摘 要：第三次能源轉型的長期性決定了油氣資源的重要性。油氣領域現有的技術體系難以支撐其高質量發(fā)展，亟須發(fā)展顛覆性、原創(chuàng)性技術推動產業(yè)革新。目前，“AI+油氣”已成為油氣領域的破局點。包括U－Net網絡、循環(huán)神經網絡以及隨機森林在內的眾多AI技術有利于油氣資源的勘探開發(fā)。機器學習、監(jiān)督學習等技術有助于搭建智能監(jiān)測與管理平臺，從而提高油氣管道、地下儲氣庫等基礎設施的運行效率。新一輪信息技術必將帶動新一輪油氣產業(yè)革命，但現階段存在諸多挑戰(zhàn)。根據人工智能在油氣領域的應用現狀及面臨的挑戰(zhàn)，提出相關建議，以期促進我國人工智能與油氣產業(yè)的融合發(fā)展。

關鍵詞：第三次能源轉型；產業(yè)革新；循環(huán)神經網絡；隨機森林；機器學習；融合發(fā)展

中圖分類號：TP18;TE1;TE3

文獻標識碼：A

DOIdoi：10.3969/j.issn.1672-2272.202406003

Review on the Application of Artificial Intelligence in Oil and Gas Field

Chen Junhua1，2，Zeng Qiuhong1

（1.School of Economics and Management， Southwest Petroleum University；2.Sichuan Oil and Natural Gas Development Research Center， Chengdu 610500， China）

Abstract： The secular characteristic of the third energy transition determines the importance of oil and gas resources. The existing technical system in the oil and gas field is difficult to support its high-quality development， and it is urgent to develop subversive and original technologies to promote industrial innovation. At presently， “AI+ oil and gas” has become the breakthrough point in the oil and gas field. Many AI technologies， including U-NET network， circular neural network and random forest， are beneficial to the exploration and development of oil and gas resources. Machine learning， supervised learning and other technologies help to build an intelligent monitoring and management platform， thus improving the operating efficiency of infrastructure such as oil-gas pipeline and underground gas storage. A new round of information technology is bound to drive a new round of oil and gas industry revolution， but there are many challenges at this stage. According to the application status and challenges of artificial intelligence in oil and gas field， this paper puts forward some suggestions in order to promote the integration and development of artificial intelligence and oil and gas industry in China.

Key Words：The Third Energy Transition; Industrial Innovation; Circulating Neural Network; Random Forest; Machine Learning; Fusion Development

0 引言

世界能源已完成由柴薪向煤炭、煤炭向油氣的兩次轉型，當前正經歷從油氣向可再生能源的第三次轉型[1]。這三次能源轉型都是人類社會進步到一定階段的必然產物，但區(qū)別于前兩者，第三次轉型更多地折射出了人類行為者的主觀性，即在資源與環(huán)境的雙重約束下，對如何實現可持續(xù)發(fā)展的擔憂[2]。能源資源的現狀、經濟發(fā)展模式以及外部環(huán)境的不確定等一系列因素決定了第三次能源轉型現處于并將長期處于初始階段——以化石能源為主，以可再生能源為輔的能源產消模式。因此，我國提出了“碳達峰碳中和”目標（以下簡稱“雙碳”）?！半p碳”戰(zhàn)略持續(xù)且深入地實施必將加速我國能源系統(tǒng)低碳轉型，天然氣作為一種過渡能源，其在能源系統(tǒng)低碳轉型中具有重要的戰(zhàn)略意義。據國際能源署統(tǒng)計，中國天然氣消費總量占其能源消費總量的比例為9.52%，這低于世界平均水平的16.96%[3]。另外，隨著工業(yè)化與城鎮(zhèn)化水平的不斷提高，石油的消費量也日益上升。石油和天然氣在我國的消費有一個共同點，即自給率較低，對外依存度較高。這不僅不利于能源轉型，也嚴重威脅著我國的能源安全?，F階段，我國首要目標就是保證油氣能源供給的穩(wěn)定性[4]，逐步降低油氣資源對外的依賴程度。目前，限制我國油氣產業(yè)長遠發(fā)展的主要問題有資源自給率不足、管輸能力較弱、天然氣儲氣調峰能力未達標、安全事故頻發(fā)等。誘發(fā)這些問題的根本原因在于現有的技術體系不足以支撐油氣產業(yè)的有序發(fā)展，因此我國油氣產業(yè)亟須進行技術革新。一方面技術創(chuàng)新能夠提高油氣資源的利用效率；另一方面則能夠擴大油氣資源在能源結構中的比例[5]，從而推進能源轉型的進程。面對能源轉型大趨勢、油氣開發(fā)新領域，中國需要加快構建新一代油氣開發(fā)工程技術體系[6]，創(chuàng)新發(fā)展顛覆性、原創(chuàng)性技術體系是未來發(fā)展的主要趨勢。在內部資源劣質化日益嚴重、國際環(huán)境動蕩不定以及“雙碳”戰(zhàn)略的約束下，油氣產業(yè)僅僅依靠內部創(chuàng)新是遠遠不夠的，需要內外發(fā)力，進行徹底的產業(yè)革新。隨著大數據、云計算等數字技術發(fā)展，人工智能已成為油氣行業(yè)提質增效的關鍵手段。人工智能貫穿油氣產業(yè)的勘探開發(fā)、存儲運輸以及消費利用等環(huán)節(jié)，在降本增效、增儲上產、量化決策以及監(jiān)測管理等方面具有重要作用。本文在人工智能與能源領域融合發(fā)展現狀的基礎上，進一步分析其在油氣領域的應用現狀，從而指出人工智能在油氣領域面臨的主要問題，并根據現狀及問題提出建議。

