人工智能在提高油气田勘探开发效果中的应用

于红岩,丁帅伟,高彦芳,孟 昆,陈斯斯

(西北大学 地质学系/大陆动力学国家重点实验室,陕西 西安 710069)

大数据、机器学习以及超级算力构成的新一代人工智能为油气勘探开发中科学问题的解决提供了新的范式。随着测井、物探、钻完井等技术的不断更迭，为油气勘探开发提供了海量的数据，但主力老油田普遍进入高含水后期开发阶段，为保证国家能源安全，勘探开发逐渐向新领域、新层系进军，面临的地质和开发问题也愈加复杂。如何充分挖掘和利用海量的勘探开发数据，提高老油田的开发效率、解决好新领域新层系的勘探开发问题值得思考。人工智能与勘探开发的融合为传统经验公式法应用的局限性和地质问题日益增加的复杂性等造成的难题提供了解决思路。目前，油气勘探开发智能化已成为行业前沿热点，国内外众多石油公司和IT公司已经开始了油气勘探开发的智能化探索，如雪佛龙、斯伦贝谢、微软合作开发 DELFI 服务平台，基于人工智能技术，利用分布式计算、高性能计算等新技术形成集钻井、测井、油气生产等勘探开发一体化的工作平台[1]。人工智能技术为油气藏精细勘探、提高油气开发效率、优化作业流程、降低作业成本等方面带来了的颠覆性变革[2-3]，各大石油公司已开始布局数字化、智能化油田[4-7]。在油气勘探开发应用方面,笔者团队基于人工智能算法做了较为系统的工作,在储层参数预测、流体和岩相识别等测井、钻井和地质勘探，以及在压裂裂缝识别、井位优化和CO2驱油与封存等开发方面形成了较为完整的研究方法,成果应用于多个油田并获得了良好的效果。本文旨在综述相关研究的主要进展,介绍机器学习和智能优化研究思想和方法的基本轮廓,并对与之相关的油气地质和开发问题进行探讨。

1 基本理念

人工智能(artificial intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能从诞生以来,相关的理论和技术快速发展,应用领域也不断扩大,最早的定义由麻省理工学院的约翰·麦卡锡提出,但至今并没有一个统一的定义[2]。近年来,运用人工智能技术进行预测与决策优化已引起学者的广泛研究,Nature和Science发表了多篇基于人工智能进行科学预测与决策分析的论文,特别是Science推出“prediction”专题,解读人工智能在预测领域的研究进展和面临的挑战[8]。本文将探讨机器学习和智能优化对石油勘探开发效果提升方面的贡献。

1.1 机器学习算法

机器学习作为人工智能的核心,通过相关的算法从以往的经历中学习经验,从历史数据中寻找知识规律、建立学习模式,进而预测新的数据或预测未来发展趋势。目前，机器学习已成为多学科解决复杂问题的重要手段,也是石油大数据研究的前沿热点。随着石油勘探开发技术的发展,石油数据以海量性、高速性和多样性的特点快速积累,为机器学习提供了大量的数据样本。

机器学习通过数据建立相应模型的训练过程,最终生成一个面向某种性能度量的决策，常见的机器学习可以分为监督学习和非监督学习(见图1)。其中，监督学习可分为回归算法和分类算法。回归算法细分为线性回归和非线性回归,是对连续型数值变量进行建模和预测,通过充分挖掘目标参数和数据的内在联系建立二者之间的关系模型,得到较高精度的预测值。在孔隙度、渗透率、饱和度、TOC含量等储层参数预测,以及声波和密度曲线重构等方面已有广泛的应用[9]。分类算法是对离散型数值变量建模或预测,可分为决策树、人工神经网络、支持向量机、高斯处理等。主要通过分析测井曲线、沉积特征、孔隙类型、微观结构等相关参数与目标参数的响应特征,建立目标参数的识别模型[10]，可对岩性、油气层类别、裂缝判别以及缝洞充填物的类型进行分类预测。而非监督学习主要是聚类分析,该类方法基于数据的内部结构寻找无标签样本的自然簇群,可以细分为K-means聚类和基于层次的聚类等,通常用于岩相和储层流动单元的划分等。

