人工智能(Artificial Intelligence，簡稱 AI)這一概念最早誕生于 1956 年的達特茅斯會議上，約翰·麥卡錫等學者將“使用機器模擬人類認知能力”的技術命名為“人工智能”[1]。目前，人工智能尚沒有統一的定義。筆者認為人工即人工制造，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。人工智能的關鍵技術包括機器學習、數據挖掘、自然語言處理、模式識別、計算機視覺、知識圖譜等。近幾年，隨著大數據的增長、深度學習技術的出現以及算力的大幅提升，人工智能已呈現井噴式發展。人工智能被廣泛應用到醫療、交通、互聯網、農業等領域，成為第 4 代工業革命的核心驅動力，以及推動人類社會進入智能時代的決定性力量。

　　本文廣泛調研人工智能在石油勘探開發領域的研究現狀，結合油氣勘探開發的實際需求，闡述人工智能在測井、物探、鉆完井、油藏工程、地面工程 5 個領域的研究進展與應用情況，探討并展望未來人工智能的應用重點與發展趨勢。

　　1 石油公司人工智能發展現狀

　　采取開放式創新和產學研深度融合的模式、與 IT 公司合作是油氣行業智能化發展的通用策略。國際石油公司通過與 IT 公司聯手開展業務智能化探索，實現上游勘探開發業務的智能化，產生了道達爾+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)聚焦協同工作環境、智能井、光纖監測、生產實時優化、智能水驅和閉環油藏管理;雪佛龍的信息油田(i-Field)聚焦鉆井優化、生產優化、油藏管理;英國石油公司(BP)提出的未來油田(Field of the Future)聚焦應用實時信息系統優化運營;俄羅斯天然氣公司(GASPROM)的數字化轉型計劃(DT)優先實施數字化地質勘探、數字化大型項目、數字化生產、中游業務數字化生產、數字化 HSE(健康、安全、環保)、數字化設施設備等 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展戰略。

　　道達爾與谷歌簽署協議，合作探索油氣勘探和開發的智能化解決方案，聚焦地下成像的智能化處理與解釋，特別是地震數據的處理解釋，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 Geodesic 平臺，旨在提高水平井定向控制的準確性和一致性，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據處理算法，從而做出實時決策并更好地預測結果。�？松�美孚與微軟合作共同開發集成云平臺，該平臺可以安全可靠地從跨越數百千米的油田中收集實時數據。這些數據有助于公司在鉆完井優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 DELFI 云計算平臺，把大量信息整合到一個平臺上，構建開放共享的數據生態環境，提高數據分析的效率。

　　2 人工智能在石油勘探開發中的應用現狀

　　2.1 測井領域自 1927 年誕生以來，測井技術歷經 90 余年發展，已經從模擬測井、數字測井、數控測井，發展到成像測井，正在跨入智能測井時代。 2.1.1 測井數據采集由于儲集層的非均質性、探測對象的復雜化以及測井作業環境的多樣化、復雜化，迫切需要在井下地層參數采集、測井數據傳輸等方面研究新的測量方式、工作模式，引入人工智能，實現更準確、更高效、更安全的作業和地質信息探測。國外石油企業在數據采集、遠程測井等方面已形成商用的產品。斯倫貝謝的遠程測井中心、智能地層測試、具備智能處理解釋能力的井筒軟件 Techlog 等已經商用。其中，遠程測井在全球部署 11 個數據服務器中心、14 個遠程測井中心，擁有 108 名操作工程師，實現專家遠程協同工作和決策，20%的測井作業由遠程測井中心完成，已完成上萬井次作業。國內方面，部分石油企業和科研機構已經針對網絡化地面、智能絞車、遠程測井等相關核心技術進行攻關，并已開始小批量應用。智能化井下機器人已經啟動研發。 2.1.2 測井處理解釋測井數據具有數據體量大和多源異構等特點，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、巖性識別、成像測井解釋、儲集層參數預測、含油氣性評價、橫波速度預測、裂縫及縫洞充填物識別等方面。智能曲線重構是利用深度學習、關聯分析等算法尋找測井曲線之間的關聯性，對錯誤的、不恰當的、缺失的測井曲線進行數據重造。所用到的人工智能算法包括神經網絡、組合學習算法、聚類算法等。張東曉等[2]提出了一種基于循環神經網絡(RNN)即長短期記憶神經網絡(LSTM)來重構測井曲線的方法，采用真實測井曲線進行驗證后發現與傳統方法相比精度更高。

