。應(yīng)探索建立“跨行業(yè)、跨企業(yè)、跨專業(yè)”的創(chuàng)新聯(lián)合體，推進(jìn)油企與IT企業(yè)之間、傳統(tǒng)油企之間、不同專業(yè)之間的跨界融合，實現(xiàn)邊界突破，構(gòu)筑完善的石油工業(yè)智能技術(shù)研發(fā)體系。

⑤實現(xiàn)算法自主。經(jīng)過了信息化建設(shè)階段，油氣行業(yè)已經(jīng)形成且每時每刻還在形成的海量數(shù)據(jù)已經(jīng)基本可控，網(wǎng)絡(luò)和節(jié)點支撐了一定的算力，應(yīng)加強(qiáng)對核心算法的研究攻關(guān)，形成具有自主知識產(chǎn)權(quán)的算法體系，為石油工業(yè)智能化發(fā)展提供基礎(chǔ)支撐。

4 結(jié)語

人工智能在石油勘探開發(fā)領(lǐng)域的應(yīng)用剛剛起步，尚未形成顛覆性成果，卻又顯現(xiàn)出巨大的潛力，已有的研究成果歸納為三個方面：一是智能裝備初步應(yīng)用，無人機(jī)、機(jī)器人等代替人類進(jìn)行巡檢操作，初步應(yīng)用到管道巡檢、無人值守平臺等場景中；二是大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)應(yīng)用到了勘探開發(fā)數(shù)據(jù)的分析處理上，但現(xiàn)階段大多是“點”上的應(yīng)用，尚未形成“面”上的推廣；三是大多數(shù)企業(yè)意識到了數(shù)據(jù)共享的重要性，開始研發(fā)一體化分析平臺、集成軟件等。

人工智能在石油勘探開發(fā)領(lǐng)域已開展的應(yīng)用探索主要集中在測井處理解釋（如巖性識別、曲線重構(gòu)等）、地震處理解釋（如初至波拾取、斷層識別等）、水驅(qū)開發(fā)實時調(diào)控、產(chǎn)量預(yù)測等方面，智能算法的應(yīng)用提升了一體化分析軟件的智能化水平，智能芯片的嵌入實現(xiàn)了智能裝備。由于人工智能算法需要建立在大數(shù)據(jù)基礎(chǔ)上，對算法的輸入和輸出之間的映射關(guān)系要求明確、清晰，而油氣儲集層地下條件復(fù)雜多變，石油勘探開發(fā)面臨多解性、小樣本等問題，人工智能的應(yīng)用推廣難度大，因而人工智能在石油勘探開發(fā)中的落地應(yīng)用不宜全面鋪開，應(yīng)以點帶面，逐漸推動。未來石油勘探開發(fā)領(lǐng)域人工智能的發(fā)展重點包括數(shù)字盆地、快速智能成像測井儀、分層注采實時監(jiān)測與控制工程等技術(shù)。