1 人工智能在能源領域的應用現狀研究

利用 CiteSpace 6.3.R1軟件，對人工智能在能源領域的研究成果進行文獻計量可視化分析。該方法通過分析該領域大量的相關文獻，繪制出直觀的關系圖譜，從而能夠準確把握領域研究熱點和未來發(fā)展趨勢。使用的數據來源于Web of Science數據庫，檢索條件是將主題詞設為“Artificial intelligence”與“Energy”，時間設置為2014-2023年，結果共檢索獲得 6 005篇文獻，經剔除無效記錄，共有5 950條記錄，將這些文獻作為分析樣本。

由圖1可以看出，發(fā)文量可以分為兩個階段。第一個階段為2014-2017年，這期間發(fā)文量小幅度增長，年均增幅為18.25%。第二階段為2018-2023年，發(fā)文量在這期間開始驟增，年均增幅達到109.57%。從國家和地區(qū)來看，中國發(fā)文量為2 198篇，位居第一且占比達到37%；美國以909篇緊隨其后；其次則是印度，發(fā)文量為560篇。

從關鍵詞共現分析的結果可知，“人工智能”的頻次最高，為2 076，其中心性為0.18，說明該詞對相關研究有較高的關聯(lián)性。另外，人工智能技術在油氣領域的應用主要有“機器學習”“（人工）神經網絡”“深度學習”以及“物聯(lián)網”，并且相關技術主要應用于能源消費、能源效率以及能源管理等方面，如圖2所示。人工智能在能源消費方面的應用主要聚焦于能源消費量的預測、企業(yè)能源消耗的戰(zhàn)略管理以及居民能源消費預測等。Zhang等[7]基于人工智能和分數導數灰色伯努利模型來預測清潔能源的生產和消費。Maryam 等[8]利用最小二乘支持向量機等人工智能的方法對工業(yè)工廠進行了能耗戰(zhàn)略管理。另外，Ullah等[9]和Chou等[10]分別利用卷積神經網絡和機器學習對居民電力消耗以及建筑能耗進行了預測。能源效率方面則主要探討人工智能是否有利于能源效率的提高以及如何提高能源效率。其中，有學者以中國制造業(yè)為例，研究人工智能對制造業(yè)企業(yè)能源效率的影響，并指出人工智能主要通過促進技術進步來促進能源效率的提高[11]。

根據時間線分析結果可知，樣本文獻主要有16個聚類，分別有#0深度學習、#1計算機體系結構、#2學習、#3需求反應、#4云計算以及#5能源消費等。縱向來看，2014年和2020年前后研究比較密集，相關度也較強。橫向來看，除#1計算機體系結構、#4云計算、#14物聯(lián)網以及#15資源管理外，其余聚類主題研究的持續(xù)時間較長。另外，在#6人工神經網絡中，包含“故障診斷”“特征提取”“支持向量機”等關鍵詞?！疤卣鬟x擇”“決策”以及“基因算法”等是#7能源效率聚類的熱點研究方向，如圖3所示。

2 人工智能在油氣領域的應用現狀研究

人工智能可與油氣領域各個層面融合發(fā)展，有利于提高全產業(yè)鏈的效率與協(xié)調性。對于油氣勘探開發(fā)而言，人工智能不僅能提高地震探勘和儲層識別的精準度，有利于鉆井鉆速預測與智能導向，還能通過智能壓裂設計實現增產改造。風險監(jiān)測、優(yōu)化調度、故障分析以及智能決策是人工智能賦予油氣儲運的新優(yōu)勢，可顯著提高油氣資源儲運的效率。在消費端，人工智能有利于企業(yè)風險的管控與智能平臺的建設。