　　2.2 物探領域國際上“AI+物探”研究發展迅速。地球物理勘探長期以來一直是高性能計算、三維可視化、計算機網絡等信息技術的一個重要應用領域，是較早實現數字化采集、處理和分析的一個領域。 2.2.1 物探裝備人工智能在物探裝備方面的應用主要集中在可控震源、無人機、地震儀器等方面。智能可控震源可以根據具體的工區地表條件、深層地震地質條件調整出力大小、頻率范圍、掃描時間、相位等參數，具有安全、環保的特點。物探數據采集智能無人機可實現高精度地形探測、風險評估、節點監控、數據回收、物資投送、救援等工作。地震儀器方面已研發出 G3i(有線)、Hawk(節點)、eSeis(節點)等產品，OBN(海底采集節點)技術攻關解決了拖纜跨障能力差、觀測方位窄、海面噪聲強、單分量接收等局限。 2.2.2 物探采集隨著云計算、人工智能、機器人、通信等技術的不斷發展，物探采集在經歷數字化發展階段之后，將進入智能化發展階段，具備以下特點：無感數字化、高度閉環自動化、核心裝備“機器人”化、作業程序一體化、生產動態可預測，甚至具備一些大數據邊緣計算的能力。物探采集技術已經實現從傳統地震隊向數字化地震隊的轉變，數字地震隊將物聯網、云計算等 IT 技術與物探采集方法相融合，對施工任務、野外人員、裝備、HSE 等進行無線化、可視化數字管理，優化施工工序，簡化作業程序，實現智能激發、實時質量控制、遠程技術支持與指揮調度。 2.2.3 地震數據處理與解釋在地震數據處理與解釋方面，人工智能主要應用在地震構造解釋(含斷層識別、層位解釋、巖丘頂底解釋、河道或溶洞解釋等)、噪聲壓制與信號增強、地震相識別、儲集層參數預測、地震波場正演、地震反演、地震速度拾取與建模、初至拾取、地震數據重建與插值、地震屬性分析、微地震數據分析、綜合解釋等方面。使用的核心技術主要是計算機視覺領域的目標檢測、分割、圖像分類與預測等。人工智能的應用在保證準確率的前提下，極大地提高了地震數據處理解釋的效率。

　　2.3 鉆完井領域石油鉆井在歷經概念—經驗—科學—自動化的發展過程后，形成了以鉆完井工藝原理、方法為指導，以裝備、工具、材料為手段的鉆完井工程技術體系。鉆完井工程技術基本實現了從經驗步入科學化階段，目前正處于自動化與智能化交融發展階段，整體向智能化發展。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將三者整合成一個閉環的系統并協同進行工作。井下智能工具主要是配備嵌入式芯片的智能鉆機、智能鉆頭、智能鉆桿、旋轉導向系統等;地面智能裝備主要是具備工業控制核心系統的鉆臺機器人、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，根據井下地質情況和油藏位置，實現高效、自動鉆進到最佳的儲集層位置，并獲得最大產能。國內智能鉆完井技術剛剛起步，處于單項技術開發攻關前期，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 智能鉆完井關鍵技術智能鉆完井關鍵技術包括井眼軌道智能優化、智能導向鉆井、鉆速智能優化等。以地質工程的多源數據為基礎的井眼軌道智能優化技術一般采用遺傳算法、神經網絡等人工智能算法實現井眼方位角等相關參數的優化。智能導向鉆井技術的核心是利用人工智能算法，通過對目標井眼軌跡的實時監控和分析，并采用隨鉆地震技術、近鉆頭測量技術等鉆井新技術，實現鉆井過程的隨鉆預測及自動控制。鉆速智能優化方面，大多采用大數據和智能優化算法對多目標鉆井參數進行優化，使地層-鉆頭參數三者之間達到最佳匹配，實現井斜、方位等參數動態優化設計，與鉆機聯動，自動發出操控指令，從而智能優化機械鉆速。常用的算法包括隨機森林、人工神經網絡、蟻群算法、粒子群算法等。 2.3.2 智能化鉆完井裝備國外石油公司在地面裝備方面，已經開始規模化應用鉆臺機器人、起下鉆自動控制、自動送鉆系統、自動控壓鉆井、鉆井液在線監測等技術。井下工具方面，智能鉆機、智能鉆頭、智能鉆桿能夠實現鉆臺無人化操作、鉆井自動化精準控制，大幅提高鉆井效率，降低鉆井風險和人力成本。旋轉導向鉆井系統規模化商業應用，實現了隨鉆、隨測、隨控，既保障鉆頭高效破巖，又實現智能導向。根據地質條件和油藏特征信息，應用神經網絡等方法建立以獲得最大油氣產能為目標函數的鉆井工藝參數優化模型，并將計算得到的最佳工藝參數與隨鉆隨測實時獲取的數據比較，自動尋找最佳軌跡。

