-
加大油气勘探开发力度､保障国家能源安全是当前面临的迫切任务｡ 但随着优质资源的不断开发,剩余资源开采难度越来越大,成本越来越高,迫切需要创新技术提升油气勘探开发效率和效益｡ 在大数据､人工智能( artificial intelligence,AI)､5G､云计算､物联网等技术推动下,油气田的智能化水平将会越来越高,这既是油田降本提质增效的有效途径, 也是油气技术发展规律的必然趋势｡ 笔者对大数据和人工智能在油气田开发中的应用现状及进展､国内外油公司智能化油田建设状况进行深入调研,并对应用过程中存在的问题和挑战进行分析,探讨智能油气田建设目标､建设模式､关键环节､核心内容, 并根据中国石化实际情况提出需要发展的关键技术｡
-
1 大数据和人工智能技术是油气田智能化发展的重要动力
-
纵观世界历史,每一次工业革命都极大地促进了社会生产力的跃升,创造了经济的繁荣,推动了人类文明的进步[1] ｡ 目前阶段,第4 次工业革命正在快速发展,其特点是大数据与人工智能技术引发全社会和全产业链的颠覆性变革｡ 大数据与人工智能技术已经在互联网､金融､医疗健康､教育等多个领域得到了发展和应用,并取得了令人振奋的实用效果[2-4] ｡
-
石油工业作为国民经济的重要支柱,历来都是新技术､新方法的重要试验田,但大数据和人工智能技术在石油行业尚处于起步阶段｡ 近十年来,北美页岩气革命改变了世界油气供应格局,出现了供大于求的情景,油价进入中低价格阶段,上游板块的发展也正由资源扩张型转向降本增效型｡ 随着优质石油资源的不断开发,中国的剩余储量开采难度越来越大,存在石油资源品位劣质化､老油田高含水､低油价､环境污染等问题的挑战｡ 在低成本竞争环境下,第4 次工业革命必然与石油工业深度融合,智能油田的发展有望成为应对低油价的突破口[5-6] ｡
-
智能油气田以油气物流关系为主线,在自动化数据采集和控制的基础上,通过管理转变和流程优化,建立全面感知､自动控制､智能预测､优化决策的生产体系[7-8],实现油藏管理､采油工艺､生产运营的持续优化(图1)｡ 智能油气田是油气田发展的需求,有望解决油田勘探开发过程中更多的实际难题｡ 智能油田正朝着数据显示虚拟化和可视化､决策部署协同化和高效化､生产管理远程化和实时化､业务管理一体化和精细化､信息资源集成化和共享化方向发展,以实现原油产量的稳定､天然气开发应用的快速发展以及为国民经济从高速发展向高质量发展转换提供能源保障｡
-
图1 智能油气田生产链条
-
Fig.1 Intelligent oilfield production chain
-
2 大数据和人工智能技术研究进展
-
2.1 大数据与人工智能在各行各业的发展
-
数据是人工智能的血液,当前的人工智能也被称作数据智能,主要包含大数据､云计算､人工智能以及区块链技术,四者不可分割｡ 比如,先进的工业互联网,其中既有区块链技术也有大数据技术,还有云计算技术,三者合成一体,又衍生出了人工智能和物联网的概念[9] ｡
-
在大数据基础上的人工智能,已进入数据智能的深度学习时代,其快速发展引起了社会和产业的颠覆性变化｡ 2008 年,在世界10 家最有价值的公司中,石油公司占了5 家,到了2018 年,前10 家最有价值的公司已由石油公司为主体转变为互联网(数据) 公司为主体｡ 如Alphabet( Google的母公司)､亚马逊(Amazon)､苹果( Apple)､脸书( Face-book)和微软(Microsoft) 是当前全球估价最高的5 家上市公司｡ 英国《经济学人》 甚至认为当今世界最宝贵的资源不再是石油,而是数据[10] ｡
-
从大数据和人工智能技术全行业的发展来看, 目前美国仍处于领先地位,中国紧随其后,且具有赶超趋势[11] ｡ 中国在人工智能相关的论文发表总数和高引论文数量实现对美国的超越,但在人工智能理论发展和技术方向的引领方面美国还占据支配地位[12] ｡ 为了加快中国大数据和人工智能产业的发展,国务院于2015 和2017 年分别发布了《促进大数据发展行动纲要》和《新一代人工智能发展规划》, 在国家层面上明确促进大数据和人工智能发展｡ 习近平总书记在致信第三届世界智能大会时指出:在移动互联网､大数据､超级计算､传感网､脑科学等新理论新技术驱动下,人工智能正在对经济发展､社会进步､全球治理等方面产生重大而深远的影响｡ 中国高度重视创新发展,把新一代人工智能作为推动科技跨越发展､产业优化升级､生产力整体跃升的驱动力量,努力实现高质量发展｡
-
2.2 人工智能算法研究现状
-
人工智能发展经历了3 个阶段:第1 个阶段从1956 年到1976 年,1956 年计算机专家约翰·麦卡锡提出了人工智能一词,被看作是人工智能正式诞生的标志,但科研人员对人工智能项目难度预估不足,让人工智能前景蒙上了一层阴影;第2 个阶段从1976 年到2006 年,BP算法(即误差反传网络)的出现推动了人工智能的快速发展,但该阶段机器无法制定规则,需要研究者把规则都事先定好,因此只能处理简单的问题;第3 个阶段从2006 年至今,2006 年Hinton等[13] 提出了深度学习的技术,并在图像､ 语音识别以及其他领域内取得了成功｡
-
近些年来,许多学者针对深度学习算法进行了改进｡ Lecun等[14] 提出了卷积神经网络( convolu-tional neural networks,CNNs),这是第一个真正多层结构学习算法,它利用空间相对关系减少参数数量以提高训练性能｡ 随后,循环神经网络( recurrent neural networks,RNNs)､自动编码器( auto encode, AE)､长短时记忆( long short term memory,LSTM)､ 随机森林(random forest,RF)､梯度增强(gradient re-inforcement learning,GRL)等算法出现[15-17] ｡