图1 常见的机器学习算法分类Fig.1 Classification of common machine learning algorithm

1.2 智能优化理论

优化问题是指在满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优,或使系统的某些性能指标达到最大值或最小值。传统的优化方法有着坚实的数学理论基础,但只能解决小部分具有特殊数学特征的优化问题,并不能很好地解决较为复杂的优化问题,但实际的工程问题往往具有复杂性、非线性、约束性以及建模困难等诸多特点,因此，寻求高效的优化算法已成为相关学科的主要研究内容之一[8]。

算法性能在当今日新月异的科技发展中如日中天，优化方法也在数学和计算机技术的发展下层出不穷,在借鉴自然界或生物体的各种原理和机理的基础上,逐渐开发了诸多具有自适应环境能力的智能优化算法[11]。智能优化算法是通过模仿自然和生物现象发展出的一类新的优化算法,包括遗传算法、粒子群优化算法、差分进化算法、模拟退火算法和免疫算法等。

智能优化算法是智能优化理论的核心组成部分,这些算法在油气田勘探和开发的应用将会在降低能耗和合理利用资源方面发挥更大的优势。国内外学者在地质分析、测井解释、岩性识别、裂缝识别、生产指标预测、地质建模、油藏模拟等方面均开展了一些探索性研究,已经取得了较好的应用效果[7,12]。

2 机器学习在油气田勘探中的应用

随着油气勘探进入成熟阶段,页岩油气、煤层气、碳酸盐岩、超深层油气等复杂油气藏成为了目前勘探的热点。但是，这些非常规油气藏岩相的确定、储层参数的预测以及油气水层的识别不能套用常规油气藏的方法。例如页岩油气藏需要确定地质甜点与工程甜点,并且孔隙度和有机质在测井曲线上的响应极其相似。如何在非常规油气藏准确识别地层的岩相、预测储层物性和地化等相关参数,以及识别流体性质等是提高勘探开发效果的难点。常规的经验算法难以获得高准确率,人工智能算法开辟了新的途径。笔者团队将机器学习当中的回归算法应用到储层相关参数预测，将分类算法应用到储层流体识别，将聚类算法应用到岩相分类,并确定了基于机器学习不同储层评价目标的应用流程，为提高勘探开发效果提供新的方法途径。

2.1 储层参数预测

储层物性参数、含油气性参数以及地化相关参数等的预测,对于储层评价以及有利区预测至关重要，精确预测可大大提高勘探效果。在非常规储层当中,尤其是页岩油气储层,由于有机质和孔隙度在测井响应特征上相似,因此，以往的模型很难精确地求取相关参数。机器学习中的回归算法可以在高维空间实现多元非线性回归拟合,解决了传统交汇图和多元线性回归的弊端。因此，笔者提出了利用机器学习的回归算法建立储层参数评价模型的流程(见图2)，主要步骤包括:收集数据;准备训练集,选取与目标参数相关的测井资料；构建与目标参数相关的新参数;对数据进行处理(缺值等);根据不同的权重计算方法选取不同的特征集;通过交叉验证多次迭代循环，利用相关回归算法进行模型训练;测试模型准确性和误差;通过模型之间的对比选取适合本次研究的模型;同时，根据现场应用不断更新数据集校正模型。

图2 储层参数计算的回归算法流程图Fig.2 Flow chart of regression algorithm for reservoir parameter calculation

以建立总有机碳(TOC)参数模型为例, 笔者团队提出了高斯处理回归算法(GPR)建立机器学习预测模型[13], 高斯过程(GP)理论具有非参数推断、 超参数自适应获取以及更高的适应性和泛化能力等特点, 更适合复杂储层的TOC预测; 并且高斯处理回归算法可以利用不同的核函数, 更好地在高维空间运行计算， 提高模型的精度(见图3)。 通过4种权重分析获得相应的特征子集, 再探索7种核函数的适用性, 最终发现主元分析法确定的子集与Cauchy核函数具有最高的精度。 从图4可以看出， 与传统的TOC计算方法(Schmoker法和Passey法)结果进行对比,高斯处理回归预测的TOC与实测值的吻合度更好,预测精度显著提高。

