人工智能技術正在從弱人工智能向強人工智能階段逐步邁進，應用場景范圍爆發式增長，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特征，人工智能引領石油行業數字化轉型的先進方向。本文分析國家、企業層面智能發展的倡議，圍繞智能油田建設目標，提出了人工智能在智能油田建設中應用場景，為推進人工智能在油田企業的落地指出了方向。
一、前言
人工智能(AI)是研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門技術科學。1956年，約翰·麥卡錫最早提出了人工智能概念，標志著人工智能的正式誕生。近年來在移動互聯網、大數據、超級計算等新理論新技術以及經濟社會發展強烈需求的共同驅動下，人工智能加速發展，形成了以深度學習、跨界融合、人機協同、群智開放、自主操控等為特征的新一代人工智能技術，涵蓋大數據智能、跨媒體智能、群體智能、混合增強智能、自主無人系統等核心領域，被譽為未來十年最具顛覆性的技術之一。
二、人工智能在油田應用面臨挑戰
新一代人工智能正在智能制造、智能醫療、智慧城市、智能農業、國防建設、智能交通、智能金融和智慧生活等領域加速滲透，人工智能產業初步形成。國內油田企業信息化建設在完成數字化建設后，目前大多數都開始了以全面感知、集成協同、預警預測、分析優化為特征的智能油田建設，但因石油行業具有技術密集、業務鏈條長等特點，人工智能在智能油田建設中的應用存在諸多挑戰。
人工智能應用的數據基礎薄弱。數據是人工智能的第一資源，部署新一代人工智能需要大量可操作的訓練數據，才能實現深度學習。當前油田企業在數據資源建設方面有了一定的積累，但尚無法達到深度學習對數據規則、標準和質量的高要求，且數據多樣性差、準備時間長、加工應用成本高，在勘探開發等核心領域部署人工智能應用還存在相當的差距。
缺乏石油行業人工智能平臺工具。國內人工智能在圖像識別、語音識別技術、共享服務和無人駕駛等應用領域已實現重大突破，但在算法等基礎核心領域，缺乏原創科研成果、高端技術沉淀和長期數據積累，缺少可有效滿足石油行業需要的高端智能化應用平臺或工具。
三、人工智能的應用方向及場景
鑒于油田業務的復雜性，人工智能技術作為推動核心業務的轉型升級和高質量發展的技術，需按照“找準瓶頸、試點突破、以點帶面、循序推進”的原則開展應用建設。
(一)構造智能解釋
隨著勘探目標日趨精細，地質模型與地震、測井等物探數據間相關關系定量描述變得越來越困難，現有技術非線性表征能力有限，難以滿足當前需求，仍需大量人工干預。而解釋經驗因人而異，同時大量的工作難免導致解釋結果可靠性的降低，尤其是面對勘探后期各類地質現象在短時間、小范圍內交錯疊置，這一問題就變得更為突出，亟待引入新的數據分析技術。
一是構建地震解釋樣本標簽。參考沉構造解釋原則，考慮多種地質因素，綜合利用多個地震參數做為特征樣本值，利用主成分分析、聚類分析等方法分析其貢獻率，提取并優化多種構造解釋模式特征，形成斷層及層位樣本生成方法，實現樣本集自動的構建。
二是研究并優選適合地震解釋的深度學習算法。分析DCNN(深度卷積神經網絡)、RNN(循環神經網絡)、GAN(對抗網絡)等各類網絡模型的優勢及不足，針對地震解釋業務特征確定網絡模型及主要參數，提高深度學習算法的適用性。
三是研發智能解釋模塊。在樣本構建及深度學習算法研究的基礎上，構建由數據管理、構造模式特征提取、特征值優化、智能識別等模塊組成的軟件模塊，最大程度上簡化研究人員操作、高效的獲取真實可靠的解釋結果。