-
目前,许多大型数据公司,包括谷歌､微软､亚马逊等互联网巨头都研发了自己的研发框架,将目前已有的人工智能算法包装成算法包,方便用户直接调用[18] ｡ 目前应用最为广泛的是Tensor Flow､ Keras､Pytorch､MXnet四大研发框架｡ 这些框架均支持Python语言编程和GPU并行运算,可实现全连接神经网､卷积神经网､生成对抗神经网等复杂程序,解决分类､降维､聚类､回归等不同类型问题(图2)｡
-
图2 机器学习算法任务分类
-
Fig.2 Task classification of machine learning algorithm
-
2.3 人工智能在油气勘探开发中的应用
-
国内外学者在地质分析､测井解释､地震解释､ 甜点预测､地质建模､油藏模拟等方面均开展了一些探索性研究,收到了良好的效果｡
-
(1)岩心岩石相分类｡ 在岩心分析领域,深度学习算法主要用于图像识别｡ 传统的岩石薄片图像鉴定以肉眼观察和描述为主,存在试验周期偏长､定量困难､效率较低､受主观影响较大等一系列问题｡ 深度学习算法可对岩石薄片进行矿物识别､信息提取､岩心重构､特征标注､孔隙识别等处理,具有快速､精确度高等优点｡ 目前,利用岩心CT扫描图像数据作为机器学习的训练数据集,训练卷积神经网络( CNN), 岩相分类结果预测准确率可超过90%[19-23] ｡
-
(2)测井曲线解释｡ 常规的储层参数预测方法是通过经验公式或简化地质条件建立模型,计算储层参数,对于解决一般地质储层问题能取得较好的效果,对于复杂地质问题预测精度不高｡ 人工智能特别是深度学习神经网络的发展为地质储层参数预测带来了新的途径,该技术可以自主地学习曲线特征,避免了人为提取的误差,既能做岩性､岩石类型､ 沉积微相的自动识别,也可以做储层物性参数自动解释[24-28] ｡
-
(3)地震资料解释｡ 充分利用大量地震数据获取地下信息是深度学习的攻关方向之一｡ 基于深度卷积生成对抗网络的叠前地震波形分类方法,既保留了深度卷积神经网络的特征提取能力,又能通过有标签数据辅助训练,有效提高了识别精度[29] ｡ 采用合成地震记录生成训练数据集,训练卷积神经网络模型,不但能检测断层,而且还能检测出断层的倾角,预测效果明显优于以前的相干系数和断层似然概率算法[30-31] ｡ 另外,深度学习算法可提取地震数据中与盐丘相关的特征,建立全波形反演所需的初始模型;基于偏移图像生成盐丘概率图,并将其耦合进全波形反演的目标函数,可用于盐丘自动识别[32-33] ｡
-
(4)油气甜点预测｡ 在非常规油藏开发过程中,通过将射孔､水力压裂层位的信息以及油气生产数据进行关联,可建立层位与生产数据之间的关联规则;然后采用聚类算法进行分析,确定甜点层位｡ 基于该方法对美国巴肯页岩数千口页岩油进行分析,甜点区预测符合率超过85%[34-37] ｡
-
(5)生产动态历史拟合与数值模拟预测｡ 油藏数值模拟自动历史拟合常用集合卡尔兹曼滤波(En-KF)方法,但该方法假设输入参数服从高斯分布,限制了其使用范围｡ 近年来,提出了基于深度学习的数据驱动历史拟合方法,预测结果比模型驱动的历史拟合方法更加可靠｡ 例如,通过卷积神经网络+主成分分析(CNN-PCA)相结合的历史拟合方法,无论是对于已开发井的先验或后验预测,还是对于新井的生产动态预测,均可取得较高的精度[38-40] ｡
-
(6)井数据驱动油气藏产量预测｡ 深度训练网络作为初始数据驱动模型,可以在已知产气量､产油量､井口温度及压力数据､油嘴参数等各类井数据的前提下,创建井数据与油气产量之间的映射关系,对单井乃至整个井场的生产情况进行合理预测,明确配产需求[43-44] ｡ 例如,Chukwuma [45] 将深度学习用于流体参数预测,输入初始压力､饱和压力､溶解气油比､地层体积系数､体系压缩系数､油的密度､气的密度､原油黏度等数据,进行训练后可用于预测其他井的饱和压力､地层体积系数和气体压缩系数等｡
-
3 国外能源公司智能化建设历程及发展现状
-
随着数据采集技术和高性能计算技术的提升, 石油勘探开发过程中获得了越来越多的数据,远超过了人脑的处理能力｡ 基于最新的人工智能手段运用好这些海量数据将对石油勘探开发工程带来革命性改变｡ 据美国咨询公司Research and Markets报告预测,在石油和天然气领域,人工智能市场规模预计到2022 年将达到28.5 亿美元｡ 因此国外石油公司已经积极寻求智能化发展,并开展了一些有益的尝试[46-49] ｡
-
3.1 壳牌(Shell)智能井方案提高举升效率
-
壳牌公司在智能化油气田建设上处于国际领先地位,在全球共有59 个智能化油气田,经济收益已达50 亿美元｡ 位于马来西亚Borneo海面的SF30 油田是Shell第1 批实施了此概念的智能油田之一, 基于测试结果和地上地下数据,建立了可靠的数学模型,实时､持续地优化举升效率,并对生产状况进行预测｡ 目前,基于预测结果实现了每1~5 min进行一次调整,极大地提升了举升效率｡
-
3.2 壳牌利用大数据技术进行预防性维护
-
壳牌公司利用无线传输技术和相应的集中控制装置形成数字化生产设备的物联网,自动监测温度､ 振动等设备运行状态数据,并通过网络传送到岸上数据中心,经大数据分析预处理后,自动提供分析预测支持｡ 专家根据设备具体情况,制定并优化相应的维护策略和行动方案｡ 岸上远程控制中心根据专家制定的设备维护策略和行动方案,调度安排相关人员对设备进行维护｡ 该方案在某海上平台实施后,有效避免了生产损失和非计划停工,提升了设备资产安全性和合规性,减少生产损失获益3000~6000 万美元,是项目年投入的6 倍,现场用人由1980 年的25 人减少到2016 年的4 人｡