2.1 油氣勘探開發(fā)層面

在全球地緣政治風險加劇背景下，提高油氣自給率是推進全球能源轉型進程和保證自身能源安全的前提條件。目前，人工智能在油氣勘探開發(fā)層面已取得了較好的發(fā)展，并且在很大程度上給油氣的勘探開發(fā)賦能增效。在勘探開發(fā)層面，人工智能主要有3個主要發(fā)展方向，分別是智能勘探、高效開發(fā)以及增產改造，如表1所示。

在智能勘探層面，已有研究主要聚焦于地震預測、儲層識別以及滲透率與孔隙度的分析。地震預測方面常用的方法有U-Net網絡、蟻群算法、匹配追蹤算法、廣義回歸神經網絡以及遞歸神經網絡等[12-20]。相關方法引入不僅能夠提高地震預測的精準度，還可以顯著提升地震數據時頻分析的頻率采樣率，有利于工作的持續(xù)進行。另外，傳統(tǒng)方法或工藝在儲層識別方面面臨著一些問題，例如識別效果不佳與碳氫化合物特征不顯著等。人工智能技術的運用，可在一定程度上緩解并有望解決這些問題。循環(huán)神經網絡、機器學習、無監(jiān)督學習以及梯度推進決策樹等方法被用于儲層識別，能提高巖性識別的準確率以及有效預測油氣藏的分布和特征[21-28]。儲層得到有效識別后，需要對滲透率和孔隙度這兩個關鍵指標進行分析，常用的人工智能方法有混合神經模糊模型、隨機森林回歸算法以及深度神經網絡等[29-34]。中國油氣資源探明率較低，尤其是天然氣資源，探明率低于世界平均水平，而人工智能在油氣勘探層面的普及則有利于油氣資源探明儲量的增加，并為發(fā)現新油氣田（群）注入可能。

鉆完井作為油氣開采過程中最重要的環(huán)節(jié)，其效率與安全一直是該領域持續(xù)關注的重點。能源轉型背景下迫切需要保證鉆完井作業(yè)的高效、安全和環(huán)保，以此來保障油氣資源供給的持續(xù)性。盡管相關技術和設備日趨成熟，但卡鉆、井漏以及鉆頭故障時有發(fā)生，阻礙了鉆完井工藝發(fā)展。目前，人工智能在鉆完井作業(yè)中的發(fā)展方向主要有以下3個方面：鉆速預測、智能監(jiān)測以及風險管理。鉆速作為鉆井的重要參數之一，在很大程度上決定了油氣資源開采效率，也成為理論和實踐創(chuàng)新的首要對象[35-40]。楊順輝等[35]利用遷移學習和集成算法預測油田的機械鉆速，并從數據的結果來說，該機械鉆速預測方法是有效的。Moraveji等[36]利用響應面法、蝙蝠算法研究了6個變量對機械鉆速的不同影響，并指出該方法為估計機械鉆速和確定最佳鉆井條件提供了有效的工具。另外，李琪等[40]通過與其他方法對比得出天牛須算法與BP神經網絡結合能夠更好地預測機械鉆速，并能為鉆進過程中提高機械鉆速提供科學的參考。此外，機器學習、支持向量回歸機等方法在鉆速預測方面也有較好的表現。除了鉆速預測外，鉆完井作業(yè)中的智能監(jiān)測也是人工智能的主要研究方向[41-43]。Khaled等[41]從鉆井液的角度出發(fā)，將人工神經網絡技術與自適應差分進化算法相結合預測鉆井液流變特性。不同于前者，Lashari等[43]借助反向傳播與前饋神經網絡模型對鉆井性能進行監(jiān)控和優(yōu)化。通過智能監(jiān)測識別的風險，也可以借助人工智能的方法進行管理和預防，具體的方法有粒子群算法、支持向量回歸機等[44-46]，如表2所示。

增產改造技術是油氣資源開采的關鍵技術，但限于我國油氣資源埋藏普遍在深層及超深層且非勻質性強、地質條件差異較大等復雜條件，增產改造技術在現階段仍然面臨著諸多技術障礙?，F有增產改造技術體系包括了壓裂、注水、酸化酸壓以及注CO2等技術，但酸化酸壓和注CO2等技術會對儲層造成不同程度的破壞，因此限制了增產改造技術發(fā)展。目前，增產改造技術體系創(chuàng)新發(fā)展的方向之一就是與人工智能技術耦合發(fā)展，并且已在提高油氣資源的采收率方面取得了重大進展。Ahmadi等[47]利用支持向量機來描述油藏中化學驅油的效率，該方法在各項數據上具有較好的穩(wěn)健性與完整性，因此可用于監(jiān)測油藏中化學驅油效率。也有學者為了預測非均質油藏中五點模式水驅在見水時和見水后的動態(tài)，提出了新的人工神經網絡模型，該模型可用于估算水驅可動油采收率[48]。在選擇壓裂段時，楊志浩等[49]結合BP神經網絡，對多種因素影響下的底水油藏水平壓裂井段進行選擇，該方法在實際應用中能起一定的指導作用。