通過斷面自動生成、層位自動追蹤等構造解釋智能應用模塊建設，在保證地質需求精度的條件下，構造解釋效率提高70%，縮短油氣藏勘探研究周期，提高探井成功率。
(二)油藏模型智能自動擬合
由于地質建模基礎數據的稀缺性和不確定性，以及對地下流動規律的認識局限，現有開發研究周期過長，其中模型建立、歷史擬合、方案優化耗時占總研究周期85%，難以滿足油藏生產管理需求;歷史擬合過程耗時費力， 需要進行大量的人工干預，跟蹤研究困難，亟需研發基于大數據的高效智能的輔助擬合技術，為油藏模型的大規模礦場應用提供支持。
一是實現油藏大數據建模功能。對適應于油藏研究的人工智能算法進行封裝與適配，支持高精度建模、隱性相關性挖掘、優化決策分析等應用，建立高分辨率的地質模型、以及與動態高吻合度的“數據物理”模型，提高建模的效率和質量。
二是開展基于大數據的自動歷史擬合方法研究及功能實現。采用大數據技術的相關算法，建立數值模擬模型與模擬結果之間的響應關聯;在動靜態大數據的驅動下對模型進行自動更新，實現歷史擬合的智能化、自動化。將相應的算法及流程封裝成軟件模塊。
三是實現開發方案智能優化。根據數值模擬的計算結果，分析注采流體的流動方向和流量，明確注采對應性;在此基礎上，以均衡驅替為目標，實現開發方案的智能化和自動化推送。井網優化調整的快速實現，基于現井網進行快速注采調整優化，為進一步提高注采效率和油氣采收率提供科學智能的方法工具和可靠的決策依據。
智能化自動歷史擬合方法省時省力，對工作人員的經驗要求低，擬合效果好，是一種高效易操作的多參數調參技術，可較好地刻畫地層非均質性，應用于常規油氣藏外，還可以用于致密儲層、頁巖儲層等等非常規油藏的開發歷史擬合。
(三)油氣生產智能預警
傳統的采油生產異常計算機分析系統中，對油井電參數、示功圖、油井壓力等單項參數進行獨立的分析，沒有對油井各類生產參數進行關聯分析，故障識別精度低;同時傳統的分析方法是油井故障發生后的參數異常報警，沒有對油井各類生產參數變化趨勢進行關聯分析，不能在故障沒有發生之前，提前預警問題的發生。
一是建設油井參數關聯診斷模型。收集、篩選、整理近年油井生產數據，按照維護作業原因進行分類，提取每口井躺井前半年的實時生產數據，運用相關分析方法提取篩選出特征征兆參數，對所取得樣本進行關于每個特征征兆參數的一維聚類，基于聚類分析檢測不同各個特征征兆參數對不同故障下的敏感性。建立多參數組合判斷的預警模型，挖掘各類數據變化規律，創建了“抽油機皮帶打滑斷脫預警”“抽油桿應力預警”等模型。
二是建立油藏、井筒、地面一體化參數關聯分析模型，開發模型定制化工具。將油井常見問題的診斷分析經驗和分析方法計算機模型化，能夠針對油井故障或問題，進行分析模型的靈活定制。實現油井診斷分析功能，應用實時數據，實現油井動態分析、工況診斷、設備狀況診斷的自動化和智能化。
三是實現油井生產問題實時預警功能。根據油井實際生產情況，靈活設置單井預警內容和關聯診斷模型，實時分析油井生產數據的關聯變化趨勢，對油藏、井筒、地面等常見的生產問題進行實時預警監控。
通過生產智能預警應用，充分利用實時采集數據，建立多參數組合預警模型，自動分析診斷運行異常，真正實現生產異常問題的預警，減少躺井次數、延長檢泵周期、輔助生產優化。
四、結束語
總體看，世界石油石化行業的智能化發展仍處于起步階段，行業企業正在數字化運營基礎上，利用人工智能技術提升決策水平和工作效率，降低人工成本，保障設備安全運行。油田企業應從勘探開發、生產運行等核心業務選好突破口，加快數字化轉型，推進人工智能技術的開發和應用，推動業務轉型升級和高質量發展，在智能化時代重塑企業競爭力。
推薦閱讀：接收人工智能論文的國內期刊有哪些
