人工智能在石油工程领域应用及影响

刘 伟 闫 娜

1.中国石油集团工程技术研究院有限公司；2.中国石化石油工程技术研究院

Gartner公司在界定及分析颠覆性技术方面具有丰富经验，在其2017年发布的报告中显示，人工智能(Artificial Intelligence，简称AI)类新兴技术在成熟度曲线上快速移动，正处于曲线的巅峰位置，与之相适应的数字化平台类技术在曲线上处于上升期，与之相匹配的商业生态扩展类技术区块链等技术有望在未来5～10年产生变革性影响。美国国会下属的政府问责局(GAO，前身是美国总审计局)对AI的发展前景进行专题调研，认为即使人工智能技术停止前进，由今天的人工智能引发的变革仍将产生广泛而深远的影响[1]。目前，AI还没有被广泛接受的严格定义，笼统地说，是提高机器的计算力、感知力、认知力、推理能力等智能水平，使其具有判断、推理、证明、识别、感知、理解、沟通、规划和学习等思维活动，让机器能够自主判断和决策，完成原本要靠人类智能才能完成的工作。主要研究内容包括逻辑推理与定理证明、专家系统、机器学习、自然语言理解、神经网络、模式识别、智能控制等。

1 AI在石油工程领域的研究应用概况

AI在石油工程领域的研究应用已有几十年的历史，最早于20世纪70年代出现在国际石油工程师协会(SPE)论坛。2009年，SPE数字能源科技部门的部分会员成立了“人工智能与预测分析”分会，定期组织相关研讨，推动AI技术在油气领域的应用。

Onepetro(SPE文献资料平台)的文献调研表明，从2000年开始，石油工程领域对AI保持了较高的研究热情，2010年之后公开发表研究文章的增长速度大幅提升(图1)。从应用方法的选择上来看，人工神经网络、模糊逻辑和遗传算法是石油工程应用中最常用的AI技术，其他如支持向量机、功能网络和基于案例的推理等方法也有应用。2010年之后，关于机器学习的研究和应用超过了人工神经网络，成为研究最多的领域(图2)。

图1 SPE研究人工智能的文章数量

图2 SPE研究神经网络和机器学习的文章数量

2014年国际油价断崖式下跌以来，石油工程领域的参与者为了提升竞争力和抗风险能力，都希望通过数据分析、实时监测和自动化来寻求可持续性发展，人工智能技术以软件、智能装备、作业平台及专项服务等多种形式在石油工程领域广泛应用，应用的领域已渗透到从管理到勘探开发施工现场的各个环节，提升了石油工程领域自动化和智能化水平。

2 AI在石油工程中的主要应用领域

2.1 基于AI的智能工作流，形成了多学科、多 环节协作的工作平台

为了提高决策质量和管理水平，石油公司纷纷启动数字油田项目，如壳牌的智能油田、BP的未来油田项目等，还有的公司起名为智慧油田、未来智能油田、e-油田、一体化数字油田等，基本路径都是以数据采集和存储为基础，在数据应用层形成相互支撑的协同研究平台、生产管理平台、经营管理平台和决策支持平台，以优化工作流程、提高工作效率和决策质量。对各个环节实时监测数据的智能分析、一体化协同和可视化展示是这些项目成功的关键，而以数据降维、结构化、分类、聚类、可视化为主要特征的AI技术是这些项目最核心的支撑。

BP、壳牌公司、雪佛龙、Statoil(挪威国家石油公司)等公司在数字油田建设方面处于领先地位。壳牌的智能油田项目由智能井、先进协作环境、整体油藏管理等子项目构成，通过基于井筒中传感器传输的实时信息的分析决策，控制相关控制阀，实现油田生产的最佳状态。Statoil的“整合运营项目”，通过创新的数字化工作流的应用，实现了跨学科、公司组织、地方协同合作。BP在“未来油田”建设中，在全球建立35个协作中心，将地面与地下的实时数据传送到远程中心进行分析，实现了多学科多地区的协同。

