人工智能(Artificial Intelligence，简称 AI)这一概念最早诞生于 1956 年的达特茅斯会议上，约翰·麦卡锡等学者将“使用机器模拟人类认知能力”的技术命名为“人工智能”[1]。目前，人工智能尚没有统一的定义。笔者认为人工即人工制造，智能涉及到诸如意识、自我、思维等。简而言之，人工智能就是人工制造的意识、思维等。人工智能的关键技术包括机器学习、数据挖掘、自然语言处理、模式识别、计算机视觉、知识图谱等。近几年，随着大数据的增长、深度学习技术的出现以及算力的大幅提升，人工智能已呈现井喷式发展。人工智能被广泛应用到医疗、交通、互联网、农业等领域，成为第 4 代工业革命的核心驱动力，以及推动人类社会进入智能时代的决定性力量。
本文广泛调研人工智能在石油勘探开发领域的研究现状，结合油气勘探开发的实际需求，阐述人工智能在测井、物探、钻完井、油藏工程、地面工程 5 个领域的研究进展与应用情况，探讨并展望未来人工智能的应用重点与发展趋势。
1 石油公司人工智能发展现状
采取开放式创新和产学研深度融合的模式、与 IT 公司合作是油气行业智能化发展的通用策略。国际石油公司通过与 IT 公司联手开展业务智能化探索，实现上游勘探开发业务的智能化，产生了道达尔+谷歌云、雪佛龙+微软、壳牌+惠普等跨界组合。例如，壳牌的智能油田(Smart Field)聚焦协同工作环境、智能井、光纤监测、生产实时优化、智能水驱和闭环油藏管理;雪佛龙的信息油田(i-Field)聚焦钻井优化、生产优化、油藏管理;英国石油公司(BP)提出的未来油田(Field of the Future)聚焦应用实时信息系统优化运营;俄罗斯天然气公司(GASPROM)的数字化转型计划(DT)优先实施数字化地质勘探、数字化大型项目、数字化生产、中游业务数字化生产、数字化 HSE(健康、安全、环保)、数字化设施设备等 12 类项目。表 1 展示了全球重点石油公司及油服公司的人工智能发展战略。
道达尔与谷歌签署协议，合作探索油气勘探和开发的智能化解决方案，聚焦地下成像的智能化处理与解释，特别是地震数据的处理解释，以提高勘探和评价油气田的效率。壳牌与微软合作共同开发 Geodesic 平台，旨在提高水平井定向控制的准确性和一致性，以精确钻入油气含量最高的地层。该解决方案可简化钻探数据处理算法，从而做出实时决策并更好地预测结果。埃克森美孚与微软合作共同开发集成云平台，该平台可以安全可靠地从跨越数百千米的油田中收集实时数据。这些数据有助于公司在钻完井优化和人员部署方面做出更快更好的决策。雪佛龙、斯伦贝谢、微软合作开发 DELFI 云计算平台，把大量信息整合到一个平台上，构建开放共享的数据生态环境，提高数据分析的效率。
2 人工智能在石油勘探开发中的应用现状
2.1 测井领域自 1927 年诞生以来，测井技术历经 90 余年发展，已经从模拟测井、数字测井、数控测井，发展到成像测井，正在跨入智能测井时代。 2.1.1 测井数据采集由于储集层的非均质性、探测对象的复杂化以及测井作业环境的多样化、复杂化，迫切需要在井下地层参数采集、测井数据传输等方面研究新的测量方式、工作模式，引入人工智能，实现更准确、更高效、更安全的作业和地质信息探测。国外石油企业在数据采集、远程测井等方面已形成商用的产品。斯伦贝谢的远程测井中心、智能地层测试、具备智能处理解释能力的井筒软件 Techlog 等已经商用。其中，远程测井在全球部署 11 个数据服务器中心、14 个远程测井中心，拥有 108 名操作工程师，实现专家远程协同工作和决策，20%的测井作业由远程测井中心完成，已完成上万井次作业。国内方面，部分石油企业和科研机构已经针对网络化地面、智能绞车、远程测井等相关核心技术进行攻关，并已开始小批量应用。智能化井下机器人已经启动研发。 2.1.2 测井处理解释测井数据具有数据体量大和多源异构等特点，测井处理解释过程中面临多解性、不确定性等难点，油气判识难度越来越大，亟需利用人工智能等技术来提高工作效率和解释符合率。近几年，人工智能在测井处理解释方面的应用主要集中在自动深度校正、自动报告生成、智能分层、曲线重构、岩性识别、成像测井解释、储集层参数预测、含油气性评价、横波速度预测、裂缝及缝洞充填物识别等方面。智能曲线重构是利用深度学习、关联分析等算法寻找测井曲线之间的关联性，对错误的、不恰当的、缺失的测井曲线进行数据重造。所用到的人工智能算法包括神经网络、组合学习算法、聚类算法等。张东晓等[2]提出了一种基于循环神经网络(RNN)即长短期记忆神经网络(LSTM)来重构测井曲线的方法，采用真实测井曲线进行验证后发现与传统方法相比精度更高。