-
3.3 挪威国家石油公司(Statoil ASA)的设备状态监测平台
-
挪威国家石油公司通过搭建设备状态监测平台,为不同层级的管理人员提供信息支持,实现了对生产现场及关键设备的状态监测与性能监测,并形成了开发早期设备故障监测预警方法及剩余工作年限预测方法｡ 该平台可以根据设备的历史数据与实时数据及规则模型,对设备的重要因子进行分析和预测,并根据预测结果向维修人员进行提示,实现了设备的状态检修,避免了因设备非正常停机造成的生产损失｡
-
3.4 雪佛龙(Chevron)的i-DOT智能油气田应用
-
雪佛龙开发了一系列油藏和生产相关应用系统(总称i-connect),通过开放的数据标准和共有信息平台整合多种数据并进行应用,提高了其对油气田的感知能力和分析能力｡ i-DOT是i-connect中的一个应用,这项技术能够快速､及时､可视化地找到异常油井,根据油井的异常状况自动生成建议的行动方案,并辅助实时调整生产计划｡
-
3.5 阿美拉达赫斯公司(HESS) 利用大数据技术优化水力压裂
-
在低油价下,美国阿美拉达赫斯公司HESS页岩气运营商正寻找最合适的方案,以通过提高采收率或以较低的成本保持相同产量水平,获得最大的水力压裂价值｡ 基于全数据的长期页岩气井流体模拟,研究人员建立压裂模拟器运行全数据资产,并反复进行数据分解和数据重新构建,分析了影响压裂效果的主要因素｡ 通过大量的数据获取和分析, HESS公司获得了Bakken页岩气田最具备经济价值的水力压裂方案｡
-
4 中国智能化油田建设实践
-
目前,国际油公司都在大力推动智能油田的发展(图3)｡ 经过多年的信息化建设,中国已经实现了由传统油气田向数字油气田的转变｡ 1999 年,大庆油田提出了数字油田的概念,随后20 a,中国油气生产单位已经初步建成了一批数字油田信息化系统[50-53] ｡ 以建设完整､准确､及时､唯一的数据库和管理数据库为主的信息化建设工作,解决了勘探开发工作过程中资料的快速收集､统计､查询及诊断预警｡
-
智能油田重点应该是对数据的统计､分析､挖掘,寻找数据之间的关联,准确预测油井产量,有效支持油田勘探开发工作｡ 数字油田建设让油田企业形成了数字化的形态,通过资料积累为大数据､人工智能应用指明了方向和路径[54-55] ｡
-
图3 智能油气田发展历程
-
Fig.3 Development history of intelligent oil and gas fields
-
中国石化胜利油田,2003 年编制了《数字胜利油田建设规划》,标志着数字化建设启动;2008 年, 胜利油田“863”项目数字油田关键技术研究立项; “十二五” 期间,胜利油田基本完成了数字油田建设,从数字油田向智能油田演进是胜利油田“十三五”规划的目标[56-57] ｡ 河南油田智能油田建设进展顺利,其中勘探开发业务协同平台上线运行,生产信息化新目录已完成4 个采油管理区的建设,有效地提高了生产效率和经济效益[58] ｡ 普光气田已将智能气田建设作为未来的发展方向,并制定了详细的实施计划[59] ｡
-
为进一步系统开展智能油田建设,中国石化2018 年启动智能油气田试点建设项目,建设内容可概括为“127”,建成1 个智能油气田云平台,补充和完善信息标准化和信息安全2 个支撑体系,建设7项智能化业务应用｡ 2019 年,又进一步启动油田企业人工智能技术试点应用项目,建设不同工作环境下的智能应用场景,加速人工智能在勘探开发中落地｡
-
5 油田智能化发展探讨
-
当前智能化油气田建设快速发展,但是整体处在探索起步阶段,面临来自数据､算法和地下未知因素的诸多挑战｡ 未来在大数据､人工智能､5G､云计算､物联网等技术推动下,油气田的智能化水平将会快速发展,这既是油气技术发展规律的必然趋势,也是油田降本提质增效的有效途径｡ 在发展的过程中,智能油气田建设需要油气勘探开发与大数据､人工智能､云计算以及区块链等技术的深度融合,进而催生一批油气田领域的颠覆性技术,解决油气勘探开发的技术需求,提升油气田勘探开发的经济和社会效益[60-62] ｡
-
5.1 智能油田建设目标
-
(1)智能油气藏建设｡ 基于监测和分析结果, 重新对井产量､采油速度､含水率､注水量等指标进行预测,制定有针对性的调整措施｡ 完成对井筒实时调整,以及地质油藏感知设备的部署,自动采集井下温度､压力､流量等数据信息,作为油藏动态分析优化的基础;结合井下参数､油田生产数据等信息, 通过专业的油藏分析和预测等专家辅助系统,实现更精细化的油藏监测和动态分析;根据油藏分析结果,形成有针对性的油藏开发方案以指导生产,提高产量和采收率｡
-
(2)智能地面工程建设｡ 通过对包括地面油气生产､处理､集输等生产工艺流程进行持续的监测､ 分析和调控,按照油藏开采优化调整提出的要求,不断优化设备运行参数,降低能耗,提升HSE水平,从而提高生产效率,降低成本和风险;对关键设备及重要措施进行自动化监测,实现定期状态检查检验,预先发现设备､设施的潜在问题,结合专家诊断和分析结果进行有针对性的预防性维护和维修,提高设备､ 设施完整性管理水平,降低设备､设施的综合成本, 充分发挥效能｡
-
(3)生产运营一体化｡ 通过工作方式､管理机制的变革和流程优化,辅以技术手段支撑的协同工作环境,使相关人员能够跨地域､跨学科专业高效协同工作,充分发挥各领域技术专家的优势｡ 跨学科专业协同即一体化生产优化,将油藏､采油工艺､生产作业､设备设施等专业人员集合在一个平台或环境中,提高分析和决策效率及执行效果,使油气生产更高效;跨管理层级协同应急指挥,当出现重大事故时,管理层实时了解现场情况和应急资源分布,下达应急指令,降低了信息沟通､资源协调的难度和工作量;跨地域协同即远程专家支持,分布在不同地域的专家可通过协同工作环境会上讨论,克服了地域､时间的障碍,充分发挥技术专家的知识优势,使生产运营更加科学有效｡