2.2 油氣存儲運輸層面

盡管國內外對油氣管道智能發(fā)展研究各有側重，但均集中于智慧管網的建設、故障監(jiān)測、管道腐蝕預測以及提高管道彈性和韌性等方面。智慧管道建設方面，管道數字孿生體是近年來的研究熱點。熊明等[50]和陳斯迅等[51]分別利用數據挖掘和人工智能等技術構建了管道數字孿生體，并分別闡述了其運行原理。兩者建立的模型雖有不同，但都可在一定程度上促進油氣管網的智能發(fā)展。隨著油氣資源在全球戰(zhàn)略地位的日益提升，油氣管網的本質安全也成為該領域的重點。識別油氣管道中的各種缺陷是一個相當繁瑣與耗時的過程，人工智能有利于提高管道故障檢測的效率。Akram 等[52]基于支持向量機，實時預測管道缺陷和狀態(tài)偏誤，該方法同樣可以獲得較高的數據精度，并且可以減少計算時間，以提高管理效率。管道腐蝕預測也是保障油氣管網本質安全的手段之一。Amine等[53]應用人工神經網絡、M5樹以及多元自適應回歸樣條等不同方法來預測油氣管道中最大點蝕深度的主要影響因素。

油氣資源較高的對外依存度對其存儲提出了更高要求，存儲是否達標直接關系到油氣資源供應的持續(xù)性與安全性。盡管國內外相關技術體系趨于系統(tǒng)化和成熟化，但卻不足以支撐其高效、安全及智能化發(fā)展。對于人工智能背景下儲油罐的研究也僅有儲油罐智能清洗[54]、智能檢測[55]等方面。與此相反，人工智能在地下儲氣庫方面已取得了較好的發(fā)展，主要原因在于天然氣市場的較高需求加速了地下儲氣庫建設。數字化、智能化是儲氣庫未來發(fā)展的主要趨勢之一。人工智能可貫穿于地下儲氣庫的整套技術體系，包括智能建庫工藝、智能氣藏工藝、智能注采運行工藝以及智能風險監(jiān)測，如圖4所示。國內外對地下儲氣庫智能化轉型的研究均處于早期階段，我國甚至處于起步階段?，F有研究僅集中于儲氣庫產能預測與風險監(jiān)測等方面。Ali Aliyuda等[56-57]先后利用機器學習和監(jiān)督學習對地下儲氣庫的產能進行預測，結果表明兩種方法都可在不同情形下表現出較好的精度。人工智能在風險監(jiān)測層面的運用較少，且尚不成熟。地下儲氣庫事故的誘因較多，例如圈閉密封性、井筒完整性等[58]。微地震監(jiān)測技術[59]以及“三位一體”實時監(jiān)測預警技術[60]可保證儲氣庫安全有效的運行，尤其是人工智能技術的成熟，可進一步提高事故分析效率。不足的是相關技術還未成熟，仍處于空白期。

2.3 油氣利用層面

在油氣資源利用層面，人工智能研究的主流方向為智能監(jiān)測、交易以及管理平臺建設。油氣資源交易中心利用人工智能建立智慧交易平臺，轉變傳統(tǒng)的交易模式、運營體系、組織結構以及生產關系，實現油氣資源公平交易以及價格的公開透明。企業(yè)則利用人工智能建立生產監(jiān)測系統(tǒng)以及管理平臺，有利于資源和人員的高效管理[61]。同時，智慧燃氣利用人工智能分析大量的運營數據，輔助企業(yè)進行高效管理[62]。另外，天然氣發(fā)電是繼燃煤發(fā)電等傳統(tǒng)發(fā)電方式之后的一項重要變革，具有廣闊的應用空間，并且已在多個領域得到實踐，隨之產生的氣-電綜合能源系統(tǒng)也已成為近年來的研究熱點。人工智能技術在綜合能源系統(tǒng)層面的運用，有助于擴大該系統(tǒng)的邊界。為了保障氣-電綜合能源系統(tǒng)平穩(wěn)、高效的運行，已有學者利用人工智能對該系統(tǒng)進行了優(yōu)化和可靠性分析。為了解決多主體綜合能源微網群集中式優(yōu)化時面臨的問題，薛溟楓等[63]基于聯(lián)邦學習，提出了一種多主體綜合能源微網群協(xié)調優(yōu)化運行方法。當綜合能源系統(tǒng)出現故障時，負荷恢復效果往往不理想。魏樂等[64]則使用最小生成樹與改進粒子群算法對系統(tǒng)故障進行系統(tǒng)網絡重構和函數求解，結果顯示該方法負荷恢復效果較好。在優(yōu)化調度方面，董健等65]將含有多重不確定性的綜合能源系統(tǒng)經濟調度問題描述為馬爾科夫決策過程，并采用異步優(yōu)勢演員-評判家方法進行求解，仿真結果顯示，該方法具有顯著的降耗效果。近年來，燃氣事故時有發(fā)生，嚴重威脅大眾的生命財產安全，利用人工智能建立的預警系統(tǒng)可有望解決這一問題。