科威特国家石油公司的数字油田(KwIDF)建设启动于2010年初，经过数次升级完善，现已形成地上地下一体化的智能工作流[2]。科威特国家石油公司的数字油田内部结构可分为4个层次(图3):第一层是分析及数字化工具，主要用来记录生产历史，使用的方法主要包括节点分析、递减曲线分析、虚拟计量和数值模拟等；第二层是统计工具，主要用来监测实时生产现状，应用的方法主要包括线性回归、蒙特卡洛等；第三层主要利用智能代理进行短期预测，主要方法包括模型识别、神经网络、模糊逻辑等；第四层主要是应用数值模拟方法进行中长期产量预测。科威特国家石油公司第一代的数字油田主要侧重于生产工程工作流上的共享和优化，包括关键性能指标检测、井筒性能评价等9个主要功能，随着基础设施的逐渐完备，又增加了地下模型更新及重新计算、地下注水优化和一体化生产优化的功能，升级为地面系统和地下系统集成的高级智慧工作流(图4)。

图3 科威特数字油田(KwIDF)工作流结构

图4 第二代KwIDF自动工作流的主要功能

斯伦贝谢公司推出的DELFI感知勘探与生产多维环境平台软件，集成了机器分析和学习、高性能计算、物联网等技术。通过项目管理、嵌入式引擎、实时工程协作和自动化设计确认来完成钻井设计。同时，该平台还可提供1000个3D地震、500万口井、100万组录井和4亿组生产数据作为模型训练的基础。

2.2 基于AI的管理工具已替代部分人类员工

基于AI的管理工具，如智能机器人、虚拟助手等，不仅在高危或重复施工时替代了人类，在日常办公管理中也逐渐显示出优势。

2017年，中国航天科工集团第三研究院35所研制出的用于海底油气管道检测的蛇形机器人，可实现管道内外壁缺陷的准确识别、精确定位，现已通过油田实际检测。为了监测哈萨克斯坦卡萨干油田的硫化氢气体，壳牌公司开发出配备有传感器、摄像头和无线通信系统的探测车——Sensabot机器人，只需一名工人远程操控。道达尔发起了油气田地面机器人(ARGOS)国际比赛，并研制出可全天候巡逻及执行紧急操作的机器人原型，目前虽没有测试和应用的后续报道，但在公司年报中重点提到要通过AI技术来提升勘探能力。另外，埃克森美孚公司和麻省理工学院、挪威国家石油公司和挪威科技大学等均在联合研究人工智能机器人。

虚拟助理已在壳牌多个管理环节中使用，如使用机器学习技术，将员工与合适的项目相匹配，成为人力资源管理助理；使用Amiela虚拟助理响应供应商关于发票的询问；在门户网站上的虚拟助理Emma和Ethan，可通过在线聊天的自然语言交流提供壳牌所有润滑油的产品信息，包括产品名称、主要特性、包装规格和购买渠道等。在壳牌的发展计划中，自动化机器人将逐渐接管人类员工常规查询问答、观察和数据等收集任务。

2.3 基于AI的资产管理工具可提供更高效准确 的预测性维护

石油工程领域的设备需要定期检查以保障其正常运行，设备检测属于劳动密集型作业，耗时多、作业风险高，而定期检查错误发现率还不到2%，容易造成人财物的浪费。

贝克休斯公司利用数字孪生体(Digital Twin)技术，实现物理机械和分析技术的融合，通过储存于Predix工业互联网平台上的深度学习模型，可以自动检测设备缺陷和异常情况，提供潜在故障的早期预警，根据风险制定检测计划，避免不必要的常规周期检测维修。2016—2017年贝克休斯为Maersk Drilling钻井公司10部钻机的顶驱、绞车、推进器、主发动机等关键部件提供了基于数字孪生体的性能管理方案。目前，贝克休斯已经为5000多个装备仪器建立了数字孪生体，正在研究建设井的数字孪生体，通过安装在井筒内的传感器，获取井筒内的工具和设备信息以及储层状态信息，可将井的状态、设备的运行状态与井的生产状态结合在一起[3]。