　　2.4 油藏工程領域油藏工程的核心任務是以滲流力學、油層物理為基礎，研究油氣藏開發過程中油、氣、水的運移規律和驅替機理，從而采取相應的工程措施，達到合理提高開采速度和采收率的目的。工業 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算法及軟件工具充分認識儲集層和流體滲流規律，實現智能化動態管理和生產預測。 2.4.1 油藏動態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分析與模擬方面的應用進行了簡要概述�？傮w而言，油藏工程主要是通過油藏數值模擬和油藏工程方法兩種方式來實現動態分析和模擬。目前，人工智能應用主要集中在水驅開發實時調控、產量預測、飽和度預測、生產措施優選、數值模擬等方面。水驅開發實時調控方面，主要是利用最優化、數據挖掘等技術來優化生產參數。賈德利等[9]在動態觀測數據的約束下，采用傳統的數值模擬及優化算法，通過自動識別分層注采流動關系來計算區塊分層注采井間的流動關系。同時，采用多層多向產量劈分技術計算采油井分層分方向的產液量與產油量，量化注水效果指標。通過機器學習算法評價多井分層的注水效果、分析注水調整方向，從而提出了一套大數據驅動下的精細注水方案優化方法。結合油田試驗，初步實現了以注水方案設計、智能優化和同步調整為核心的油藏和采油工程一體化技術。賈虎等[10]以碳酸鹽巖油藏為研究對象，采用流線聚類方法，對水相驅動能力不同的流線實現區分，并進一步對同一注采井間流線進行細分，從而提出了針對流線模擬結果的流場識別方法，以實現基于流線聚類人工智能方法的水驅油藏流場識別，為注水優化、井網層系調整、深部調剖等方案決策提供依據。2.4.2 一體化分析軟件國外油藏動態分析與預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;蘭德馬克的油藏數值模擬軟件 VIP;俄羅斯 RFD 公司的 tNavigator 等。這些軟件均利用機器學習、最優化等人工智能技術進行自動歷史擬合，加速模擬速度，從而提升了軟件的智能化水平。

　　3 人工智能在石油勘探開發領域應用時面臨的挑戰與發展方向

　　企業數字化轉型發展是借助物聯網、云計算、大數據、人工智能、區塊鏈等信息技術，前端實現自動采集、自動傳輸、實時感知，中端實現安全存儲、實時監視、集中管控，后端實現智能分析、數據共享與技術支撐。前、中、后端的一體化協同、高效聯動與數據共享，快速推動了傳統業務流程重構與工作方式變革。人工智能在其中發揮了中樞紐帶作用。人工智能技術有望突破石油勘探開發面臨的瓶頸問題，實現管理模式由傳統豎向獨立管理向一體化協同運行、扁平化管理模式轉變，重構業務流程，實現提質、降本、增效，助力企業的數字化轉型發展。人工智能技術主要從以下幾個方面對傳統業務流程進行重構：一是自動化數據采集設備，為油氣勘探開發提供實時動態數據;二是智能化分析處理軟件，提高人工解釋處理的效率，減少對專家經驗的依賴度，優化人力資源，節省人工成本;三是無人機、電子巡檢代替人工作業，實現無人值守，提高員工幸福指數;四是安全預警，實現事前控制，減小問題發現及信息傳遞的時間，降低生產維護成本;五是生產動態管理，提升應急處置能力，減小產量損失。

　　3.1 人工智能在石油勘探開發領域應用時面臨的問題與挑戰數據已經成為一種新生資源，不僅推動著社會經濟的發展，而且促使人工智能的不斷進步。然而，石油勘探開發領域的人工智能應用往往會陷入不斷升級裝備和軟件的誤區，最終導致離線的機器、碎片化的軟件和割裂的數據。人工智能要達到工業級應用需要具備足夠高質量的數據、關系明確的應用場景、科學恰當的算法模型等條件。開展探索性研究相對容易，但工業級別落地應用時面臨重重困難。