-
5.2 建设模式
-
智能油田建设模式主要体现在智能运行与低成本上,未来的智能油田都需要智能化运行,创建一种新的油田管理方式｡ 智能运行模式将与传感器技术､大数据分析､人工智能发展趋势相耦合､构建互联互通的油气田全覆盖网络统一平台[65-66] ｡ 需要解决以下问题:
-
(1)高精度数据实时采集｡ 研发更加精密的随钻分析､室内测试､井下监测和井口计量等仪器设备,实现油气藏开发数据的全方位､高精度､自动化､ 实时采集｡
-
(2)大数据高速传输和存储｡ 基于5G､光纤等最新通信技术实现油田数据的高速传输,基于云存储技术实现TB或PB级海量数据的存储,构建工业设备-云端存储设备-人类设备的油气藏开发物联网｡
-
(3)大数据与人工智能能结合实现数据赋能｡ 基于数据､业务､算法(技术) 科学匹配,开展小任务､多数据､强关联､混合技术､大数据分析,实现人工智能学习､记忆､判识,智能操控｡
-
(4)区块链技术实现资源共享｡ 各类生产资料､数据分析及智能判识信息等按照一定的频率记录在区块链中,形成安全的分布式数据库,解决数字经济的基础设施,为决策层提供决策依据,并打破油公司的组织边界,实现所有者､生产者和使用者的统一,涉及到了生产关系这个根本问题｡
-
目前经过多年的数字油田建设,形成了不同系统的管理系统,为了推进智能油田的建设,应推进适应云服务环境下的统一的基础运维平台的建设,对信息资源进行集中统一的精细化管理,实现资源的合理调配,运行过程的集中监控､问题超前预警和故障准确定位,运维需求统一受理,处理过程的实时跟踪和质量考核｡
-
5.3 实施方式
-
大数据和人工智能的实施载体是融合多维､多尺度数据的油气藏模型,基于数据驱动的油气藏模型可开展油气田方案优化和调整,从而实现数据的价值｡
-
(1)建立内在统一的地质模型和油藏模型,实现油气资源的透明化､精细化,提高储量经济价值｡ 准确的地质模型和油藏模型是进行油气田开发方案设计的基础｡ 大数据及人工智能技术有望将地震､ 测井､地质､施工､生产及室内试验等多类型的数据进行深度融合,提取多类型数据中的有用信息,不断校正､完善地质模型和油藏模型,使模型能够准确再现油藏实际,为合理设计开发方案提供必要的物质基础｡
-
(2)充分利用物理模型､井下高精度传感器､生产历史等数据,集成油藏多物理量､多尺度､全生命周期的三维油田数字孪生模型｡ 实时反映当前时刻油田开发的状态,预测油藏动态演化及开发全过程｡ 基于油藏数字孪生模型,验证不同开发方案､不同生产措施效果,降低开发方案部署盲目性,提升工程技术合理性,实现地质与工程全面协同,有效提高油田采收率｡
-
(3)方案设计､实施､生产管理一体化,加强大数据分析应用,建立分层次和整体优化模型,实现开采自动化､模型化､可视化和智能化｡ 依靠先进的数据管理和数据挖掘技术,寻找大数据中隐藏的有用信息,将每天收集到的数据(包括地震数据､测井数据､钻井参数､压裂参数等),转变为实时信息,帮助油藏工程师调整现行方案,并依靠自动化井控设备对油藏开发实施精准调控｡
-
5.4 建设方向
-
(1)泛在感知｡ 基于机器学习算法对真实油藏物理问题进行建模,油田全面数据化;功能上实施数字化转型发展,在油田数字化上做好全面数据化和高质量发展｡ 效果上寻找一条比较好的智能分析､ 智能操控的路径,为数字化转型升级建设智能油田打好基础｡
-
(2)全面认知｡ 利用获取的大数据对模型进行训练,实现机器认知;油田实施全面智能操控,功能上利用大数据人工智能,实施智能分析及时发现业务过程中可能出现的问题,预警､告警,智能分析,将生产运行过程智能操控;效果上做好人､财､物智能化,降低成本,提高效益｡
-
(3)协同优化｡ 油田做好全面最优,功能上将数字､智能技术植入油田业务深度融合形成一体化模式｡ 效果上构建健康､安全､绿色的无人油田,实现可装在手机里的5G油田｡
-
5.5 基于人工智能的攻关技术
-
(1)自动地层对比｡ 地层对比是区域地质研究(沉积体系和储层分布)的关键步骤,可以提高对目标储层预测的准确率以及降低勘探开发的不确定性和风险;作为一项关键技术,地层对比被广泛应用于油气勘探开发的多个阶段｡ 传统地层对比采取人工对比方式,并且很大程度上依赖地质解释人员的经验｡ 在地层格架识别和划分过程中,由于要综合分析多种地质信息(如露头､测井､岩心等),使工作量繁重,而且在解释过程中无法避免人为误差和不一致性｡ 基于人工智能技术研发自动化地层对比工具,可有效提高工作效率和地层对比的准确性｡
-
(2)地震数据处理和解释｡ 油田每年采集大量三维地震数据,对于更高清晰度的需求使数据量在过去的几年中大幅增加｡ 传统的地震处理和解释方法无法充分利用研究人员长期积累的有效经验,而且十分耗时,比如初至拾取､速度谱拾取､断层和圈闭解释等｡ 因此将已有的地震资料处理经验与处理流程进行整合,采用人工智能技术可有效提高传统地震处理方法和解释工具的效率以及成果质量｡
-
(3)测井曲线预测｡ 测井数据是储层评价､测井解释和井位设计的必要资料｡ 在特定情况下,由于生产原因等限制,孔隙度､饱和度测井资料不全, 不同批次的测井资料可能存在差异｡ 可以通过人工智能和机器学习的方法,用已有的测井曲线来预测渗透率及饱和度曲线(包括预测其他各种缺失的测井曲线),并将其整合到现有的工作流程中,用得到的新信息去更新现有油藏模型｡
-