油气行业泵制造商福斯(Flowserve)的SparkCognition软件也可提供类似服务。该软件提供自动化模型构建方法，可以在模型训练所需的故障数据缺失的情况下，建立可靠的模型，进行预测性维护功能。

2.4 AI持续助力地震资料分析，为更精确钻井提 供坚实基础

石油地球物理勘探通过大量地震、电磁、重力等数据分析获取构造运动和沉积演化规律，这一过程与AI技术从海量数据中寻找规律的路径完全一致，石油地球物理勘探成为AI技术的天然试验场:地球物理反演技术中应用了基因算法、模拟退化算法、粒子群算法、马尔科夫链和蒙特卡洛等方法；边缘检测算法被应用到自动追踪地震层位辅助地震解释上；蚁群算法被运用于三维地震数据解释。

初创公司Nervana基于深度学习方法，训练数据根据地震资料发现油气资源，在其云端开发的油气勘探解决方案，可在没有人工干预的情况下从三维地震图像中识别大量地下断层，从而减少地质人员在重复性工作上花费的时间。

2.5 AI促进了钻井自动化和更安全、更高效

在数据采集、传输技术发展的协同下，AI技术在钻井设计、钻井实时优化、操作故障预警等方面发挥了积极作用。

2.5.1 钻井设计

AI技术在钻井设计中的应用主要有钻头选择、钻井液与裂缝梯度预测、坍塌压力预测及海上钻井平台选择等[4-6]。

国民油井公司(NOV)采用人工神经网络(ANN)方法对钻头选择数据库的数据进行训练，形成优化钻头选型的人工智能方法。数据库中的信息包括:在特定岩层中使用的钻头、钻头在IADC中的代码、岩石强度数据、地质特性和钻头在该类岩石的常规钻速。应用经过训练后的人工神经网络，用户输入地理位置数据、地质数据、岩石力学数据和已钻井数据后，即可输出选择的钻头类型、该钻头的性能预测及使用指南。与此同时，用户输入的数据会进入到数据库中，继续参加数据训练(图5)。

图5 国民油井公司使用人工神经网络方法优化钻头选择的原理

在中东地区，油服公司使用人工神经网络方法来预测套管坍塌的发生概率和深度，使用BP神经网络程序，用户定义的内部(隐藏)层的反向传播网络可以连接到输入和输出层，提供一个估计井筒套管坍塌深度的“经验值”。数据层可以有多个输入，如位置、深度、孔隙压力、腐蚀速率、套管强度等(图6)。

图6 应用BP神经网络预测套管坍塌深度的基本框架

海上钻井平台的选择需要基于区块位置、水深和井深、预期生产速度、成本、作业者经验、预期的天气和潮汐条件等诸多因素来决策。中海油田服务股份有限公司(简称中海油服)2011年建立了基于BP人工神经网络的深水浮式平台选型模型:使用经LM(Levenberg Marquardt)算法改进BP神经网络，具有9个输入节点，包含5个模型功能和1个隐藏层(技术成熟度、油田开发时间、成本、作业者经验)。该模型对10个初始样本数据计算准确率达到70%以上。

2.5.2 钻井实时优化和风险预警

实时风险预警基于模糊(或基于实例)推理方法，将现场数据(钻头、钻柱和底部钻具组合的实时监测数据)与数据库参考集进行基础比较，并提示实际值和参考值之间的偏移，可预估钻井风险，确定原因，建议预防或控制措施，通过操作者对可控影响因素调控，达到优化和规避风险的目的。

利用大量钻井的日常钻井报告(DDRS)、井段完钻报告(EORS)和完井报告(EOWR)建设数据库，使用2～3个完全互连的前馈隐藏层的网络(反向传播学习规则)，基于一些钻井参数建立的模型，可以自动追踪关注的参数，必要时提示操作者对可控因素进行调整。近年来，在AI技术的帮助下，压差卡钻事故明显减少。2006年后，AI技术可以在卡钻发生前准确预测，而且形成了很多预测卡钻和释放管柱压力的方法[10]。