2.2 物探领域国际上“AI+物探”研究发展迅速。地球物理勘探长期以来一直是高性能计算、三维可视化、计算机网络等信息技术的一个重要应用领域，是较早实现数字化采集、处理和分析的一个领域。 2.2.1 物探装备人工智能在物探装备方面的应用主要集中在可控震源、无人机、地震仪器等方面。智能可控震源可以根据具体的工区地表条件、深层地震地质条件调整出力大小、频率范围、扫描时间、相位等参数，具有安全、环保的特点。物探数据采集智能无人机可实现高精度地形探测、风险评估、节点监控、数据回收、物资投送、救援等工作。地震仪器方面已研发出 G3i(有线)、Hawk(节点)、eSeis(节点)等产品，OBN(海底采集节点)技术攻关解决了拖缆跨障能力差、观测方位窄、海面噪声强、单分量接收等局限。 2.2.2 物探采集随着云计算、人工智能、机器人、通信等技术的不断发展，物探采集在经历数字化发展阶段之后，将进入智能化发展阶段，具备以下特点：无感数字化、高度闭环自动化、核心装备“机器人”化、作业程序一体化、生产动态可预测，甚至具备一些大数据边缘计算的能力。物探采集技术已经实现从传统地震队向数字化地震队的转变，数字地震队将物联网、云计算等 IT 技术与物探采集方法相融合，对施工任务、野外人员、装备、HSE 等进行无线化、可视化数字管理，优化施工工序，简化作业程序，实现智能激发、实时质量控制、远程技术支持与指挥调度。 2.2.3 地震数据处理与解释在地震数据处理与解释方面，人工智能主要应用在地震构造解释(含断层识别、层位解释、岩丘顶底解释、河道或溶洞解释等)、噪声压制与信号增强、地震相识别、储集层参数预测、地震波场正演、地震反演、地震速度拾取与建模、初至拾取、地震数据重建与插值、地震属性分析、微地震数据分析、综合解释等方面。使用的核心技术主要是计算机视觉领域的目标检测、分割、图像分类与预测等。人工智能的应用在保证准确率的前提下，极大地提高了地震数据处理解释的效率。
2.3 钻完井领域石油钻井在历经概念—经验—科学—自动化的发展过程后，形成了以钻完井工艺原理、方法为指导，以装备、工具、材料为手段的钻完井工程技术体系。钻完井工程技术基本实现了从经验步入科学化阶段，目前正处于自动化与智能化交融发展阶段，整体向智能化发展。智能钻完井是一种全新的钻完井模式。智能钻完井要以智能软件系统为纽带，依托地面智能装备、井下智能工具，利用计算模型和智能决策技术将三者整合成一个闭环的系统并协同进行工作。井下智能工具主要是配备嵌入式芯片的智能钻机、智能钻头、智能钻杆、旋转导向系统等;地面智能装备主要是具备工业控制核心系统的钻台机器人、起下钻自动控制装备、自动送钻装备等;智能软件作为纽带，将三者整合成一个整体，根据井下地质情况和油藏位置，实现高效、自动钻进到最佳的储集层位置，并获得最大产能。国内智能钻完井技术刚刚起步，处于单项技术开发攻关前期，装备、工具整体自动化、智能化程度与国外还有较大差距。 2.3.1 智能钻完井关键技术智能钻完井关键技术包括井眼轨道智能优化、智能导向钻井、钻速智能优化等。以地质工程的多源数据为基础的井眼轨道智能优化技术一般采用遗传算法、神经网络等人工智能算法实现井眼方位角等相关参数的优化。智能导向钻井技术的核心是利用人工智能算法，通过对目标井眼轨迹的实时监控和分析，并采用随钻地震技术、近钻头测量技术等钻井新技术，实现钻井过程的随钻预测及自动控制。钻速智能优化方面，大多采用大数据和智能优化算法对多目标钻井参数进行优化，使地层-钻头参数三者之间达到最佳匹配，实现井斜、方位等参数动态优化设计，与钻机联动，自动发出操控指令，从而智能优化机械钻速。常用的算法包括随机森林、人工神经网络、蚁群算法、粒子群算法等。 2.3.2 智能化钻完井装备国外石油公司在地面装备方面，已经开始规模化应用钻台机器人、起下钻自动控制、自动送钻系统、自动控压钻井、钻井液在线监测等技术。井下工具方面，智能钻机、智能钻头、智能钻杆能够实现钻台无人化操作、钻井自动化精准控制，大幅提高钻井效率，降低钻井风险和人力成本。旋转导向钻井系统规模化商业应用，实现了随钻、随测、随控，既保障钻头高效破岩，又实现智能导向。根据地质条件和油藏特征信息，应用神经网络等方法建立以获得最大油气产能为目标函数的钻井工艺参数优化模型，并将计算得到的最佳工艺参数与随钻随测实时获取的数据比较，自动寻找最佳轨迹。