(4)多点地质统计学建模｡ 储层相建模是表征地下储层非均质性的关键步骤｡ 目前,现有相建模算法远不能满足地质逼真的要求｡ 多点地质统计建模方法提供了一种将传统储层建模方法与最先进的机器学习图像重建方法相结合的途径,以训练图像为代表,对地下非均质性进行地质表征｡ 深度学习算法提供了一种基于特定图像重建概念途径和方法,可以将地质理解与一定的先验硬数据相结合,生成更高精度的沉积相模型及储层属性分布｡
-
(5)基于深度学习的3D数字岩心重构｡ 复杂的沉积和成岩过程导致储层的孔隙结构非常复杂, 孔隙可以从纳米级到厘米级｡ 基于岩石的岩电性质(如渗透率､相对渗透率､电属性) 进行数字岩心模拟研究,必须要考虑多尺度的孔隙结构特征｡ 因此在进行储层岩电特性模拟时,建立一个包含完整孔隙尺度的3D孔隙模型至关重要｡ 基于深度学习的3D数字岩心将应用常见的2D图像(薄片､SEM等) 或3D图像(微纳米CT)作为输入,建立一个包含全尺度孔隙模型的3D数字岩心,提供可靠的模拟结果,可以与实验室实测压汞､渗透率和电性参数对比｡
-
(6)水力压裂人工智能支持｡ 水力压裂是开采页岩气和致密气资源的关键技术｡ 由于成本降低, 致密､超致密储层水力压裂的需求不断上升｡ 目前, 中国的水力压裂成功率仍然很低,因此需要探索提高压裂作业成功率的方法｡ 通过建立应用大数据分析方法的人工智能系统,可最大限度地使用来自多个气藏和气井的数据,建立在钻井､完井､增产方面更加有效的决策能力和手段｡
-
(7)基于大数据的油藏管理优化｡ 目前,油藏管理决策主要基于油藏工程方法,而这些方法是以物理模拟为基础｡ 油田生产过程中提供了大量的数据信息,如生产数据及各种作业措施,而很多数据没有得到有效应用｡ 充分利用大数据分析技术,开展聚类､数据挖掘和自动递减分析,进行精准预测和实时跟踪,可有效实现单井智能诊断与优化､预警､工况诊断和措施优化设计｡
-
6 结束语
-
近年来随着大数据等技术的高速发展,人工智能技术迎来了新的发展拐点｡ 在低油价下,大数据和人工智能技术可有效节约人工成本,提高油田开发效率,在石油行业具有广阔的应用前景｡ 在未来工作中,要重视3 个方面工作:一是加强数据标准化建设,让数据在不同场景无障碍通行;二是加速智能平台建设,加强智能算法研发,开发集成勘探､开发､ 生产的综合性､智能化研究平台;三是协同创新,融合石油､计算机､应用数学等多学科知识,形成新的方法论和技术体系｡ 总之,加强大数据人工智能技术在中国石油勘探开发中的应用规模,可以实现石油勘探开发主体技术更新换代的宏伟目标,从技术上促进石油勘探开发行业整体转型升级｡
-
参考文献
-
[1] 余乃忠.人工智能时代的中国机遇:第四次科技革命的领导者[J].重庆大学学报(社会科学版),2020,26(2):185-194.YU Naizhong.China’s opportunities in the artificial intel-ligent age:leader of the fourth scientific and technological revolution[J].Journal of Chongqing University(Social Science Edition),2020,26(2):185-194.
-
[2] FENG Zhiqiang,LIAN Peiqing.Deep-time digital basin based on big data and artificial intelligence [J].Acta Geologica Sinica(English Edition),2019,93(sup1):14-16.
-
[3] 刘伟,闫娜.人工智能在石油工程领域应用及影响 [J].石油科技论坛,2018,37(4):32-40.LIU Wei,YAN Na.Application and influence of artificial intelligence in petroleum engineering area [J].Oil Fo-rum,2018,37(4):32-40.
-
[4] 余凯,贾磊,陈雨强,等.深度学习的昨天､今天和明天[J].计算机研究与发展,2013,50(9):1799-1804.YU Kai,JIA Lei,CHEN Yuqiang,et al.Deep learning:yesterday,today,and tomorrow[J].Journal of Computer Research and Development,2013,50(9):1799-1804.
-
[5] 顾逸峰.油气勘探降本增效智能油田成发展新方向 [N].上海证券报,2016-11-23(11).
-
[6] 李剑峰.智慧石化建设:从信息化到智能化[J].石油科技论坛,2020,39(1):34-42.LI Jianfeng.Construction of intelligent petrochemical in-dustry:from information to intelligence[J].Oil Forum,2020,39(1):34-42.
-
[7] 仲庭祥,李敏,王娟娟,等.油田信息化建设的关键技术及应用效果评价[J].中国管理信息化,2018,21(10):56-57.ZHONG Tingxiang,LI Min,WANG Juanjuan,et al.Key technology and application effect evaluation of oilfield in-formation construction [J].China Management Informa-tionization,2018,21(10):56-57.