另外，钻柱振动的控制也得益于AI技术的发展，钻柱振动是造成钻具损坏的主要原因，受钻头类型、钻压、转盘转速、地层岩性、井眼条件等多种因素影响。早期，现场经验丰富的司钻通过钻进时的声音等信息来判断钻具工作状态，缺乏可靠性和可传承性；当前，利用人工神经网络，对地层、井型、装备组合、施工中转速、钻压、扭矩等数据的训练，形成模型，通过干预钻具组合、转盘转速等因素，实现了减少振动、提高钻井效率的效果。

2.5.3 特定作业程序选择

为了达到提高产量、降低成本、节省时间的目的，经常需要选择一些特殊的钻井作业程序(如欠平衡钻井、过平衡钻井、喷射钻井等)，为了评价所选作业程序的适用性，需预先对钻井参数进行深入考虑。

雪佛龙公司应用基于案例推理(CBR)进行浅疏松砂岩最佳洗井程序的选择(2008)。为了进行推理评估，建立了包含近5000口井的生产操作和井筒干预的详细信息的数据库。通过一组随机案例的初始测试，结果表明AI工具提出的方法和专家现场指导实施的方法有80%的相似性[11]。

1.2方法 两组患者在入院之后全都严格禁酒,并且所有医护人员都会全程监督,相关家属和本人自身也一定要很好的配合治疗[2]。

在连续油管作业中，作业程序制定主要依据作业者的经验，传统的连续油管仿真软件没有足够现场数据做支撑，无法有效识别风险，在复杂井施工中该作业方式易降低作业质量，甚至损坏作业设备。贝克休斯的CIRCA连续油管软件则基于过去30年现场数据进行学习和建模改进，将理论模型和以往大量的现场经验数据进行拟合，帮助作业者基于可靠的实际数据进行决策。

2.6 AI在油藏开发中的应用，促进油田在整个生 命周期的产出最大化

利用油田生产的历史数据进行开发效果优化是AI技术在油藏开发和开采领域的主要应用方式，英国石油公司(BP)与硅谷一家公司合作开发的基于AI的优化模型，将试点项目中的180口油井的产量提高了20%。

另外，AI技术为压裂施工方案设计、施工井及层位的选择提供了更为准确的方法。中国石油新疆油田公司收集大量压裂历史数据，优选出储层参数、岩石力学参数、压裂施工参数和产能参数等作为建模基础，采用BP神经网络和LM算法、Sigmoid函数作为激活函数，并采用委员会机器的思想建立专家组，分别建立了裂缝模拟神经网络专家组和产能模拟神经网络专家组，应用遗传算法优化施工方案。油田实际应用结果证明，该方法预测的平均相对误差有明显降低，达到了压裂方案科学决策与参数精细优化、切实提高压裂效果的目的[12]。

3 AI技术对石油工程业务的影响及应对

3.1 有助于提高石油工程施工及决策的效率和质 量，提升油气投资收益水平

AI技术的应用可提升资产管理、生产优化、钻井过程、油藏管理和供应链管理等各方面的效率，可有效减少石油钻井项目的综合成本，提高油气项目投资的最终收益。

首先，深度机器学习等AI技术为决策者从大量非结构化数据中揭示规律提供了手段，可以将更多的决策影响因素纳入考量范围，从而实现多角度、多层次的投资决策评价。如油公司采用深度机器学习的地理物理技术追踪船只，并将由此获得的能源航运业变化趋势纳入行业发展趋势分析判断中。其次，AI工具的研发可替代部分人力，在提升效率的同时减少员工风险。以前需要耗费研究人员或工程师很长时间的搜索、阅读、编译和分析的工作，AI工具可在几秒内完成，可显著提高效率、降低成本。再次，AI技术可提升决策质量，减少决策失误带来的损失。根据麦肯锡公司的统计数据，使用AI算法可更准确地筛选地震数据中的信号和噪声，避免了10%的干井投资损失。