2.4 油藏工程领域油藏工程的核心任务是以渗流力学、油层物理为基础，研究油气藏开发过程中油、气、水的运移规律和驱替机理，从而采取相应的工程措施，达到合理提高开采速度和采收率的目的。工业 4.0 时代，智能油藏工程成为一种必然趋势，其核心要义就是借助计算机算法及软件工具充分认识储集层和流体渗流规律，实现智能化动态管理和生产预测。 2.4.1 油藏动态分析与模拟油藏工程涉及的面较为广泛，本文仅针对人工智能在油藏动态分析与模拟方面的应用进行了简要概述。总体而言，油藏工程主要是通过油藏数值模拟和油藏工程方法两种方式来实现动态分析和模拟。目前，人工智能应用主要集中在水驱开发实时调控、产量预测、饱和度预测、生产措施优选、数值模拟等方面。水驱开发实时调控方面，主要是利用最优化、数据挖掘等技术来优化生产参数。贾德利等[9]在动态观测数据的约束下，采用传统的数值模拟及优化算法，通过自动识别分层注采流动关系来计算区块分层注采井间的流动关系。同时，采用多层多向产量劈分技术计算采油井分层分方向的产液量与产油量，量化注水效果指标。通过机器学习算法评价多井分层的注水效果、分析注水调整方向，从而提出了一套大数据驱动下的精细注水方案优化方法。结合油田试验，初步实现了以注水方案设计、智能优化和同步调整为核心的油藏和采油工程一体化技术。贾虎等[10]以碳酸盐岩油藏为研究对象，采用流线聚类方法，对水相驱动能力不同的流线实现区分，并进一步对同一注采井间流线进行细分，从而提出了针对流线模拟结果的流场识别方法，以实现基于流线聚类人工智能方法的水驱油藏流场识别，为注水优化、井网层系调整、深部调剖等方案决策提供依据。2.4.2 一体化分析软件国外油藏动态分析与预测方面的一体化分析软件包括：斯伦贝谢的 Eclipse 以及升级版软件 INTERSECT;兰德马克的油藏数值模拟软件 VIP;俄罗斯 RFD 公司的 tNavigator 等。这些软件均利用机器学习、最优化等人工智能技术进行自动历史拟合，加速模拟速度，从而提升了软件的智能化水平。
3 人工智能在石油勘探开发领域应用时面临的挑战与发展方向
企业数字化转型发展是借助物联网、云计算、大数据、人工智能、区块链等信息技术，前端实现自动采集、自动传输、实时感知，中端实现安全存储、实时监视、集中管控，后端实现智能分析、数据共享与技术支撑。前、中、后端的一体化协同、高效联动与数据共享，快速推动了传统业务流程重构与工作方式变革。人工智能在其中发挥了中枢纽带作用。人工智能技术有望突破石油勘探开发面临的瓶颈问题，实现管理模式由传统竖向独立管理向一体化协同运行、扁平化管理模式转变，重构业务流程，实现提质、降本、增效，助力企业的数字化转型发展。人工智能技术主要从以下几个方面对传统业务流程进行重构：一是自动化数据采集设备，为油气勘探开发提供实时动态数据;二是智能化分析处理软件，提高人工解释处理的效率，减少对专家经验的依赖度，优化人力资源，节省人工成本;三是无人机、电子巡检代替人工作业，实现无人值守，提高员工幸福指数;四是安全预警，实现事前控制，减小问题发现及信息传递的时间，降低生产维护成本;五是生产动态管理，提升应急处置能力，减小产量损失。
3.1 人工智能在石油勘探开发领域应用时面临的问题与挑战数据已经成为一种新生资源，不仅推动着社会经济的发展，而且促使人工智能的不断进步。然而，石油勘探开发领域的人工智能应用往往会陷入不断升级装备和软件的误区，最终导致离线的机器、碎片化的软件和割裂的数据。人工智能要达到工业级应用需要具备足够高质量的数据、关系明确的应用场景、科学恰当的算法模型等条件。开展探索性研究相对容易，但工业级别落地应用时面临重重困难。