-
[8] 梁文福.油田开发智能应用系统建设成果及展望[J].大庆石油地质与开发,2019,38(5):283-289.LIANG Wenfu.Constructed achievements and prospects of the intelligent application system for the oilfield devel-opment[J].Petroleum Geology & Oilfield Development in Daqing,2019,38(5):283-289.
-
[9] 施海青,井丹,党延辉,等.基于物联网技术的油田节能监测平台研究[J].计算机技术与发展,2018,28(4):183-186.SHI Haiqing,JING Dan,DANG Yanhui,et al.Research on oilfield energy-saving monitoring platform based on IOT technology[J].Computer Technology and Develop-ment,2018,28(4):183-186.
-
[10] The Economist.The world’s most valuable resource is no longer oil,but data[EB/OL].(2017-05-08)[2020-03-15].http://www.economist.com/news/leaders/217216 56-data-economy-demands-new-approach-antitrust-rules-worlds-most-valuable-resource.
-
[11] 周松兰.中美欧日韩人工智能技术差距测度与比较研究[J].华南理工大学学报(社会科学版),2020,22(2):10-22.ZHOU Songlan.Measurement and comparative study on the gap of AI technology among China,America,Eu-rope,Japan and South Korea[J].Journal of South Chi-na University of Technology(Social Science Edition),2020,22(2):10-22.
-
[12] 中国石油新闻中心.大数据､人工智能为我国油气工业智能化带来历史性机遇[ EB/OL].(2019-10-22)[2020-03-15].http://news.cnpc.com.cn/system/2019/10/24/001748988.shtml.
-
[13] HINTON G E,OSINDERO S,TEH Y W.A fast learn-ing algorithm for deep belief nets[J].Neural Computa-tion,2006,18:1527-1554.
-
[14] LECUN Y,BOTTOU L,BENGIO Y,et al.Gradient-based learning applied to document recognition[J].Pro-ceedings of IEEE,1988,86(11):2278-2324.
-
[15] BENGIO Y,SIMARD P,FRASCONI P.Learning long-term dependencies with gradient descent is difficult[J].IEEE Transactions on Neural Networks,1994,5(2):157-166.
-
[16] 郭丽丽,丁世飞.深度学习研究进展[J].计算机科学,2015,42(5):28-33.GUO Lili,DING Shifei.Research progress on deep learning[J].Computer Science,2015,42(5):28-33.
-
[17] 周永章,王俊,左仁广,等.地质领域机器学习､深度学习及实现语言[J].岩石学报,2018,34(11):3173-3178.ZHOU Yongzhang,WANG Jun,ZUO Renguang,et al.Machine learning,deep learning and Python language in field of geology[J].Acta Petrologica Sinica,2018,34(11):3173-3178.
-
[18] 庞涛.开源深度学习框架发展现状与趋势研究[J].互联网天地,2018,16(4):46-54.PANG Tao.Research on the development status and trend of open source deep learning framework[J].China Internet,2018,16(4):46-54.
-
[19] 程国建,郭文惠,范鹏召.基于卷积神经网络的岩石图像分类[J].西安石油大学学报(自然科学版),2017,32(4):116-122.CHENG Guojian,GUO Wenhui,FAN Pengzhao.Study on rock image classification based on convolution neural network[J].Journal of Xi’an Shiyou University(Natu-ral Science Edition),2017,32(4):116-122.
-
[20] TIAN X,DAIGLE H,JIANG H.Feature detection for digital images using machine learning algorithms and im-age processing[R].URTEC 2886325-MS,2018.
-
[21] ODI U,NGUYEN T.Geological facies prediction using computed tomography in a machine learning and deep learning environment[R].URTEC 2901881-MS,2018.
-
[22] CHAUHAN S,RUHAAK W,KHAN F,et al.Process-ing of rock core microtomography images using seven dif-ferent machine learning algorithms [J].Computers & Geosciences,2016,86:120-128.
-
[23] SRISUTTHIYAKORN N.Deep learning methods for predicting permeability from 2-D/3-D binary segmented images[R].SEG 2016-13972613,2016.
-
[24] SIDAHMED M,ROY A,SAYED A.Streamline rock facies classification with deep learning cognitive process [R].SPE 187436-MS,2017.
-
[25] BESTAGINI P,LIPARI V,TUBARO S.A machine learning approach to facies classification using well logs [R].SEG 2017-17729805,2017.
-
[26] 张野,李明超,韩帅.基于岩石图像深度学习的岩性自动识别与分类方法[J].岩石学报,2018,34(2):333-342.ZHANG Ye,LI Mingchao,HAN Shuai.Automatic i-dentification and classification in lithology based on deep learning in rock images [J].Acta Petrologica Sinica,2018,34(2):333-342.
-
[27] 段友祥,李根田,孙歧峰.卷积神经网络在储层预测中的应用研究[J].通信学报,2016,37(Z1):1-9.DUAN Youxiang,LI Gentian,SUN Qifeng.Research on convolutional neural network for reservoir parameter prediction[J].Journal on Communications,2016,37(sup1):1-9.
-
[28] 郑宇哲,叶朝辉,刘西恩,等.基于深度学习的储层物性参数预测方法研究[J].电子世界,2018(4):23-26.ZHENG Yuzhe,YE Zhaohui,LIU Xi’ en,et al.Re-search on prediction method of reservoir physical proper-ties based on deep learning [J].Electronics World,2018(4):23-26.
-
[29] ZHAO T,JAYARAM V,ROY A,et al.A comparison of classification techniques for seismic facies recognition [J].Interpretation,2015,3(4):29-58.
-
[30] 尹淼.叠前地震波形分类方法研究[D].西安:电子科技大学,2018.YIN Miao.Research on prestack seismic waveform clas-sification method[D].Xi’ an:University of Electronic Science and Technology of China,2018.