3 "人工智能在油氣領域面臨的挑戰(zhàn)

人工智能在油氣領域的適用性與普及性較低，尤其在油氣資源勘探開發(fā)層面，地質條件復雜、儲層差異較大，難以形成通用的人工智能技術體系，即人工智能技術會由于不同種類的油氣資源表現出異質性，而相同種類的油氣資源會根據不同的地質條件和資源集中程度表現出異質性，從而阻礙人工智能與油氣領域的融合發(fā)展。

油氣領域的人工智能技術難以形成標準，目前處于探索性的理論和實踐創(chuàng)新，難以達到工業(yè)級的落地應用。人類社會發(fā)展至今，各產業(yè)技術不再是單一存在與發(fā)展，人工智能背景下的油氣產業(yè)創(chuàng)新發(fā)展需要多產業(yè)的有力支撐。因此，產業(yè)協(xié)調性也是限制油氣領域的智能發(fā)展因素之一。

復合型人才的缺乏是限制人工智能與油氣領域融合發(fā)展根本原因。油氣領域各環(huán)節(jié)的專業(yè)性較強，由于人工智能方面的專家或程序員難以具備油氣專業(yè)背景，從而導致運用相關技術時難以達到預期的效果。另外，油氣領域的專家也難以掌握人工智能的專業(yè)知識，導致無法展開有效的工作。因此，需要培養(yǎng)既掌握人工智能技術，又掌握油氣領域技術的復合型人才。

4 "結論與建議

4.1 研究結論

油氣領域現已進入高質量發(fā)展的技術瓶頸期，在未來一段時間，“穩(wěn)油增氣”背景下的油產業(yè)需要發(fā)展原創(chuàng)性等技術，人工智能具有巨大的潛力。人工智能與油氣領域的深度融合將賦予油氣產業(yè)新動能，實現本質上的降本增效、增儲上產。

4. 2 政策建議

為促進我國人工智能與油氣產業(yè)的融合發(fā)展，基于人工智能在油氣領域的發(fā)展現狀以及面臨挑戰(zhàn)，提出以下建議。

人工智能的源頭是數據以及算法，建立油氣資源數據庫是前提。盡管油氣領域的數據庫具有通用性差的特點，但可以根據數據建立小樣本，以供人工智能訓練。另外，算法的改進、芯片的研發(fā)有利于油氣產業(yè)建設智慧油田、智能管網以及智能儲氣庫，創(chuàng)新發(fā)展人工智能也是有效的手段之一。

以國家實驗室為核心骨干的國家戰(zhàn)略科技力量對于實現高水平科技自立自強、建設科技強國的推動作用最為關鍵。依托國家實驗室與油氣生產基地發(fā)展前沿性技術，以科技創(chuàng)新發(fā)展新質生產力，打破產業(yè)壁障，為人工智能與油氣產業(yè)的深度融合提供支持。

科學技術迅猛發(fā)展使多學科交叉融合、綜合化的趨勢日益增強，但對于人工智能背景下的油氣領域而言，學科交叉融合度還有待提升。加強交叉學科的建設，促進計算機科學與油氣領域融合發(fā)展。復合型人才的培養(yǎng)是突破產業(yè)壁障的根本途徑，建立社會-企業(yè)-高校三位一體的培養(yǎng)平臺，推動構筑“AI+油氣”的縱深。

加強頂層設計，在客觀規(guī)律的基礎上，發(fā)揮政策機制的引領作用，促進人工智能與油氣產業(yè)有序發(fā)展，以新一代信息技術引領新一代油氣產業(yè)技術，加快能源科技創(chuàng)新步伐。運用系統(tǒng)論的方法，從全局的角度，對油氣領域和人工智能的各方面、各層次、各要素進行統(tǒng)籌規(guī)劃，以集中有效資源，高效快捷地實現目標。

參考文獻：

[1] 侯梅芳. 碳中和目標下中國能源轉型和能源安全的現狀、挑戰(zhàn)與對策[J]. 西南石油大學學報（自然科學版）， 2023， 45（2）： 1-10.

