下载文档原格式
人工智能在石油工程领域应用及影响刘伟;闫娜【摘要】人工智能在石油工程领域的研究应用已有几十年历史,应用范围渗透到从管理到勘探开发施工现场的各个环节.SPE专业数据库调查显示,从2000年开始,石油工程领域对AI保持了较高的研究热情,2010年之后公开发表的研究文章数量大幅增长.在管理领域,基于AI的智能工作流,形成了多学科、多环节协作的工作平台;基于AI的专项管理工具已替代部分人类员工;基于AI的资产管理工具提供了更高效准确的预测性维护.多种AI分析方法在地震资料分析中的应用,为更精确钻井提供了坚实基础;在钻井设计和施工中的应用,促进了钻井自动化和更安全、更高效;在油藏开发中的应用,促进油田在整个生命周期的产出最大化.通过剖析油公司、油服公司的成功应用案例,分析AI对石油工程领域的工作效率、投资效益、公司组织结构及流程、行业竞争态势的潜在影响,并针对AI大规模商业化应用所面临的可信任程度、数据保密性等主要障碍,提出了及早谋划相关技术研发和储备、攻关可解释型人工智能技术、推动行业数据标准化管理等应对措施.【期刊名称】《石油科技论坛》【年(卷),期】2018(037)004【总页数】9页(P32-40)【关键词】人工智能;石油工程;大数据;自动化;黑箱【作者】刘伟;闫娜【作者单位】中国石油集团工程技术研究院有限公司;中国石化石油工程技术研究院【正文语种】中文【中图分类】F273.1;F416.2Gartner公司在界定及分析颠覆性技术方面具有丰富经验，在其2017年发布的报告中显示，人工智能(Artificial Intelligence，简称AI)类新兴技术在成熟度曲线上快速移动，正处于曲线的巅峰位置，与之相适应的数字化平台类技术在曲线上处于上升期，与之相匹配的商业生态扩展类技术区块链等技术有望在未来5～10年产生变革性影响。
美国国会下属的政府问责局(GAO，前身是美国总审计局)对AI的发展前景进行专题调研，认为即使人工智能技术停止前进，由今天的人工智能引发的变革仍将产生广泛而深远的影响[1]。
基于智能算法的油气勘探中的储层预测研究近年来，基于智能算法的储层预测研究已经成为了油气勘探领域的热门话题。
智能算法作为一种先进的预测方法，已经在储层预测中取得了许多成果。
本文将从智能算法的概念定义入手，探讨其在油气勘探中的应用和发展现状，并探讨智能算法在油气勘探中的发展趋势。
一、智能算法的概念及定义智能算法是一种可以模拟人类智能行为的算法，它主要应用于数据挖掘、机器学习、模式识别等领域。
所谓智能算法，主要包括遗传算法、神经网络、模糊逻辑、支持向量机、贝叶斯网络、模拟退火等一系列算法。
这些算法通常都会以自适应、数据驱动为基础，通过对大量数据处理和模型优化，达到提高预测精度的目的。
二、智能算法在储层预测中的应用智能算法因其自适应、数据驱动和高精度等特点，越来越受到油气勘探领域的关注，并在储层预测、组合预测、地质建模等方面得到广泛应用。
（一）智能算法在储层预测中的应用储层预测是油气勘探领域一项重要的任务，其难点在于预测精度和预测速度的提升。
智能算法可以通过大量的数据处理和模型优化，实现高水平的预测精度。
其中，神经网络算法适用于储层纵向预测，而支持向量机和模糊逻辑适用于储层横向预测。
（二）智能算法在组合预测中的应用组合预测是目前油气勘探领域普遍采用的一种预测方法，其基本原理是将多个模型输出结果进行加权平均，从而提高预测准确率。
智能算法可以用于组合预测的组合模型的优化，从而提高组合预测的精度和可靠性。
（三）智能算法在地质建模中的应用地质建模是油气勘探中非常重要的环节，其目的是通过对各种地质数据的整合、分析和处理，开发出合理的井位和油气储量分布模型。
智能算法可以通过大量的数据处理和地质建模优化，实现高水平的预测精度。
三、智能算法在储层预测中的发展现状近年来，智能算法在油气勘探领域中的应用得到了广泛的关注和研究。
在储层预测中，神经网络、支持向量机和模糊逻辑等算法已经取得了很大的进展。
而组合预测和地质建模等领域也开始得到越来越多的研究和应用。
3 人工神经网络在测井解释中的应用与优点[ 3 “在测井解释中应用B P模型，以取芯资料作为导师信号，实现由测井参数求取储层物性参数，或自动识别地层类型的高度非线性映射或划分的统一处理，其从理论上讲，是可行和可靠的。
通过对多个油区的实验应用表明，人工神经网计算，和传统方法类似，是建立测井信息与地层参数，或地层类型间的函数映射关系或模式对应关系，但其具有传统方法所不能及的优点。
首先是其高度的非线性映射能力，能更准确地描述实际测井解释中的复杂地质情况。
其次它对输入测井参数在理论上是无限制的，可充分利用测井信息，克服传统相关方法中的单一测井曲线相关弱点：输出参数是以取芯资料为刻度的，可充分利用岩芯资料，克服传统的基于建立模型的计算解释方法不能直接利用取芯资料的弱点。
第三，它具有自动学习的特点，不需事先建立任何理论模型，仅根据对提供的标准取芯参数的学习，自适应地建立测井响应与物性参数间的映射关系，克服传统测井解释方法中的非线性数学建模困难。