图3 回归算法原理示意图Fig.3 Schematic diagram of regression algorithm principle

除了TOC预测之外,笔者团队还利用机器学习方法预测了孔隙度、饱和度等储层参数[14-15],图5是利用支持向量机计算页岩中含油饱和度的结果，与岩心测试结果相关性很高。

图4 基于高斯回归算法的TOC测井解释成果图Fig.4 TOC logging interpretation result chart based on Gaussian regression algorithm

图5 基于支持向量机回归算法的饱和度测井解释成果图Fig.5 Saturation logging interpretation results chart based on SVM regression algorithm

2.2 流体性质识别

常规储层的含油气性通过电阻率曲线可进行准确识别，但是，复杂油气藏具有致密性、强非均质性和复杂润湿性等特点,造成了电阻率测井曲线难以确定流体性质的问题,这时需要多因素、多条测井曲线共同来判别。传统的交汇图法以及三维坐标系图法只能反映2～3条测井曲线特征,而机器学习中的分类方法可以进行多因素分类。其中，白盒算法中的决策树可以从多条测井曲线或者相关的岩性沉积特征当中判别油气的存在,实现多条曲线预测规则(见图6)。因此,具体流程可参考图2,但是要选择相应的分类算法。笔者团队利用决策树算法进行了碳酸盐岩储层的气水识别，以及建立地层水化学参数与油气封存性的关系,为油气的开采提供了有利依据[16-17]。另外,目前很多精确率更高的黑盒算法如人工神经网络、 贝叶斯和支持向量机等可用来识别储层流体、岩性[18]。除了直接分类之外,也可以建立新参数，通过判别法进行流体性质的识别。笔者团队针对碳酸盐岩储层流体性质识别建立了A和B两个判别参数,该参数组合的交会图识别效果比以往参数组合的识别效果更好[19](见图7)。

图6 基于决策树算法的流体性质预测示意图Fig.6 Schematic diagram of fluid property prediction based on decision tree algorithm

图7 不同参数组合的流体性质识别交会图Fig.7 The cross-plot of fluid property identification for different parameter combinations

2.3 岩相识别分类

岩相是在不同的沉积环境下所形成的岩石类别,在石油勘探开发过程中岩相可以指导油气储存的地质甜点和油气开发的工程甜点。尤其是针对复杂储层,岩相的分类对于勘探开发至关重要。由于非常规储层的复杂性,岩相的划分标准很难确定,而机器学习中的聚类分析在岩相划分及识别上可以突破这一瓶颈,发挥较大的作用[20]。聚类就是按照特定标准把一个数据集分割成不同的子集或类别,使得同一个类别的数据对象的相似性尽可能大,不同类别的数据差异性也尽可能大。因此，在岩相划分中可以将岩性、矿物组成、分选、磨圆、粒径等互相区别开来。为了更好地识别岩相之间的区别,笔者团队建立了岩相聚类的流程(见图8)。首先，尽可能收集岩相相关的数据,并且可以构造反映岩相新的特征参数,将数据进行相关的数据预处理之后,选择适合数据集的聚类算法和类别数量,最终根据准确度确定聚类的模型,同时，根据实际生产数据不断调整聚类的参数。