[2] 范英，衣博文. 能源轉型的規(guī)律、驅動機制與中國路徑[J]. 管理世界， 2021， 37 （8）： 95-105.

[3] IEA. Energy Statistics Data Browser [EB/OL]. （2023-12-21）[2024-05-09]. https：//www.iea.org/data-and-statistics/data-tools/energy-statistics-data-browser.

[4] 王永中. 全球能源格局發(fā)展趨勢與中國能源安全[J]. 人民論壇·學術前沿， 2022 （13）： 14-23.

[5] 溫馨，陳佳靜. 技術創(chuàng)新與能源轉型：一個文獻綜述 [J]. 科技創(chuàng)業(yè)月刊， 2022， 35 （12）： 142-148.

[6] 李陽，趙清民，薛兆杰. 新一代油氣開發(fā)技術體系構建與創(chuàng)新實踐[J]. 中國石油大學學報（自然科學版）， 2023， 47 （5）： 45-54.

[7] ZHANG Y， MAO S， KANG Y. A clean energy forecasting model based on artificial intelligence and fractional derivative grey Bernoulli models [J]. Grey Systems： Theory and Application， 2020， 11 （4）： 571-595.

[8] MARYAM S E， SAEED H， DAVOOD T， et al. Strategic management of energy consumption and reduction of specific energy consumption using modern methods of artificial intelligence in an industrial plant [J]. Energy， 2024， 286：1-7.

[9] ULLAH F U M， ULLAH A， HAQ I U， et al. Short-term prediction of residential power energy consumption via CNN and multi-layer Bi-directional LSTM networks [J]. IEEE Access， 2020， 8：123369-123380.

[10] CHOU J S， TRAN D S. Forecasting energy consumption time series using machine learning techniques based on usage patterns of residential householders [J]. Energy， 2018， 165：709-726.

[11] JUN L， YU Q， YUANJUN Y， et al. Can artificial intelligence improve the energy efficiency of manufacturing companies evidence from China [J]. International Journal of Environmental Research and Public Health， 2022， 19 （4）： 2091-2091.

[12] 李學貴， 周英杰， 董宏麗， 等. 基于雙注意力U-Net網絡的提高地震分辨率方法[J]. 石油地球物理勘探， 2023， 58 （3）： 507-517.

[13] 劉財， 劉海燕， 彭沖， 等. 基于加權一致性的蟻群算法在斷層檢測中的應用[J]. 地球物理學報， 2016， 59 （10）： 3859-3868.

[14] 劉漢卿， 羅明， 孫輝， 等. 應用匹配追蹤算法的高分辨率處理方法[J]. 石油地球物理勘探， 2022， 57 （6）： 1325-1331，1257.

[15] 王姣，李紅梅，李振春，等.基于GRNN振幅譜估計的井控提高地震分辨率技術[J]. 石油學報， 2015，36 （6）： 715-723.

[16] MAO B， HAN L， FENG Q， et al. Subsurface velocity inversion from deep learning-based data assimilation [J]. Journal of Applied Geophysics，2019，167：172-179.

[17] SUN J， NIU Z， INNANEN A K， et al.A theory-guided deep-learning formulation and optimization of seismic waveform inversion [J]. Geophysics， 2020， 85 （2）： 87-99.

[18] WANG J， CAO J， YUAN S. Shear wave velocity prediction based on adaptive particle swarm optimization optimized recurrent neural network [J]. Journal of Petroleum Science and Engineering， 2020， 194（5）：1-16.

[19] CUNHA A， POCHET A， LOPES H， et al. Seismic fault detection in real data using transfer learning from a convolutional neural network pre-trained with synthetic seismic data [J]. Computers and Geosciences， 2019，135 （C）：104344-104344.

[20] HUANG L， DONG X， CLEE E T. A scalable deep learning platform for identifying geologic features from seismic attributes [J]. The Leading Edge， 2017， 36 （3）：249-256.

[21] 張東曉， 陳云天， 孟晉. 基于循環(huán)神經網絡的測井曲線生成方法[J]. 石油勘探與開發(fā)， 2018， 45 （4）： 598-607.

[22] 邵蓉波， 史燕青， 周軍， 等. 地球物理測井反問題機器學習數據集的構建方法研究[J]. 地球物理學報， 2023， 66 （7）： 3086-3101.

[23] KAI Z， NIANTIAN L， CHAO F， et al. Reservoir characterisation method with multi-component seismic data by unsupervised learning and colour feature blending [J]. Exploration Geophysics， 2019， 50 （3）： 269-280.

