人工智能(Artificial Intelligence，簡(jiǎn)稱 AI)這一概念最早誕生于 1956 年的達(dá)特茅斯會(huì)議上，約翰·麥卡錫等學(xué)者將“使用機(jī)器模擬人類認(rèn)知能力”的技術(shù)命名為“人工智能”[1]。目前，人工智能尚沒有統(tǒng)一的定義。筆者認(rèn)為人工即人工制造，智能涉及到諸如意識(shí)、自我、思維等。簡(jiǎn)而言之，人工智能就是人工制造的意識(shí)、思維等。人工智能的關(guān)鍵技術(shù)包括機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語言處理、模式識(shí)別、計(jì)算機(jī)視覺、知識(shí)圖譜等。近幾年，隨著大數(shù)據(jù)的增長(zhǎng)、深度學(xué)習(xí)技術(shù)的出現(xiàn)以及算力的大幅提升，人工智能已呈現(xiàn)井噴式發(fā)展。人工智能被廣泛應(yīng)用到醫(yī)療、交通、互聯(lián)網(wǎng)、農(nóng)業(yè)等領(lǐng)域，成為第 4 代工業(yè)革命的核心驅(qū)動(dòng)力，以及推動(dòng)人類社會(huì)進(jìn)入智能時(shí)代的決定性力量。

　　本文廣泛調(diào)研人工智能在石油勘探開發(fā)領(lǐng)域的研究現(xiàn)狀，結(jié)合油氣勘探開發(fā)的實(shí)際需求，闡述人工智能在測(cè)井、物探、鉆完井、油藏工程、地面工程 5 個(gè)領(lǐng)域的研究進(jìn)展與應(yīng)用情況，探討并展望未來人工智能的應(yīng)用重點(diǎn)與發(fā)展趨勢(shì)。

　　1 石油公司人工智能發(fā)展現(xiàn)狀

　　采取開放式創(chuàng)新和產(chǎn)學(xué)研深度融合的模式、與 IT 公司合作是油氣行業(yè)智能化發(fā)展的通用策略。國(guó)際石油公司通過與 IT 公司聯(lián)手開展業(yè)務(wù)智能化探索，實(shí)現(xiàn)上游勘探開發(fā)業(yè)務(wù)的智能化，產(chǎn)生了道達(dá)爾+谷歌云、雪佛龍+微軟、殼牌+惠普等跨界組合。例如，殼牌的智能油田(Smart Field)聚焦協(xié)同工作環(huán)境、智能井、光纖監(jiān)測(cè)、生產(chǎn)實(shí)時(shí)優(yōu)化、智能水驅(qū)和閉環(huán)油藏管理;雪佛龍的信息油田(i-Field)聚焦鉆井優(yōu)化、生產(chǎn)優(yōu)化、油藏管理;英國(guó)石油公司(BP)提出的未來油田(Field of the Future)聚焦應(yīng)用實(shí)時(shí)信息系統(tǒng)優(yōu)化運(yùn)營(yíng);俄羅斯天然氣公司(GASPROM)的數(shù)字化轉(zhuǎn)型計(jì)劃(DT)優(yōu)先實(shí)施數(shù)字化地質(zhì)勘探、數(shù)字化大型項(xiàng)目、數(shù)字化生產(chǎn)、中游業(yè)務(wù)數(shù)字化生產(chǎn)、數(shù)字化 HSE(健康、安全、環(huán)保)、數(shù)字化設(shè)施設(shè)備等 12 類項(xiàng)目。表 1 展示了全球重點(diǎn)石油公司及油服公司的人工智能發(fā)展戰(zhàn)略。

　　道達(dá)爾與谷歌簽署協(xié)議，合作探索油氣勘探和開發(fā)的智能化解決方案，聚焦地下成像的智能化處理與解釋，特別是地震數(shù)據(jù)的處理解釋，以提高勘探和評(píng)價(jià)油氣田的效率。殼牌與微軟合作共同開發(fā) Geodesic 平臺(tái)，旨在提高水平井定向控制的準(zhǔn)確性和一致性，以精確鉆入油氣含量最高的地層。該解決方案可簡(jiǎn)化鉆探數(shù)據(jù)處理算法，從而做出實(shí)時(shí)決策并更好地預(yù)測(cè)結(jié)果。�？松�美孚與微軟合作共同開發(fā)集成云平臺(tái)，該平臺(tái)可以安全可靠地從跨越數(shù)百千米的油田中收集實(shí)時(shí)數(shù)據(jù)。這些數(shù)據(jù)有助于公司在鉆完井優(yōu)化和人員部署方面做出更快更好的決策。雪佛龍、斯倫貝謝、微軟合作開發(fā) DELFI 云計(jì)算平臺(tái)，把大量信息整合到一個(gè)平臺(tái)上，構(gòu)建開放共享的數(shù)據(jù)生態(tài)環(huán)境，提高數(shù)據(jù)分析的效率。

