人工智能在储层损害诊断及预测中的应用与展望

2019-09-16杨兆中高晨轩李小刚马高峰马薛丽

石油化工应用 2019年8期

杨兆中，高晨轩，李小刚，马高峰，马薛丽

（油气藏地质及开发工程国家重点实验室，西南石油大学，四川成都 610500）

从油气井打开储层到整个油气开采结束的整个过程中都可能给储层带来损害。因此，诊断和预测储层损害就对油气增产、提高采收率和节约成本有着至关重要的意义。储层损害主要可分为物理损害、化学损害、生物损害和热力损害四大类，它可能由储层内部因素和储层外部因素相互作用而产生。由于储层损害类型众多、机理复杂，因此运用一定的方法快速、准确地诊断和预测储层损害，对制定油气藏开发方案以及增产解堵措施有着重要意义。

目前，常用的储层损害预测方法主要包括统计分析法、数值模拟法以及人工智能法。但无论统计分析法还是数值模拟法都存在一定缺点（见表1）。自20 世纪90 年代以来，人们开始运用人工智能方法诊断和预测储层损害。由于其在分析和处理大量且复杂的不确定性因素，识别和解决非数值、不完善、模糊甚至是多义的问题上具有独特优势，可以避免复杂的数学模型的求解和假设条件引起的误差。近年来，随着人工智能再次掀起的热潮，基于人工智能方法诊断和预测储层损害又再次受到人们关注。

1 人工智能简介及其在石油工程中的应用

1.1 人工智能简介

“人工智能”这一术语由麦卡赛等一批科学家于1956 年首次提出，标志着“人工智能”这门新兴学科的正式诞生。人工智能是计算机科学、神经生理学、信息论、控制论、语言学等多种学科交叉的复合学科[1]。按照人工智能所实现的功能来描述，它通常指具有智能的机器所执行的、与人类智能有关的功能，例如推理判断、问题求解和识别学习功能[2]。

20 世纪60 年代，自然语言通讯尝试使用标志着人工智能发生了巨大突破，由此AI 的研究进入了第二阶段。这之后的70 年代，知识专家系统在全世界得到了迅速发展，一批具有专家水平的程序系统相继问世，它的应用范围延伸到了各个领域，并产生了巨大的经济效益。80 年代，人工智能的发展主题变为以知识为基础，知识在模拟智能中的重要性深入人心。人们基于知识的表达、推理和结合问题相关领域知识的认知模式开展了持续的研究[3]。

目前，人工智能技术正在向大型分布式人工智能、多专家协同系统、并行推理、多种专家系统开发工具、人工智能开发环境和分布式环境下的多智能体协同系统等方向发展。

1.2 人工智能在石油工程中的应用

近年来，人工智能技术从神经网络、专家系统、遗传算法到模糊逻辑，取得了诸多进展，其独特的应用优势已越来越为石油行业所接受。具体应用来讲，有以下类型（见表2）。

2 人工智能方法简介

2.1 神经网络

人工神经网络（ANN）是在现代神经科学研究成果的基础上形成的，在解决事物的模糊及非线性关系方面具有很强智能化的一种方法。它是由大量类似于人脑神经元的简单处理单元广泛连接而构成的一个复杂的、非线性网络系统，是从微观上对人脑的智能行为描述[25，26]。

表1 统计分析方法与数值模拟方法在储层损害预测上的优缺点Tab.1 Advantages and disadvantages of statistical analysis methods and numerical simulation methods in reservoir damage prediction

表2 神经网络和专家系统在石油工程中的应用Tab.2 Application of neural network and expert system in petroleum engineering

1943 年，W.S.McCulloch 和W.Pitts 研究并提出了M-P 神经元模型[27]，形成了神经网络的发展基础。60年代，Bernard Widrow 提出了主要适用于自适应系统的自适应元件（Adalnie）网络，并用LMS 学习规则来训练。神经网络的研究至此进入了一个高潮。

但是随后的70 年代里，神经网络理论并无相关性的研究突破。直到1982 年，物理学家Hopfield 创造性地提出了Hopfield 网络模型，并将网络能量函数概念首次引入该项研究，使网络稳定性研究有了明确的判据[28]。1986 年，Rumelhart 和McCelland 等研究提出了并行分布式处理模型（PDP）的网络思想和误差逆传播的多层感知器训练算法，该算法成为在网络学习方面至今影响最大的方法[29]。

通过国内外的应用可以看出，伴随着人工神经网络理论的发展、完善，其在应对非线性问题时获得了较好的应用[30]。近年来，随着人工神经网络技术被引入石油行业，部分生产过程中的非线性问题得到了很好的解决。但其在开发时间、数据量和计算成本方面，尚有存在弊端。

2.2 专家决策支持系统

专家系统（ES）是人工智能技术的一个重要应用领域，它可以理解为一个利用专家处理问题的智能计算机程序系统。该系统具有一个或多个某一领域专家的经验和知识，可以根据专家系统中积累的经验和知识去解决实际问题。换言之，专家系统能够应用专门的知识和经验，结合人工智能、计算机技术，模拟专家的思考过程来解决问题，具有一定的知识处理能力。