[24] 韓啟迪， 張小桐， 申維. 基于梯度提升決策樹（GBDT）算法的巖性識別技術[J]. 礦物巖石地球化學通報， 2018， 37 （6）： 1173-1180.

[25] JING-JING L， JIAN-CHAO L. An intelligent approach for reservoir quality evaluation in tight sandstone reservoir using gradient boosting decision tree algorithm ：A case study of the Yanchang Formation， mid-eastern Ordos Basin， China [J]. Marine and Petroleum Geology， 2021， 126：1-15.

[26] 林年添， 張棟， 張凱， 等. 地震油氣儲層的小樣本卷積神經網絡學習與預測[J]. 地球物理學報， 2018， 61 （10）： 4110-4125.

[27] FU C， LIN N， ZHANG D， et al.Prediction of reservoirs using multi-component seismic data and the deep learning method [J]. Chinese Journal of Geophysics， 2018， 61（1）： 293-303.

[28] YANG J， LIN N， ZHANG K， et al.A parametric study of MPSO-ANN techniques in gas-bearing distribution prediction using multicomponent seismic data [J]. Remote Sensing， 2023， 15 （16）：1-23.

[29] EROFEEV A， ORLOV D， RYZHOV A， et al. Prediction of porosity and permeability alteration based on machine learning algorithms [J]. Transport in Porous Media， 2019， 128 （2）： 677-700.

[30] AFA T， BAOUCHE R， BADDARI K. Neuro-fuzzy system to predict permeability and porosity from well log data： A case study of Hassi R Mel gas field， Algeria [J]. Journal of Petroleum Science and Engineering， 2014， 123：217-229.

[31] 侯賢沐， 王付勇， 宰蕓， 等. 基于機器學習和測井數據的碳酸鹽巖孔隙度與滲透率預測[J]. 吉林大學學報（地球科學版）， 2022， 52 （2）： 644-653.

[32] 崔學慧，劉長江，薛亮，等.基于隨機森林回歸算法預測孔隙度的研究[J].西部探礦工程，2019，31（11）：99-102，105.

[33] JUN W， JUNXING C， SHAN Y. Deep learning reservoir porosity prediction method based on a spatiotemporal convolution bi-directional long short-term memory neural network model [J]. Geomechanics for Energy and the Environment，2022，32：1-10.

[34] KWEKU O A， CAO Q， YE J. Acoustic impedance and lithology-based reservoir porosity analysis using predictive machine learning algorithms [J]. Journal of Petroleum Science and Engineering， 2022，208：1-13.

[35] 楊順輝，郭珍珍，張洪寶，等.基于集成遷移學習的機械鉆速預測[J].計算機系統(tǒng)應用，2022，31（10）：270-278.

[36] MORAVEJI K M， NADERI M. Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm[J]. Journal of Natural Gas Science and Engineering， 2016，31：829-841.

[37] HEGDE C， DAIGLE H， MILLWATER H， et al. Analysis of rate of penetration （ROP） prediction in drilling using physics-based and data-driven models [J]. Journal of Petroleum Science and Engineering， 2017，159：295-306.

[38] 宋先知， 裴志君， 王潘濤， 等. 基于支持向量機回歸的機械鉆速智能預測[J]. 新疆石油天然氣， 2022，18（1）：14-20.

[39] BODAGHI A， ANSARI R H， GHOLAMI M. Optimized support vector regression for drillingrate of penetration estimation [J]. Open Geosciences，2015，7（1）：870-879.

[40] 李琪，屈峰濤，何璟彬，等.基于BAS-BP的鉆井機械鉆速預測模型[J].西安石油大學學報（自然科學版），2021，36（6）：89-95.

[41] KHALED A， SALAHELDIN E， TAMER M， et al. Real-time determination of rheological properties of spud drilling fluids using a hybrid artificial intelligence technique [J]. Journal of Energy Resources Technology，2019，141（3）：1-9.

[42] TRAN T， LUNDGREN J. Drill fault diagnosis based on the scalogram and Mel spectrogram of sound signals using artificial intelligence [J]. IEEE Access，2020，8：203655-203666.

[43] LASHARI Z E S， TAKBIRI-BORUJENI A， FATHI E， et al. Drilling performance monitoring and optimization： a data-driven approach [J]. Journal of Petroleum Exploration and Production Technology， 2019，9（4）：2747-2756.

[44] 管志川，勝亞楠，許玉強，等.基于PSO優(yōu)化BP神經網絡的鉆井動態(tài)風險評估方法[J].中國安全生產科學技術，2017，13（8）：5-11.

[45] LIANG H， ZOU J， LI Z， et al.Dynamic evaluation of drilling leakage risk based on fuzzy theory and PSO-SVR algorithm [J]. Future Generation Computer Systems，2019，95：454-466.