3.2 人工智能应用发展方向人工智能技术必将为实现油气全产业链突破提供新动能。结合石油勘探开发需求及人工智能技术研究现状，未来的应用发展方向主要包括以下 3 个方面。 ①智能生产装备。随着深度学习、自然语言处理、语音识别、强化学习等技术在机器人中的不断成功应用，工业机器人逐渐走向成熟。越来越多的石油公司开始使用机器人代替人类进行危险作业。目前，机器人已经成功应用到了管道巡检、深水作业、高危作业等领域。无人机技术逐渐在石油勘探开发领域应用，尤其是物探领域，可实现地质探测、数据采集、视频监控、物资投放、工程救援等工作。同时，由于专业软件的嵌入应用，石油勘探开发生产装备的智能化水平越来越高。未来，嵌入物联网、机器视觉、深度学习等技术的智能生产装备将大大降低生产成本，提高生产效率。 ②自动处理解释。数据挖掘和数理统计等分析技术在石油勘探开发领域的应用较为成熟，广泛应用到测井曲线解释、储集层参数预测等领域。近几年，随着深度学习、集成学习、迁移学习等技术的不断发展，其在图像处理、分析预测等方面展现出较为显著的优势。未来，深度学习、集成学习、迁移学习、强记忆学习等技术有望在岩石物理、地震图像、测井曲线、数字岩心、生产运行等数据的自动分析处理方面得到深度应用。
3.3 人工智能应用发展重点人工智能应用应该以点带面、逐步推广，结合勘探开发业务的实际需求，未来人工智能技术应用的重点发展方向包括智能盆地、智能测井、智能物探、智能钻完井、智能压裂、智能采油等。未来 5 年的发展重点包括数字盆地、快速智能成像测井仪、智能化节点地震采集系统、智能旋转导向钻井、智能化压裂技术装备、分层注采实时监测与控制工程技术等。国外借助 1998 年“数字地球”概念的推动，已完成数字盆地建设，中国数字盆地建设还没有统一的模式和标准，理论研究居多，实际应用偏少。未来 5 年，利用大数据和人工智能技术，基于国内外成熟盆地的勘探开发成果，对盆地进行勘探开发全生命周期的分析，形成智能勘探决策系统，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。
4 结语
人工智能在石油勘探开发领域的应用刚刚起步，尚未形成颠覆性成果，却又显现出巨大的潜力，已有的研究成果归纳为三个方面：一是智能装备初步应用，无人机、机器人等代替人类进行巡检操作，初步应用到管道巡检、无人值守平台等场景中;二是大数据、机器学习等技术应用到了勘探开发数据的分析处理上，但现阶段大多是“点”上的应用，尚未形成“面” 上的推广;三是大多数企业意识到了数据共享的重要性，开始研发一体化分析平台、集成软件等。
人工智能在石油勘探开发领域已开展的应用探索主要集中在测井处理解释(如岩性识别、曲线重构等)、地震处理解释(如初至波拾取、断层识别等)、水驱开发实时调控、产量预测等方面，智能算法的应用提升了一体化分析软件的智能化水平，智能芯片的嵌入实现了智能装备。由于人工智能算法需要建立在大数据基础上，对算法的输入和输出之间的映射关系要求明确、清晰，而油气储集层地下条件复杂多变，石油勘探开发面临多解性、小样本等问题，人工智能的应用推广难度大，因而人工智能在石油勘探开发中的落地应用不宜全面铺开，应以点带面，逐渐推动。未来石油勘探开发领域人工智能的发展重点包括数字盆地、快速智能成像测井仪、分层注采实时监测与控制工程等技术。
参考文献：
[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] 张东晓, 陈云天, 孟晋. 基于循环神经网络的测井曲线生成方法 [J]. 石油勘探与开发, 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] 江凯, 王守东, 胡永静, 等. 基于 Boosting Tree 算法的测井岩性识别模型[J]. 测井技术, 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开发领域的应用现状与发展趋势》来源;《石油勘探与开发》，作者：匡立春 1 ，刘合 2 ，任义丽 2 ，罗凯 1 ，史洺宇 1 ，苏健 2 ，李欣 2
