智能石油工程.pdfVIP

一、引言

人工智能（AI）试图模仿人类的决策。被称为机器学习（ML）的AI技术子

集使计算机能够通过使用外部数据，学习如何在其编程行为的限制之外采取行动。

ML已彻底改变无数行业和研究领域，从股票市场分析到自动驾驶汽车行业，其

应用范围极其广泛。随着物联网（IoT）设备和大数据（高速生成大量、不同种

类的数据）的出现，ML是确保从大数据中获取可执行信息的最重要技术之一。

在石油和天然气行业，模型类型分为三大类：物理模型、数学模型和经验

模型。物理模型是对象的按比例缩小或放大版本，开发物理模型是为了简化对物

理对象或场景的外观或操作方式的认识。这些模型具有开发成本高、耗时长的缺

点，并且在某些情况下可能不够准确。根据实验建立了经验模型，经验模型会出

现各种误差，如人为误差和测量误差，并且无法归纳。数学模型对物理定律进行

编码，以模拟基础物理学；然而，它们需要许多假设和简化。为了应对这三种模

型所面临的挑战、获取信息，并及时做出明智的决策，需要一种更有前景的技术。

这就是ML可以应用之处，一是因为该技术能够从庞大数据集中获取信息并对该

信息采取行动，而这些信息永远无法通过纯编程程序进行处理；二是因为数据与

从数据中获取的信息之间的关系非常复杂。

石油和天然气行业正在迅速向油田数字化转型，人们越来越倾向于将数据

驱动建模和ML算法应用于应对各种石油工程挑战。数据驱动建模使用从数据分

析中导出的数学方程，而不是知识驱动建模。在知识驱动建模中，逻辑是用于表

示理论的主要工具。虽然可能有不从数据中学习的数据驱动算法（因此不能称为

ML），但ML是数据驱动方法的一个子集，该方法展示了AI的一种形式。图1

总结了不同类型的ML算法。

图1不同类型的ML算法。DBSCAN：基于密度的噪声应用空间聚类；HDBSCAN：基于层次密度的噪声

应用空间聚类。

ML已广泛应用于石油工业的不同领域，包括地球科学、油藏工程、生产工

程和钻井工程。接下来的4节将对ML在这些领域的应用进行批判性的回顾和展

望。

（一）智能地球科学

早在20世纪60年代，地球科学已经开始利用决策树、马尔可夫链和K均值

聚类等算法。马尔可夫链已用于沉积学、水文学和测井分析。使用K均值聚类来

解释泥沙沉积的周期性。决策树的早期应用可以在经济地质学和透视映射中查到。

由于多种因素，包括缺乏计算能力和该领域的不成熟，采用ML未能完全满足最

初的期望；因此，AI在20世纪70年代几乎没有得到发展。在20世纪80年代

采用递归神经网络（NN）进行地震反褶积，至此，人们对AI的兴趣又重新兴起。

ML从知识驱动转变为数据驱动发生在20世纪90年代，当时发表了地球物理中

关于NN的首篇综述。综述探索了模式识别，并总结了过去30年来NN的应用，

以及地震道编辑和自动测井分析的应用样本。深度学习（DL）和卷积神经网络

（CNN）在21世纪10年代得到复兴，当时将小型CNN应用于地震数据以进行

盐识别。断层解释、层位选取和岩相分类是CNN在地球科学中的其他应用。应

用了生成式对抗网络（GAN），即ML模型，其中两个NN竞争性地协同工作，

以在地球科学早期进行更准确的预测，从而对三维（3D）多孔介质进行孔隙尺

度建模。GAN还用于地震记录生成和地质统计反演。

地震活动是地球科学中的另一个重要领域，ML在其中得到了广泛应用。使

用ML算法，根据地面接收器上记录的波形特征，区分深部微地震事件和浅部微

地震事件。He等使用ML算法来改进诱发地震事件的风险管理。他们提出的模

型是一组简单的闭式表达式，具有透明度高、执行速度快的优点，为操作员提供

了最大的成功可能性。采矿、油气田枯竭、废水注入和地热作业等工业活动会诱

发地震。在加拿大西部，水力压裂（HF）引发的地震活动受到了公众和学术界的

关注。由于强烈耦合的地质力学、地球物理和地质行为带来的复杂性，研究诱发

地震活动与HF之间的相关性一直是一项极具挑战性的工作。因此，ML在地震活

动中的应用仍存在很大的探索空间。

（二）智能油藏工程

ML算法常用于油藏工程的各个领域，特别是在油藏表征和压力、体积和温

度（PVT）计算方面。开发了一个双层NN，用于估计油层的泡点压力和地层体

积系数。在另一项研究中，采用径向基函数和多层感知器NN来估计地层体积系

数、等温压缩性和盐水含