图8 岩相划分的聚类分析流程图Fig.8 Flow chart of cluster analysis for determining lithofacies

笔者团队利用核磁共振测井选用层次聚类算法建立了鄂尔多斯盆地长7页岩岩相的分类标准，相比于以往学者们常用的K-means算法，层次聚类不需要预先制定聚类数，可以发现类之间的层次关系，更好地建立岩相的类别。因此，笔者团队使用层次聚类算法，通过聚类分析流程(见图8)，利用核磁共振测井对页岩进行岩相分类。因为核磁共振测井可获取地层不同的孔隙结构特征，因此，对核磁共振T2谱进行解剖分析，通过孔隙大小和类别等信息，建立了不同岩相的分类标准(见图9)，形成分别发育裂缝、自由孔、束缚孔隙等7种不同的细分岩相和粗分岩相。最后，通过X衍射、扫描电镜和薄片分析等实验结果证明通过测井曲线划分的岩相与岩心吻合度很高，为页岩储存的地质甜点预测提供相应的理论支撑。

3 智能优化在油气田开发中的应用

随着全球石油资源品质的不断劣质化,油气资源开采的难度不断加大,开采成本逐年攀高,油田开发领域智能化转型是能源行业重要的战略目标,但传统技术无法解决非线性程度高的复杂问题,因此，人工智能在油气田开发中的应用越来越广泛。笔者团队利用机器学习算法和智能优化理论,结合数值模拟和数字岩心技术,在自动井位优化、水驱油藏优势通道分级和CO2驱油与封存等方面开展深入研究,并取得了阶段性进展。

3.1 压裂裂缝识别

微地震测量结果能够用来反映复杂水力裂缝网络的空间位置、几何复杂程度以及压裂储层改造体积。笔者团队针对基于随机采样一致性的高稳定性和高鲁棒性的拟合方法(random sample consensus,RANSAC)改进了裂缝产状的计算。这种方法被广泛用于处理计算机视觉图像领域中点云的几何特征，每次迭代都有两个不可或缺的步骤——假设和验证,以便于获得最优解，并且在坐标轴上的截距与裂缝的产状3要素(倾向、倾角和走向)之间存在数学联系。同时，采用改进的RANSAC算法和微震事件生成3D离散裂缝网络,在远离压裂改造的区域识别出较少天然裂缝。不同区域的地震属性存在一些区别,特别是在水平段的跟部和趾部，水平段趾部天然裂缝与水力裂缝扩展方向平行,而跟部天然裂缝则与水力裂缝扩展方向垂直(见图10)。

3.2 自动井位优化

在任何类型油藏的任意开发阶段,井位优化对提高采收率都至关重要。目前，石油工业普遍采用的井位设计方法是根据油藏工程师的经验,从事先设计好的几套方案中利用数值模拟和经济评价筛选出最优的一个。但是，井与油藏的配置关系是一个非线性程度强、复杂程度高的问题,单纯地依靠人为经验很难得到最有效的方案,并且不同专家由于经验、知识及认识观点的不同,最终给出的方案可能大不一样[21]。鉴于专家个体的局限性,做出的决策难免受数据模糊性以及信息量巨大的影响而出现失误,故布井方案风险性很大,因此，就促使了自动井位优化技术的出现。

图10 利用改进的RANSAC算法和微震事件生成的3D离散裂缝网络Fig.10 3D DFN generated using improved PANSAC algorithm and microseismic events

自动井位优化一般是借助于油藏模型和人工智能优化算法,通过计算机自动迭代优化输入的井位和生产制度等参数得到最优的目标函数(累计产油量COP或净现值NPV)。数值模拟模型是自动井位优化中的基础工具,一般用于井位优化中目标函数的评价。但几乎99%的CPU消耗都花费在基于数值模拟器的目标函数评价上,较大地影响了井位优化的效率[22]。因此,笔者团队提出生产潜力图辅助、混合目标函数以及混合算法进行井位优化研究。

