人工智能在石油勘探开发中的应用及发展趋势（总结部分）_人工智能在油气发展现状和趋势论文中的作用

原文：Application and development trend of artificial intelligence in petroleum exploration and development

总结与展望

企业数字化转型是利用物联网、云计算、大数据、人工智能、区块链等信息技术，实现前端的数据自动采集、数据自动传输和实时感知，中间的安全存储、实时监控和集中控制，后端智能分析、数据共享和技术支撑。前、中、后端的整合、协同、高效联动和数据共享，有力地推动了传统业务操作流程的重构和工作模式的变革。人工智能在这种转变中发挥着至关重要的作用。

人工智能技术有望打破探索和发展的瓶颈，将管理模式从垂直、孤立（传统）转变为融合、协同、扁平化，重构业务运作流程，提质降本增效，最终提升企业数字化转型。改造主要从以下几个方面进行：

1. 自动数据采集设备 —> 提供实时动态数据；
2. 智能数据分析处理软件 —> 提高处理/解释效率，减少对专家经验的依赖，优化人力资源配置，降低人力成本；
3. 无人机、电子巡检替代人工 —> 提高员工幸福指数；
4. 故障预警 —> 采取主动措施，缩短故障检测和信息传递时间，降低生产维护成本；
5. 生产运行动态管理 —> 加强应急处置能力，最大限度减少生产损失。

.1 问题与挑战

数据已经成为了一种新的公认资源，不仅促进了社会经济发展，也促进了AI技术的不断进步。然而，该技术在石油勘探开发领域的应用往往偏向于不断升级设备和软件，最终导致及其离线、软件碎片化和数据孤立。AI要在行业落地引用，需要高质量的数据、清晰的应用场景、科学合适的算法模型等条件。进行探索性研究相对容易，但在工业规模的实际应用中必须克服许多困难。

客观来说，储层非均质性导致石油地质问题求解存在多解性和不确定性，难以获得机器学习的“教科书”（标签数据）。然而，高质量的标签数据是AI技术实现产业化应用的关键。收集地震数据的成本往往很高，因此获得的数据大多是“小样本”，数据量无法满足深度学习的要求。由于石油勘探数据具有很强的专业性和特殊性，不能直接使用通用的AI算法。在使用迁移学习技术提高训练准确率时，需要调用已有的相关预训练模型。由于石油勘探开发应用的特殊性，在现有资源库中无法找到合适的预训练模型或先验知识场景。这些都在一定程度上阻碍了AI应用的进程。

主观来说，受制于管理制度和数据状态，AI的实际应用存在诸多困难。目前，勘探开发领域AI技术研究呈爆发式增长，但缺乏系统协同，一定程度上导致资源浪费和重复投资。研发数据普遍具有大数据的特点，如体量大、多源异构性等。然而，“大数据量”并不等于“大数据”。目前，石油勘探开发数据标准不统一、数据质量参差不齐、数据共享未实现，导致AI应用缺乏数据基础。此外，AI应用场景不清晰、系统性不强，推进目前和技术路线不明确，缺乏“油气+智能”关键基础理论和技术装备。因此，在AI应用中，如何重构管理流程，发挥AI对提质降本增效的促进作用，将是未来企业面临的巨大挑战。