　　3.2 人工智能應用發展方向人工智能技術必將為實現油氣全產業鏈突破提供新動能。結合石油勘探開發需求及人工智能技術研究現狀，未來的應用發展方向主要包括以下 3 個方面。 ①智能生產裝備。隨著深度學習、自然語言處理、語音識別、強化學習等技術在機器人中的不斷成功應用，工業機器人逐漸走向成熟。越來越多的石油公司開始使用機器人代替人類進行危險作業。目前，機器人已經成功應用到了管道巡檢、深水作業、高危作業等領域。無人機技術逐漸在石油勘探開發領域應用，尤其是物探領域，可實現地質探測、數據采集、視頻監控、物資投放、工程救援等工作。同時，由于專業軟件的嵌入應用，石油勘探開發生產裝備的智能化水平越來越高。未來，嵌入物聯網、機器視覺、深度學習等技術的智能生產裝備將大大降低生產成本，提高生產效率。 ②自動處理解釋。數據挖掘和數理統計等分析技術在石油勘探開發領域的應用較為成熟，廣泛應用到測井曲線解釋、儲集層參數預測等領域。近幾年，隨著深度學習、集成學習、遷移學習等技術的不斷發展，其在圖像處理、分析預測等方面展現出較為顯著的優勢。未來，深度學習、集成學習、遷移學習、強記憶學習等技術有望在巖石物理、地震圖像、測井曲線、數字巖心、生產運行等數據的自動分析處理方面得到深度應用。

　　3.3 人工智能應用發展重點人工智能應用應該以點帶面、逐步推廣，結合勘探開發業務的實際需求，未來人工智能技術應用的重點發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 年的發展重點包括數字盆地、快速智能成像測井儀、智能化節點地震采集系統、智能旋轉導向鉆井、智能化壓裂技術裝備、分層注采實時監測與控制工程技術等。國外借助 1998 年“數字地球”概念的推動，已完成數字盆地建設，中國數字盆地建設還沒有統一的模式和標準，理論研究居多，實際應用偏少。未來 5 年，利用大數據和人工智能技術，基于國內外成熟盆地的勘探開發成果，對盆地進行勘探開發全生命周期的分析，形成智能勘探決策系統，指導剩余優質油氣資源空間分布預測，明確勘探重點和目標。

　　4 結語

　　人工智能在石油勘探開發領域的應用剛剛起步，尚未形成顛覆性成果，卻又顯現出巨大的潛力，已有的研究成果歸納為三個方面：一是智能裝備初步應用，無人機、機器人等代替人類進行巡檢操作，初步應用到管道巡檢、無人值守平臺等場景中;二是大數據、機器學習等技術應用到了勘探開發數據的分析處理上，但現階段大多是“點”上的應用，尚未形成“面” 上的推廣;三是大多數企業意識到了數據共享的重要性，開始研發一體化分析平臺、集成軟件等。

　　人工智能在石油勘探開發領域已開展的應用探索主要集中在測井處理解釋(如巖性識別、曲線重構等)、地震處理解釋(如初至波拾取、斷層識別等)、水驅開發實時調控、產量預測等方面，智能算法的應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了智能裝備。由于人工智能算法需要建立在大數據基礎上，對算法的輸入和輸出之間的映射關系要求明確、清晰，而油氣儲集層地下條件復雜多變，石油勘探開發面臨多解性、小樣本等問題，人工智能的應用推廣難度大，因而人工智能在石油勘探開發中的落地應用不宜全面鋪開，應以點帶面，逐漸推動。未來石油勘探開發領域人工智能的發展重點包括數字盆地、快速智能成像測井儀、分層注采實時監測與控制工程等技術。

　　參考文獻：

　　[1] MCCARTHY J, MINSKY M L, ROCHESTER N, et al. A proposal for the Dartmouth summer research project on artificial intelligence[J]. AI Magazine, 2006, 27(4): 12-14.

　　[2] 張東曉, 陳云天, 孟晉. 基于循環神經網絡的測井曲線生成方法 [J]. 石油勘探與開發, 2018, 45(4): 598-607. ZHANG Dongxiao, CHEN Yuntian, MENG Jin. Synthetic well logs generation via Recurrent Neural Networks[J]. Petroleum Exploration and Development, 2018, 45(4): 598-607.

　　[3] 江凱, 王守東, 胡永靜, 等. 基于 Boosting Tree 算法的測井巖性識別模型[J]. 測井技術, 2018, 42(4): 395-400. JIANG Kai, WANG Shoudong, HU Yongjing, et al. Lithology identification model by well logging based on boosting tree algorithm[J]. Well Logging Technology, 2018, 42(4): 395-400.

　　《人工智能在石油勘探開發領域的應用現狀與發展趨勢》來源;《石油勘探與開發》，作者：匡立春 1 ，劉合 2 ，任義麗 2 ，羅凱 1 ，史洺宇 1 ，蘇健 2 ，李欣 2