1)基于生产潜力图辅助的井位优化

生产潜力图(quality map,QM)是由Cruz等人提出的,用于表征油藏平面不同区域的累计产油能力大小,在QM的指导下进行布井可以大大降低布井的风险[23]。由于井位优化中的算法多为智能迭代类算法,初值的选择对算法收敛性有一定影响,因此，笔者团队利用生产潜力图和改进粒子群算法(modified particle swarm optimization,MPSO),建立了井位优化方法[24]。该方法通过对粒子群算法的初值优选和更新策略的改进,提高了算法的整体优化效果。针对典型测试油藏PUNQ-S3模型,对比了QM+MPSO、MPSO、SPSO(标准粒子群算法)和CP-PSO(中心-渐进粒子群算法)这4种优化方法部署10口生产井的井位优化效果,从不同方法净现值迭代优化结果(见图11)可以看出SPSO的改进是有效的,且综合生产潜力图和改进粒子群算法可以取得较高的经济效益。

图11 不同优化方法下净现值随迭代次数的变化Fig.11 NPV with the number of iterations under different optimization methods

生产潜力虽然可以提高优化的效果,但并不能显著降低优化所需的耗时,因此，笔者团队基于生产潜力图提出潜力阈值决策理念(threshold value of productivity potential,TVPP),在基于粒子群算法(PSO)的目标函数迭代评价中通过潜力值阈值过滤掉潜在的无效方案,降低了自动井位优化目标函数的评价次数和计算时间,并在一定程度上提高了优化效果[22](见图12～图13)。

考虑生产井的生产潜力和注水井的注入潜力,提出了新型生产潜力图(new productivity potential map,NPPM),同时用于直井和斜井井位优化的自动初始化,考虑到智能算法的随机性,方法效果对比采用运算5次取平均值的方法,实例应用结果表明该方法相对于已有的生产潜力图初始化方法(modified productivity potential map,MPPM)和随机初始化方法(random initiatization,RI),不仅提高了井位优化的效果,同时提高了智能算法的鲁棒性[25](见图14～图15)。

图12 基于潜力阈值决策理念辅助的井位优化流程图Fig.12 The flow chart of well placement optimization assisted by TVPP

图13 不同潜力阈值下的净现值和优化时间Fig.13 NPV and optimization time under different TVPP

图14 新型潜力图斜井初始化示意图Fig.14 A schematic diagram of the deviated well initialization with NPPM

2)基于混合目标函数的井位优化

潜力阈值决策理念可以大幅度降低优化的耗时,但也会潜在过滤掉很多有效方案。因此,笔者团队对比分析了生产潜力值(PPV)与传统目标函数(TOF)中累计产油量(COP)的一致性关系,提出了基于粒子群算法和混合目标函数(HOF)的自动井位优化策略,实例应用结果表明该策略在保持优化结果相当或者更好的条件下可以减少模拟器调用的次数,前25%的迭代步以PPV为目标函数,后续75%的迭代步以TOF为目标函数，组合可以取得最好的优化效果[26](见图16～图17)。

图15 不同初始化策略最终的净现值对比Fig.15 Final NPV comparison of different initialization strategies

图16 混合目标函数优化流程图Fig.16 Flow chart of hybrid objective function optimization

图17 平均最优COP和模拟次数的关系Fig.17 Average optimal COP vs simulation runs

3)基于混合算法的井位优化

智能优化理论中的无梯度算法分为全局优化算法和局部优化算法两大类,全局优化算法能够在模型的全空间内搜索到问题的最优解,但算法的局部随机性依然存在。局部优化算法一般来说只能找到目标函数在模型参数空间中某一局部区域内的最优解,能否找到全局最优解,与初始点的位置有很大关系。在大量的实际应用研究中发现,单一的智能优化算法在某些领域的作用有限,如果采用混合算法,用其他智能优化算法的思想对某种智能优化算法进行改进,往往会取得更好的优化效果[27],因此，笔者团队联合全局优化算法中的标准粒子群算法(standard particle swarm optimization,SPSO)和局部优化算法中的胡克-吉夫斯直接搜索算法(Hooke-Jeeves direct search,HJDS)进行井位优化研究,结果表明，混合算法的效果要好于单独的算法[28](见图18)。

图18 不同优化方法下净现值随迭代次数的变化Fig.18 NPV with the number of iterations under different optimization methods