还有对于定量地层参数求取和定性地层类型划分，在B P网络模型中可得到高度的统一，仅根据提供的标准学习样本而定。
小结：人工神经网络的引人，将克服传统测井解释方法许多不能逾越的障碍，对发展、丰富和完善测井解释理论及方法具有很大的理论和实际意义。
4 应用人工神经网络模型进行油层孔隙度、渗透率预测嘲为建立孔隙度与渗透率预测模型，选用某地区两口相邻的取心检查井A井和B井资料进行研究，以A井获得的资料进行训练和学习，然后用建立的模型对B井进行孔隙度和渗透率的预测，检验实用效果。
首先对取心资料进行归位，读取相对均质段的孔隙度、渗透率平均值，做为期望输出结果，然后由测井曲线上读取各均质段的曲线值，选用的6条测井曲线分别为自然电位、微电极、0 ．25 m和0 ．4 5 m视电阻率、深三侧向、声波时差。
在此基础上建立一2 建立进化神经网络识别模型在测井解释中，学习样本的真实性、代表性和泛化性是决定识别效果的关键。
井温测井资料在测井解释中的分析应用摘要：井温测井是一种传统的测井方法，反映的是井筒钻井液的温度及钻井液的电阻率，在油气田勘探开发中应用较广，具有重要意义。
在测井过程中进行井温测井，并对其曲线特征进行分析研究，以多年来的井温测井经验作为出发点，可以辅助判断油气水的分析及储层解释评价。
该技术在研究区测井解释工作中取得了良好的效果。
关键词：井温；天然气；地温梯度；储层评价引言处于相对稳定状态下的一口井，当井筒内外出现流体变化时，井自身的温度场就会因干扰而引起相应变化。
利用井温测井曲线，可以获得真实反应上述变化的准确数据。
当储层段有流体进入井筒时，此处井温要高于同条件下的非产液层的井温。
当储层流体性质为天然气时，气体从高压状态储层进入较低压力状态井筒时，会在出气口附近形成局部低温负异常。
储层岩性变化也会引起井温异常。
因此利用井温测井可以辅助判断油气水的分析及储层评价。
1、井温测井的应用原理井温测井可以进行地温梯度的测量，又称为热测井，是一种传统的测井方法。
井温测井是根据钻孔内温度随深度变化的规律来研究地质构造、岩层性质、寻找有用矿产以及检查钻孔技术状况的测井方法。
它的应用非常广泛，可以在注入井中寻找注入井段，在产液井中寻找产液井段；可以评价压裂酸化施工的效果；可以通过邻井的井温测量检查热力采油井注蒸汽的效果[1]。
通过研究地温梯度，在裸眼井中，根据含气储层被钻穿时气体膨胀的吸热效应寻找天然气层，利用热水层的温度异常寻找热水层；在套管井中，可根据水泥胶结时的散热效应检查石油钻孔的固井质量、确定漏水层位置等[2]。
储层流体对井温具有一定影响。
当地层有液体产出时，该处井温要高于相同条件下非产液层的井温。
流进井筒的产液温度虽然可能会有差异，但产层上方的井温曲线最终都位于井温梯度线的上方。
当自由气从高压储层进入较低压力井筒时，会在出气口附近形成局部负异常，产气量越大，低温异常越大，而水层情况则恰恰相反。
因此利用井温测井可以辅助判断油气水的分析[3]。
神经网络在石油勘探中的应用研究随着现代科技的飞速发展，各行各业都在尝试将人工智能技术应用到实际生产中去。
而石油勘探这个领域也不例外，神经网络技术的发展给石油勘探带来了新的机遇和挑战。
本文将从石油勘探的实际需求出发，探讨神经网络在石油勘探中的应用研究。
石油勘探是一项高风险、高技术含量、高投入的工作。
传统的勘探方式通常依赖于人工解释地震数据，这种方式效率低下、易受主观因素干扰。
而神经网络技术的出现，提供了一种新的思路：通过对地震数据进行大规模的数字处理，用机器学习的方式获取区域地质构造的分布情况，从而提高勘探效率和准确性。
神经网络是一种模拟人类神经系统的计算模型，其特点是具有自我适应和自我学习的能力。
在石油勘探领域中，神经网络可应用于地震波形、储层建模、实时数据处理等多个方面，可为勘探领域提供更先进的解决方案。
首先，神经网络可应用于地震波形的分析。
地震勘探作为常用的勘探方式，其数据量庞大、处理复杂，旧数据的挖掘和分析一直是石油勘探领域的主要挑战之一。
而神经网络在处理地震数据中有着独特的优势，可对数据进行快速、准确、自适应的分析，有效提高了数据的应用价值。
同时，基于神经网络的地震波形处理技术也可以帮助地震学家更全面、更客观地识别地震图像中的异常反射，进而研究地下构造的形态。
其次，神经网络可应用于储层建模。
在石油勘探领域中，准确刻画油气储层的空间分布是勘探决策的关键，而神经网络技术在储层建模中的应用已成为热门研究领域之一。
通过神经网络算法对地震数据进行分析，可有效描绘地下构造展布，并且提高预测精度，从而为勘探实践提供更精确、更可靠的技术手段。
最后，神经网络可应用于实时数据处理。
石油勘探的过程中需要不断采集地震数据、岩层属性等信息，这些信息随时间而变化。
对于这些数据，常用的处理手段是利用时间序列模型对数据进行拟合，然而时间序列模型的优点在于高拟合精度，但不适用于变量间相互影响的情况。
而基于神经网络的实时数据处理技术，既能有效处理数据的非线性关系，又可充分利用历史数据来预测未来值，实现对数据的快速、高效拟合。