[46] GURINA E， KLYUCHNIKOV N， ZAYTSEV A， et al.Application of machine learning to accidents detection at directional drilling [J]. Journal of Petroleum Science and Engineering，2020， 184：1-10.

[47] AHMADI A M， POURNIK M. A predictive model of chemical flooding for enhanced oil recovery purposes： Application of least square support vector machine [J]. Petroleum，2016，2 （2）：177-182.

[48] KALAM S， YOUSUF U， ABU-KHAMSIN S A， et al. An ANN model to predict oil recovery from a 5-spot waterflood of a heterogeneous reservoir[J]. Journal of Petroleum Science amp; Engineering， 2022，210：1-15.

[49] 楊志浩， 李治平. 基于BP神經網絡的底水油藏控水壓裂選段新方法[J].地質與勘探，2017， 53（4）：818-824.

[50] 熊明， 古麗， 吳志鋒， 等. 在役油氣管道數字孿生體的構建及應用[J]. 油氣儲運，2019，38 （5）： 503-509.

[51] 陳斯迅， 李在蓉 ，王禹欽 ，等. 管道數字孿生體模型的構建及應用[J]. 油氣儲運， 2021，40 （6）：643-650.

[52] AKRAM A N， ISA D， RAJKUMAR R， et al. Active incremental Support Vector Machine for oil and gas pipeline defects prediction system using long range ultrasonic transducers [J]. Ultrasonics， 2014，54（6）：1534-1544.

[53] AMINE E M S B， BEHROOZE K， MOHAMMED T， et al.Advanced intelligence frameworks for predicting maximum pitting corrosion depth in oil and gas pipelines [J]. Process Safety and Environmental Protection， 2021，147：818-833.

[54] 何宇航， 夏成宇， 方永， 等. 立式儲油罐智能清洗裝置設計及流場仿真[J]. 石油機械，2020， 48（7）：89-96.

[55] HUANG Z， HE L， LI X， et al. Depth control for storage tank in-service inspection robot based on artificial intelligence control [J]. The Industrial Robot， 2018，45（6）：732-743.

[56] ALI A. Data-driven based machine learning models for predicting the deliverability of underground natural gas storage in salt caverns[J]. Energy，2021，229：1-10.

[57] ALIYUDA A， KACHALLA A， NOUH E， et al. Towards more accurate and explainable supervised learning-based prediction of deliverability for underground natural gas storage [J]. Applied Energy，2022，327：1-12.

[58] 張哲，徐長峰，趙勇，等. 國外枯竭氣藏型儲氣庫重大事故經驗與啟示 [J].西南石油大學學報（自然科學版），2022，44（6）：114-120.

[59] 魏路路，井崗，徐剛，等.微地震監(jiān)測技術在地下儲氣庫中的應用 [J].天然氣工業(yè)，2018，38（8）：41-46.

[60] 馬新華，鄭得文，魏國齊，等.中國天然氣地下儲氣庫重大科學理論技術發(fā)展方向[J].天然氣工業(yè)，2022，42（5）：93-99.

[61] 竇宏恩， 張蕾， 米蘭， 等. 人工智能在全球油氣工業(yè)領域的應用現狀與前景展望 [J]. 石油鉆采工藝， 2021，43（4）：405-419，441.

[62] 孟偉， 何衛(wèi)， 李璐伶， 等. 城鎮(zhèn)燃氣行業(yè)發(fā)展現狀與關鍵前沿技術 [J]. 油氣儲運，2022，41 （6）：673-681.

[63] 薛溟楓，毛曉波，肖浩，等.基于聯(lián)邦學習的綜合能源微網群協(xié)同優(yōu)化運行方法[J].中國電力，2023，56（12）：164-173.

[64] 魏樂， 張峻松， 房方， 等.基于MST-改進PSO的電-氣-熱綜合能源系統(tǒng)負荷恢復策略[J].科學技術與工程，2023，23（32）：13834-13844.

[65] 董健， 王海鑫， 周夕然， 等.考慮綜合需求響應的電-氣-熱綜合能源系統(tǒng)低碳經濟調度[J].華北電力大學學報（自然科學版），2023，50（3）：81-90.

（責任編輯：要 毅）

作者簡介：陳軍華（1975-），女，西南石油大學經濟管理學院教授，研究方向：油氣安全與低碳轉型戰(zhàn)略、能源經濟與可持續(xù)發(fā)展、能源企業(yè)人力資源管理轉型；曾秋洪（1998-），男，西南石油大學經濟管理學院碩士研究生，研究方向：能源系統(tǒng)低碳轉型、能源技術創(chuàng)新。