3.3 优势通道分级

优势通道是砂岩油藏长期注水开发后,由于储层严重出砂形成的高渗通道,其形成后会使注入水低效、无效循环,加剧油层非均质性,导致油井含水快速上升[29]。传统的识别方法如生产测井资料、取心井资料、示踪剂监测资料、试井资料和生产动态资料等都是基于单井数据进行评价,结果往往存在一定差异。机器学习算法中的无监督学习聚类算法,是将海量数据中具有相似特征的数据自动聚为一类。笔者团队将模糊C均值聚类分析方法(fuzzy C-means clustering method,FCM)和数值模拟技术结合,首次提出了基于模型网格的优势通道分级评价方法,完成了海相砂岩油藏优势通道的分级。该方法的特色在于考虑了井间优势通道发育的特征参数,将分级结果(见图19A)与常规的基于单井的分级结果(见图19B)进行了对比,并根据示踪剂监测资料证明了前者的分级结果更符合现场实际[30-31]。

图19 不同方法优势通道分级结果平面图Fig.19 Two dimensional classification results of thief zones by different methods

3.4 CO2驱油与封存

在油田三次采油方式中,CO2驱油提高采收率(CO2-EOR)是一项已经在油田应用超过40年的较为成熟的开发方式。自从20世纪90年代以来,CO2地质封存就一直被认为是缓解大气中CO2排放量的有效措施,其中，油藏埋存由于其稳定的盖层封闭特性和成熟的地面配套设施成为CO2埋存的理想场所[32-33]。CO2驱油与封存属于碳捕集、利用与封存(carbon capture,utilization and storage,CCUS)技术中的重要组成部分,随着“双碳”目标的提出,将人工智能应用于油气田CO2驱油与封存中将会为石油工业的减排提供更多的决策依据。因此,从微观上利用数字岩心技术发现CO2驱油微观机理,再结合微观机理从宏观上利用智能优化方法开展CO2驱油与封存。

1)CO2驱替对储层微观结构的作用

CO2在高温高压下和水结合是强酸,pH值在2～3之间,因此，利用CO2驱替地下饱含水的岩层会对其产生溶蚀作用,溶蚀后流体中的离子又会出现重沉积和沉淀作用。所以在CO2驱替过程中易对储存的微观结构进行改造,进而影响CO2驱替和封存的可行性。不同岩性地层会有不同的影响,因此，需要对不同地层进行CO2驱替的可行性研究。笔者团队利用数字岩心技术开展高温高压下CO2驱替实验研究(见图20),分析驱替前后储层的微观结构变化[34]。图21展示了鄂尔多斯盆地疏松砂岩样品中的单个孔隙在饱和CO2地层水驱替前后的变化。从图22可以明显看出，驱替后砂岩样品孔隙变大,但是数字岩心提取的连通孔隙网络压力模拟结果表明后期又出现过重沉积和沉淀,导致渗透率下降,因此，这类储层可以进行CO2的驱替但是数量有限。

图20 基于数字岩心的CO2驱替实验示意图Fig.20 The experimental schematic of CO2 core flooding based on digital rock

A和B为驱替前初始孔隙体积；C和D为驱替后孔隙体积；E和F为驱替前后的组合图注：图E和图F中灰色表示驱替后增加的孔隙体积，红色表示驱替前初始的孔隙体积图21 饱和二氧化碳的盐水驱替砂岩样品前后的孔隙结构3维可视化Fig.21 3D visualization of pore structure before and after sandstone samples by carbon dioxide-saturated brine flooding

图22 饱和二氧化碳的盐水驱替砂岩样品前后的孔隙压力3维可视化Fig.22 3D visualization of pore pressure before and after sandstone samples by carbon dioxide-saturated brine flooding

探索CO2封存在地下储层的安全性,作为盖层页岩,其封存效率研究是非常重要的,因此，笔者团队选择具有天然裂缝的页岩作为研究对象,利用超临界CO2驱替含有天然裂缝的页岩,发现随着驱替时间增长,裂缝逐渐闭合[35](见图23)。这一结果表明页岩作为盖层封存二氧化碳是有效的且可行的。