同时，专家系统在石油工程中不仅可以用来保存、模拟专家们的知识和经验，它还拥有在积累的知识、经验的基础上，对这些知识体系持续地进行更新和完善。因此，专家系统在油田勘探开发领域的应用推广具有十分重要的现实意义[31]。

L.Alegre 和E.L.Dougherty 在1988 年论述了储层保护智能专家系统的可行性，这形成了该理论基础发展方向[32]。储层保护智能专家系统可以采用多库协同的方式，使互相关联的领域问题用一个系统解决。王江萍和张宁生（2006 年）给出了信息融合模型，应用信息融合技术与不确定性决策理论，建立了具有对油气储层损害进行识别、诊断、评价和预测功能的信息模型，提高了预测准确性[33]。

专家决策支持系统可复合专家知识，在全面性、适应性上存在一定的优势，且使用成本较低，但存在着获取知识相对困难，推理能力弱，灵活性差的缺点。

3 人工智能在储层损害诊断和预测中的应用

自20 世纪80 年代末起，西安石油学院的郭建明、李棋、薄春生等[34]开始应用人工智能技术研究保护储层。他们针对塔里木油田建立了保护储层多库协同式专家系统（PFICS）和保护储层综合集成智能化系统（MDSSPF）。这两个系统均综合了储层伤害识别、预测、诊断和处理等应用技术。但其知识表示方法单一，在对生产中复杂的知识链描述存在一定局限性。从系统角度来说，因其不具有模糊推理功能，故数据信息的准确性对推理结论的准确性影响很大。此外，由于系统没有引入知识的学习机制，而使用了人机对话方式和人机交互方式对给定的知识库进行规则的增删和修改，故知识库更新困难。

上述系统在一定程度上为应用专家系统诊断储集层损害进行了先导探索，为后期研究奠定了基础。然而，上述系统仅在塔里木油田的某个具体区块适用，如果要提高其普适性，则必须获得大量的实验数据，改变知识库内容。其通用性和可移植性差，具有一定的局限性。

国内的梅文荣和张绍槐[35]在1995 年最早利用BAM神经网络方法，研究地层损害识别。双向互联想记忆（BAM）神经网络模型是对Hopfield 神经网络的扩充。在只能自联想的Hopfield 单层反馈神经网络的基础上，通过改进得到可以进行两个不同记忆样本间相互联想的BAM 双层互反馈神经网络。BAM 模型虽然比其他神经网络模型具有结构清晰、操作直观、学习速度快的特点，但由于其推理方式和算法都太过简单，只考虑了7 个损害类型，覆盖面较窄。在此次储集层损害诊断的初步尝试之后，鲜有人再应用BAM 神经网络方法进行尝试。

这之后的2010 年，Rezaian A.和Kordestany A.等[36]将实验数据作为输入数据，将伤害后的渗透率与原始渗透率的比值作为目标函数，应用MSE 性能函数、TRAINLM 训练函数和TANSIG 转换函数建立了一个隐含层和一个输出层，共两层的BP 神经网络模型。作者应用该模型预测了由沥青沉积引起的储层损害。3 年之后，SPE 协会的Sadra Foroutan 和Jamshid Moghadasi 等[37]主要针对注水井产生的硫酸钙等无机垢带来的储层损害，应用TRAINLM 训练函数、LEARNGDM 学习函数和MSE 性能函数，建立了3 个显层和2 个隐层的BP 神经网络模型，取得了较好的预测精度。

4 人工智能在储层损害诊断和预测中的展望

目前，基于人工智能的储层伤害诊断与预测仍存在着鲁棒性不足，解决多分类问题时精度不高，适用范围有待提高等问题。对于这些问题的探索，可能集中于以下几个方面：

（1）决策方法的综合与知识的融合[38]：人工智能发展迅猛，在进行决策诊断时，应不仅局限于专家系统、遗传算法等传统方法，可以寻求参数寻优方法，例如鱼群算法，蚁群算法等应用于现有模型的优化，寻求更具一般性的知识表示和推理算法，以达更佳的预测效果。

（2）分布式与协同式求解：在实际预测中，往往会面临具有较高复杂性的问题，以至于超出现有的求解能力。这就要求研究者抛开传统模型求解，探寻新型求解方法。为解决在网络环境下的分布或分布再加上并行的方式等复杂问题，分布式数据库、分布式决策的研究以及分布式人工智能技术的应用、并行决策计算等是当前人工智能领域的研究热点[39]。

（3）大数据诊断与预测：大数据是当今的热点，是计算机技术发展到现今阶段的一种表象或特征。大数据技术的重点不在于拥有丰富的数据信息，而在于对数据的深度挖掘。借助充分的动态数据分析手段，大数据为研究者提供了理解事物间相互作用的巨大可能性[40]。