-
[31] LEWIS W.Deep learning prior models from seismic im-ages for full-waveform inversion [ R ].SEG 2017-17627643,2017.
-
[32] 付超,林年添,张栋,等.多波地震深度学习的油气储层分布预测案例[J].地球物理学报,2018,61(1):293-303.FU Chao,LIN Niantian,ZHANG Dong,et al.Predic-tion of reservoirs using multi-component seismic data and the deep learning method[J].Chinese Journal of Geo-physics,2018,61(1):293-303.
-
[33] 林年添,张栋,张凯,等.地震油气储层的小样本卷积神经网络学习与预测[J].地球物理学报,2018,61(10):4110-4125.LIN Niantian,ZHANG Dong,ZHANG Kai,et al.Pre-dicting distribution of hydrocarbon reservoirs with seis-mic data based on learning of the small-sample convolu-tion neural network[J].Chinese Journal of Geophysics,2018,61(10):4110-4125.
-
[34] AL-ANAZI A,GATES I.A support vector machine al-gorithm to classify lithofacies and model permeability in heterogeneous reservoirs [J].Engineering Geology,2010,114(3):267-277.
-
[35] 李青元,张洛宜,曹代勇,等.三维地质建模的用途､ 现状､问题､趋势与建议[J].地质与勘探,2016,52(4):759-767.LI Qingyuan,ZHANG Luoyi,CAO Daiyong,et al.Us-age,status,problems,trends and suggestions of 3D ge-ological modeling[J].Geology and Exploration,2016,52(4):759-767.
-
[36] KORJANI M,POPA A,GRIJALVA E,et al.A new approach to reservoir characterization using deep learn-ing neural networks[R].SPE 180359-MS,2016.
-
[37] LI Q,AGUILERA R.Unsupervised statistical learning with integrated pattern-based geostatistical simulation [R].SPE 190087-MS,2018.
-
[38] AGBALAKA C C,OLIVER D S.Automatic history matching of production and facies data with nonstation-ary proportions using EnKF [ R].SPE 118916-MS,2009.
-
[39] DENNEY D.Advanced reservoir-management work flow-EnKF-based assisted-history-matching method [J].Journal of Petroleum Technology,2010,62(4):81-85.
-
[40] 周峰,刘均荣,胡祥云.智能井反馈控制生产策略数值模拟[J].中国石油大学学报(自然科学版),2014,38(4):110-116.ZHOU Feng,LIU Junrong,HU Xiangyun.Numerical simulation of intelligent well feedback control production strategies[J].Journal of China University of Petroleum(Edition of Natural Science),2014,38(4):110-116.
-
[41] MORADI M P,MORADI H M,KANTZAS A.Data-driven production forecasting of unconventional wells with apache spark[R].SPE 190098-MS,2018.
-
[42] CRNKOVIC-FRIIS L,ERLANDSON M.Geology driven EUR prediction using deep learning[R].SPE 174799-MS,2015.
-
[43] KELLOGG R P,CHESSUM W,KWONG R R.Ma-chine learning application for wellbore damage removal in the wilmington field[R].SPE 190037-MS,2018.
-
[44] 刘康,陈国明,畅元江,等.深水钻井隔水管下放试压单元智能优化[J].中国石油大学学报(自然科学版),2019,43(6):130-137.LIU Kang,CHEN Guoming,CHANG Yuanjiang,et al.Intelligent optimization on pressure test for deepwater drilling risers in running[J].Journal of China Universi-ty of Petroleum(Edition of Natural Science),2019,43(6):130-137.
-
[45] CHUKWUMA O.Application of machine learning ideas to reservoir fluid properties estimation [ R ].SPE 193461-MS,2018.
-
[46] 田源,黄振.智能化加速全球石油石化行业转型[J].中国石化,2018(6):18-20.TIAN Yuan,HUANG Zhen.Intelligence accelerates the transformation of global petroleum and petrochemical in-dustry[J].Sinopec Monthly,2018(6):18-20.
-
[47] 杨艳.用技术创造可持续的能源未来:壳牌的技术创新管理[J].国际石油经济,2011,19(3):68-72.YANG Yan.Using technology to create a sustainable en-ergy future:Shell’s technology innovation management [J].International Petroleum Economics,2011,19(3):68-72.
-
[48] 张凯,姚军,徐晖,等.油田智能生产管理技术[J].油气田地面工程,2009,28(12):62-63.ZHANG Kai,YAO Jun,XU Hui,et al.Intelligent pro-duction management technique in the oilfield[J].Oil-Gasfield Surface Engineering,2009,28(12):62-63.
-
[49] 杨金华,邱茂鑫,郝宏娜,等.智能化:油气工业发展大趋势[J].石油科技论坛,2016,35(6):36-42.YANG Jinhua,QIU Maoxin,HAO Hongna,et al.In-telligence:oil and gas industrial development trend[J].Oil Forum,2016,35(6):36-42.
-
[50] 高志亮,石玉江,王娟,等.数字油田在中国及其发展 [J].石油科技论坛,2015,34(3):33-38.GAO Zhiliang,SHI Yujiang,WANG Juan,et al.De-velopment of digital oilfields in China[J].Oil Forum,2015,34(3):33-38.
-
[51] 许增魁,马涛,王铁成,等.数字油田技术发展探讨 [J].中国信息界,2012(9):28-32.XU Zengkui,MA Tao,WANG Tiecheng,et al.Dis-cussion on the development of digital oilfield technology [J].China Information Times,2012(9):28-32.
-
[52] 高志亮.数字油田在中国:理论､实践与发展[M].北京:科学出版社,2011:56-67.
-
[53] 于杰,王保平,郭家全.西部油田,中国石油数字化油田建设的领跑者[J].信息系统工程,2014(4):28-29.YU Jie,WANG Baoping,GUO Jiaquan.West oilfield,the leader of China petroleum digital oil field construc-tion[J].China CIO News,2014(4):28-29.