图23 超临界CO2驱替含天然裂缝页岩样品前后的裂缝3维可视化Fig.23 3D visualization of fractures before and after shale samples containing natural fractures by supercritical CO2 flooding

2)CO2驱油与封存自动优化

CO2-EOR的目标是通过生产每桶原油注入最少量的CO2来获得最大收益,CO2地质埋存的目标是只考虑最大限度地埋存CO2,而在CO2-EOR和CO2埋存相结合的工程中的目标是在驱替结束时提高的产油量和CO2的埋存量都达到最大。但CO2的埋存量和驱替结束时提高的产油量之间并没有必然的线性关系[36]。在特定的条件下,CO2的埋存量和增油量与相关注入参数之间存在复杂的非线性关系,这时候必须综合利用多种手段才能实现所需目标的最大化。随着油田绿色低碳理念的发展,如何在CO2利用中满足不同开发者的需求是急需解决的问题。笔者团队将智能优化理论应用于CO2驱油与封存工程的优化中,提出基于粒子群算法和数值模拟技术的低渗油藏CO2驱油与封存自动优化方法,并以某低渗油藏典型井组为例,进行优化方法对于不同注入方式和不同优化目标的适应性分析,研究成果可为不同操作者的决策需求提供科学的理论依据。图24展示了CO2连续注入方式下CO2埋存量随迭代次数变化的自动优化结果[37]。

图24 CO2连续注入方式下CO2埋存量随迭代次数增大的变化曲线Fig.24 The change curve of CO2 storage capacity with the increase of iterations under CGI mode

4 结语

随着石油工业4.0时代的到来,人工智能将助力石油工业进入智能化新时代,并彻底颠覆油气田勘探开发领域中的传统解决思路。人工智能与油气勘探开发技术的融合将在油气田勘探开发环节中优化作业流程、降低生产成本、提高油气产量和提升油气相关企业的核心竞争力方面发挥无可替代的作用。本文系统梳理了团队近几年在利用人工智能解决油气田勘探和开发难题的系列技术,期望为油气田的高效开发提供理论支持和技术保障,并加快推动我国石油工业的数字化进程。

为进一步挖掘人工智能提高油气勘探开发的潜力,提升人工智能的应用效果,笔者提出几点思考：① 勘探开发问题具有明显的区域性特征,具有小样本、多解性的特点,建立在大数据基础上的人工智能技术需要明确输入和输出的映射关系,因而需厘清人工智能算法在油气勘探开发中的适用性;② 人工智能技术的应用主要停留在解决单一学科的问题,但随着技术的发展应融合不同学科的数据,充分从数据中挖掘潜在的价值信息;③ 人工智能与油气勘探开发基础理论深度结合,在算法的迭代计算中考虑油气田勘探开发的现场实际,提升算法应用的工程合理性;④ 地球物理、油田开发等科学研究积累了大量领域知识和机理模型,通过机理模型与数据驱动融合以提高人工智能技术的准确性和收敛性;⑤ 人工智能、大数据和模型的交叉融合,构建基于数据驱动和机器学习的智能优化理论体系,实现针对不同问题的高效优化,最大化提升理论方法的计算效率。人工智能技术虽然在油气田勘探开发中展现出巨大的潜力,但充分认识油气田勘探开发中的实际问题,才能更好地驾驭人工智能技术。

总之,人工智能方法已经逐步应用于油气田勘探开发的各个环节中,应用面临着无限的机遇,也面对很大的挑战，笔者团队未来的研究将会重点在测井、压裂、布井、提高采收率及CO2驱替封存智能油田方向,以点带面,期望能进一步推动此领域的发展,更好地适应时代科学技术发展趋势,为油气田的高效智能开发提供理论及技术支撑。

致谢：特别感谢赵文智院士、孙卫教授和罗晓容研究员的建设性意见和建议。