3.2 AI技术的推广应用有望带来公司结构彻底变 革，业内企业需及早谋划

微软公司曾表示，人工智能在未来5～10年内或将成为石油和天然气工业的最大威胁。这种威胁首先来自于更多智能化设备会替代人类工作。更深远的影响在于，AI技术的发展及应用，刷新了对新一代石油工程师在数据分析方面的要求，也在改变着对未来石油人才的综合技能考核标准，要最大限度地释放AI技术的潜力，不可避免地需要更多具备软件和数据科学技能的人才，这将意味着彻底改革公司人员结构。为了应对信息技术革新的冲击，在过去两年中，斯伦贝谢投入了大量时间和精力，重新培训员工使用分析技术和人工智能技术。建议业内企业及早谋划和应对，加快AI技术成为地球物理、钻井、测井等各专业人才的通用技术，不仅在各自的专业领域内精通，也要在其他领域内积极应用相关技术。

3.3 AI工具的商业化需注意应用瓶颈，相关的技 术研发以可解释型人工智能为目标

目前，大部分AI工具和软件正处于研究和试验阶段，商业化应用受多种因素制约，如可靠性问题，由于AI对数据有严重的依赖性，是基于训练数据集映射输出和输入变量之间的关系，导致训练好的模型用在变化的环境或领域时，性能会明显下降。更严重的制约在于，AI的数据处理过程通常被标记为“黑箱”，操作者只是知其然而不知其所以然，不知道什么时候该信任它，什么情况下它会出现失误，这些都会形成信任障碍。只有打开“黑箱”，使用户明白内部的逻辑关系，才能形成真正的信任。美国政府问责局的研究报告中，对于目前的AI与可解释的AI比较如图7所示。对于石油工程这个专属性比较强的领域，只有真正实现了可解释人工智能，才能为商业化应用奠定坚实基础。

3.4 高质量数据的安全共享是AI发挥更大优势 的前提，需行业机构持续推动

数据是AI最核心的部分。AI只有在行业内有大量数据后才能发挥作用。在正确的时间和条件下，将正确的数据和由此数据分析得到的见解传递给用户，是AI系统最基本的工作原理。多环节数据共享才能为AI创造发挥更大作用的空间，石油工程作业过程涉及多个环节，每个环节都存在多个专业的众多参与主体，在数据信息高度保密的前提下，各个环节众多数据的生产者、所有者、使用者需进一步仔细界定。另外，不同公司、不同专业设备传输数据的一致性、可靠性直接决定了AI系统的数据处理复杂程度和分析质量。油气行业已经认识到数据质量的重要性，为了提升不同参与者之间数据共享的可行性，降低数据处理难度，2016年，SPE协会的作业者数据质量小组(OGDQ)组织钻井承包商、原始设备制造商(OEM)和服务公司合作，共同规范石油工程领域钻井数据的采集、传输、存储、转换、集成和应用等各个环节，在各类机构之间形成数据的校准和统一，形成的规范可大幅提升数据一致性和可靠性[13-14]。

图7 美国政府问责局对可解释AI的阐释

另外，输入错误数据，引导产生错误模型，从而形成样本攻击，这是人工智能技术广泛应用时必须面对的问题，这些问题的解决都需要行业机构对各环节进行进一步的规范和标准化。

3.5 AI技术应用带来的锁定效应、黑洞效应，会 进一步改变石油工程领域的竞争态势

以数据和网络为基础的AI将会带来竞争态势的改变，信息技术一般遵循“机遇优先”的发展规则，依托于信息技术的新产品将形成一定的“锁定效应”，形成标准和使用习惯，自动生成市场壁垒。另外，与物质使用过程的损耗不同，数据的使用过程是增值过程，随着处理数据的范围和频次增多，AI工具的智能水平会不断提高，竞争力会越来越强，这种优势叠加就会形成一种天然的网络张力，从而形成黑洞效应，进入较早的强势技术犹如宇宙里的黑洞，会最大可能地吸纳更多的资源，并将资源转化成财富，从而在激烈市场竞争中生存下去。建议国内石油工程企业要充分认识AI技术发展的紧迫性，及早进行科学规划，采取并购、合作等有效手段快速发展，在新一轮竞争中争取优势地位。