.2 发展方向

AI技术必将为油气企业链科技突破提供新动能。考虑到石油勘探开发的需求和AI技术的研究现状，未来的发展方向将包括以下三个方面：

1. 智能装备。随着深度学习、自然语言处理、语音识别、强化学习等技术不断成功融入机器人，工业机器人逐渐走向成熟。越来越多的石油公司已经开始使用机器人代替人类进行危险操作。目前，机器人已成功应用于管道巡检、深水作业等高危作业。无人机技术在勘探开发作业中逐步应用，特别是地球物理勘探领域，无人机可以进行地质探测、数据采集、视频监控、物资运送、工程救援等。同时，由于在设备中植入了专业的软件，设备变得越来越智能。未来，智能装备嵌入物联网、机器视觉、深度学习等技术，将大大降低运营成本，提高运营效率。
2. 自动数据处理和解释。数据挖掘和数理统计在石油勘探开发中的应用十分成功，在测井曲线解释、储层参数预测等工作中得到了广泛应用。近年来，随着深度学习、集成学习、迁移学习等技术的不断进步，AI在图像处理、分析和预测方面的突出优势已经显现。深度学习、集成学习、迁移学习、强记忆学习等技术未来有望在岩石物理、地震图像、测井曲线、地震岩心、生产作业等数据的自动化处理与分析中得到深入应用。
3. 专业的软件平台。在石油勘探开发方面，油气专业软件和信息系统是人工智能技术 的载体和核心。专业软件是最重要的研究工具，是专家智慧的结晶，是石油公司和服务公司的核心竞争力。随着AI算法在数据自动采集、智能处理分析等方面的应用，部分专业软件包利用机器学习、机器视觉、数据挖掘等算法进一步提升智能化水平，致力于实现协同研究在数据共享的基础上。Petrel、Techlog、Eclipse等专业软件包不断吸纳AI技术，更加智能，实现仿真与设计一体化。未来，AI技术的研发将针对行业内已有的知名专业软件包，加强其智能化，同时催生出一些新的专业软件包，满足各种需求。

.3 发展重点

要以个案的成功经验促进传播，逐步推广AI的应用。针对勘探开发作业的需要，未来应用的发展重点将包括智能盆地、智能测井、智能物探、智能研发、智能压裂、智能采油等，未来五年的重点将包括数字盆地、快速智能成像测井仪、智能节点地震采集系统、智能旋转转向、智能压裂技术与装备、分层注采实时监测等。

1998年，在数字地球概念的帮助下，海外石油工业制造了许多数字盆地。然而，国内数字盆地制作并没有统一的模式和标准。理论研究多，实际应用少。未来几年，中国专业人士将借助大数据和AI技术，基于国内外成熟盆地的勘探开发成果，对勘探开发全生命周期进行分析，以建立勘探智能决策系统，指导剩余优质油气资源空间分布预测，明确勘探重点和目标。

对于智能测井，海外扫描仪3D扫描成像系列包络万象，应用广泛。在国内，EIlog，国产快速成像系统大规模应用，已经有了全域成像和随钻成像的样机；但在稳定性、可靠性、实用性等方面与国外同行相比还有差距，AI系统无法满足工业规模应用的需求。今后的发展方向是稳定可靠的快速智能成像测井仪的研发和大规模应用，提高产品追赶世界一流水平。

对于智能物探，强频带、低成本、宽频带、高效率的采集技术是实现高精度物探的关键。目前，国内外的节点采集系统都是基于本地存储的盲捕集，采用模拟电路检波器，导致频带有限。今后的进展将集中在数字节点采集系统和集成采集系统(可控震源和电子学相结合)的建设上，为陆上应用制造100万个通道的智能节点采集系统，为深海(~1000m)应用制造系统。

对于智能化钻井作业，国外已开发出多种转向方式、多种成角能力的多尺寸转向工具，可满足复杂地质、恶劣工程条件下钻井作业的需要。该工具适用于大规模作业，被证明是页岩油气开发的“芯片”技术。国产产品在稳定性、可靠性、实用性和使用寿命等方面还不能满足规模化工业应用的需要。未来的发展重点将是研发具有高成角能力、高机械钻速、高轨迹控制精度和高运行可靠性的智能旋转转向随钻测量技术和设备

对于智能压裂，国内智能电驱压裂设备与国外相比存在差距。国外2500型压裂泵车的最大输送能力为4.9m ~ 3/min，而国内同类产品的最大输送能力仅为2.8m ~ 3/m in，既不能满足高强度、高压力、大输量、高支撑剂浓度、连续作业的非常规开采要求，也不能满足中国地区山区和黄土高原作业的需要。未来的发展重点将是研发一整套大功率电驱动压裂设备、智能全生命周期管理系统和智能压裂系统，实现压裂作业的小体积、大功率、智能化。

对于智能采油，国内油田主要采用注水开发，技术领先国外。由于陆相沉积层状油藏非均质性强，整体采收率低至高含水阶段。实施精细化智能分区注采是提高采收率的重要途径。未来的发展重点是研发智能分区注采系列实时监控技术、智能油藏工程一体化优化系统。