-
[54] 杨光.大庆油田与中科院联手打造安全自主可控的智慧油田[J].油气田地面工程,2019,38(2):111.YANG Guang.Daqing field joins hands with Chinese a-cademy of sciences to build safe,autonomous and con-trollable smart oil fields[J].Oil-Gasfield Surface Engi-neering,2019,38(2):111.
-
[55] 陈颂阳.中海油智能油田建设的思考[J].中国石油和化工,2014(2):63-65.CHEN Songyang.Thinking on the construction of CNO-OC intelligent oilfield[J].China Petroleum and Chemi-cal Industry,2014(2):63-65.
-
[56] 郑宗斌.胜利油田:以信息化手段应对低油价考验 [J].能源,2016(8):110-111.ZHENG Zongbin.Shengli Oilfield:dealing with the test of low oil price by means of information technology [J].Energy,2016(8):110-111.
-
[57] 刘宝军.智能油田建设构想[J].胜利油田党校学报,2015,28(6):99-101.LIU Baojun.Conception of intelligent oilfield(IOF)construction[J].Journal of the Party School of Shengli Oilfield,2015,28(6):99-101.
-
[58] 曹书锋,朱楠松.河南油田加快智能油田建设[J].中国石化,2017(5):65-66.CAO Shufeng,ZHU Nansong.Henan Oilfield acceler-ates the construction of intelligent oilfield[J].Sinopec Monthly,2017(5):65-66.
-
[59] 赵瑄.普光气田智能化建设正当时[J].中国石化,2015(6):64-65.ZHAO Xuan.The intelligent construction of Puguang gas field is just in time [J].Sinopec Monthly,2015(6):64-65.
-
[60] 段鸿杰,马承杰,刘焕宗.油田信息化关键技术研究及其应用[J].石油科技论坛,2015,34(3):39-44.DUAN Hongjie,MA Chengjie,LIU Huanzong.Study and application of key technology for oilfield informatiza-tion[J].Oil Forum,2015,34(3):39-44.
-
[61] 石崇东,李琪,张绍槐.智能油田和智能钻采技术的应用与发展[J].石油钻采工艺,2005,27(3):1-4.SHI Chongdong,LI Qi,ZHANG Shaohuai.Application and development of the intelligent oil field and intelligent drilling and production technologies[J].Oil Drilling & Production Technology,2005,27(3):1-4.
-
[62] 李明皎.物联网技术在数字化油田建设中的探索与实践[J].科技创新与应用,2020(5):151-152.LI Mingjiao.Exploration and practice of internet of things technology in digital oilfield construction [J].Technology Innovation and Application,2020(5):151-152.
-
[63] 李园园,胡璐.大数据分析技术在油田生产中的应用研究[J].中国管理信息化,2019,22(8):56-57.LI Yuanyuan,HU Lu.Application of big data analysis technology in oilfield production[J].China Management Informationization,2019,22(8):56-57.
-
[64] 汤铭.大数据保障油田可持续发展[N].计算机世界,2012-08-06(12).
-
[65] 姜力,石峰,王婷,等.智能油田应用集成平台研究与设计[J].中国管理信息化,2018,21(5):75-77.JIANG Li,SHI Feng,WANG Ting,et al.Research and design of intelligent oilfield application integration plat-form[J].China Management Informationization,2018,21(5):75-77.
-
[66] 索红光,王雷全,刘玉树.面向油田企业网的智能客户端系统应用研究[J].中国石油大学学报(自然科学版),2007,31(3):152-156.SUO Hongguang,WANG Leiquan,LIU Yushu.Appli-cation of smart client system for oilfield intranet [J].Journal of China University of Petroleum(Edition of Nat-ural Science),2007,31(3):152-156.
-
[67] 李东旭.智能油田的技术与实施探讨[J].中国设备工程,2019(5):194-195.LI Dongxu.Discussion on technology and implementa-tion of intelligent oilfield[J].China Plant Engineering,2019(5):194-195.
-
[68] KOROVIN I S,TKACHENKO M G.Intelligent oilfield model[J].Procedia Computer Science,2016,101:300-303.
-
[69] 韩书婷,曹于勤,王炳国.大数据在智能油田中的应用[J].信息技术与标准化,2019(3):63-66.HAN Shuting,CAO Yuqin,WANG Bingguo.Big data application in intelligent oilfield[J].Information Tech-nology & Standardization,2019(3):63-66.
-
摘要
大数据与人工智能技术的快速发展引发全社会和全产业链的颠覆性变革｡ 石油作为工业的血液,是推进国民经济和工业现代化的重要物质基础｡ 但随着优质资源的不断开发,剩余的资源开采难度越来越大,存在石油资源品位劣质化､老油田高含水､低油价､环境污染等问题的挑战｡ 大数据､人工智能技术与能源的深度融合,将在油气田勘探､开发等多个环节发挥重要作用｡ 调研大数据及人工智能在油气田开发中的研究进展,回顾国内外油公司智能化油田建设历程,分析存在的问题和挑战,探讨智能油气田建设目标､建设模式､关键环节､核心内容,根据中国石化实际情况提出需要发展的关键技术｡
Abstract
The application of big data and artificial intelligence (AI) technology has caused subversive changes to society and industry. As the life-blood of our industry, petroleum is an important material basis for promoting national economy and industrial modernization. However, with the continuous exploitation of mature resources, it is more and more difficult to exploit the remaining petroleum reserve. There are many challenges, such as poor quality of oil produced and with high water cut, low oil price and environmental pollutions. Therefore, the big data and AI technology are expected to play an important role in oil and gas exploitation and development. In this paper, the current application of the big data and AI in oil and gas field development was reviewed, and the existing problems and challenges were analyzed, in which the con- struction objectives and modes, the key links and core contents of intelligent oil and gas fields were discussed. The key technologies need to be developed based on the current circumstances of the China petroleum & chemical company are put forward for further research.