　　2 人工智能在石油勘探開發(fā)中的應(yīng)用現(xiàn)狀

　　2.1 測(cè)井領(lǐng)域自 1927 年誕生以來，測(cè)井技術(shù)歷經(jīng) 90 余年發(fā)展，已經(jīng)從模擬測(cè)井、數(shù)字測(cè)井、數(shù)控測(cè)井，發(fā)展到成像測(cè)井，正在跨入智能測(cè)井時(shí)代。 2.1.1 測(cè)井?dāng)?shù)據(jù)采集由于儲(chǔ)集層的非均質(zhì)性、探測(cè)對(duì)象的復(fù)雜化以及測(cè)井作業(yè)環(huán)境的多樣化、復(fù)雜化，迫切需要在井下地層參數(shù)采集、測(cè)井?dāng)?shù)據(jù)傳輸?shù)确矫嫜芯啃碌臏y(cè)量方式、工作模式，引入人工智能，實(shí)現(xiàn)更準(zhǔn)確、更高效、更安全的作業(yè)和地質(zhì)信息探測(cè)。國(guó)外石油企業(yè)在數(shù)據(jù)采集、遠(yuǎn)程測(cè)井等方面已形成商用的產(chǎn)品。斯倫貝謝的遠(yuǎn)程測(cè)井中心、智能地層測(cè)試、具備智能處理解釋能力的井筒軟件 Techlog 等已經(jīng)商用。其中，遠(yuǎn)程測(cè)井在全球部署 11 個(gè)數(shù)據(jù)服務(wù)器中心、14 個(gè)遠(yuǎn)程測(cè)井中心，擁有 108 名操作工程師，實(shí)現(xiàn)專家遠(yuǎn)程協(xié)同工作和決策，20%的測(cè)井作業(yè)由遠(yuǎn)程測(cè)井中心完成，已完成上萬井次作業(yè)。國(guó)內(nèi)方面，部分石油企業(yè)和科研機(jī)構(gòu)已經(jīng)針對(duì)網(wǎng)絡(luò)化地面、智能絞車、遠(yuǎn)程測(cè)井等相關(guān)核心技術(shù)進(jìn)行攻關(guān)，并已開始小批量應(yīng)用。智能化井下機(jī)器人已經(jīng)啟動(dòng)研發(fā)。 2.1.2 測(cè)井處理解釋測(cè)井?dāng)?shù)據(jù)具有數(shù)據(jù)體量大和多源異構(gòu)等特點(diǎn)，測(cè)井處理解釋過程中面臨多解性、不確定性等難點(diǎn)，油氣判識(shí)難度越來越大，亟需利用人工智能等技術(shù)來提高工作效率和解釋符合率。近幾年，人工智能在測(cè)井處理解釋方面的應(yīng)用主要集中在自動(dòng)深度校正、自動(dòng)報(bào)告生成、智能分層、曲線重構(gòu)、巖性識(shí)別、成像測(cè)井解釋、儲(chǔ)集層參數(shù)預(yù)測(cè)、含油氣性評(píng)價(jià)、橫波速度預(yù)測(cè)、裂縫及縫洞充填物識(shí)別等方面。智能曲線重構(gòu)是利用深度學(xué)習(xí)、關(guān)聯(lián)分析等算法尋找測(cè)井曲線之間的關(guān)聯(lián)性，對(duì)錯(cuò)誤的、不恰當(dāng)?shù)�、缺失的測(cè)井曲線進(jìn)行數(shù)據(jù)重造。所用到的人工智能算法包括神經(jīng)網(wǎng)絡(luò)、組合學(xué)習(xí)算法、聚類算法等。張東曉等[2]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)即長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)來重構(gòu)測(cè)井曲線的方法，采用真實(shí)測(cè)井曲線進(jìn)行驗(yàn)證后發(fā)現(xiàn)與傳統(tǒng)方法相比精度更高。

　　2.2 物探領(lǐng)域國(guó)際上“AI+物探”研究發(fā)展迅速。地球物理勘探長(zhǎng)期以來一直是高性能計(jì)算、三維可視化、計(jì)算機(jī)網(wǎng)絡(luò)等信息技術(shù)的一個(gè)重要應(yīng)用領(lǐng)域，是較早實(shí)現(xiàn)數(shù)字化采集、處理和分析的一個(gè)領(lǐng)域。 2.2.1 物探裝備人工智能在物探裝備方面的應(yīng)用主要集中在可控震源、無人機(jī)、地震儀器等方面。智能可控震源可以根據(jù)具體的工區(qū)地表?xiàng)l件、深層地震地質(zhì)條件調(diào)整出力大小、頻率范圍、掃描時(shí)間、相位等參數(shù)，具有安全、環(huán)保的特點(diǎn)。物探數(shù)據(jù)采集智能無人機(jī)可實(shí)現(xiàn)高精度地形探測(cè)、風(fēng)險(xiǎn)評(píng)估、節(jié)點(diǎn)監(jiān)控、數(shù)據(jù)回收、物資投送、救援等工作。地震儀器方面已研發(fā)出 G3i(有線)、Hawk(節(jié)點(diǎn))、eSeis(節(jié)點(diǎn))等產(chǎn)品，OBN(海底采集節(jié)點(diǎn))技術(shù)攻關(guān)解決了拖纜跨障能力差、觀測(cè)方位窄、海面噪聲強(qiáng)、單分量接收等局限。 2.2.2 物探采集隨著云計(jì)算、人工智能、機(jī)器人、通信等技術(shù)的不斷發(fā)展，物探采集在經(jīng)歷數(shù)字化發(fā)展階段之后，將進(jìn)入智能化發(fā)展階段，具備以下特點(diǎn)：無感數(shù)字化、高度閉環(huán)自動(dòng)化、核心裝備“機(jī)器人”化、作業(yè)程序一體化、生產(chǎn)動(dòng)態(tài)可預(yù)測(cè)，甚至具備一些大數(shù)據(jù)邊緣計(jì)算的能力。物探采集技術(shù)已經(jīng)實(shí)現(xiàn)從傳統(tǒng)地震隊(duì)向數(shù)字化地震隊(duì)的轉(zhuǎn)變，數(shù)字地震隊(duì)將物聯(lián)網(wǎng)、云計(jì)算等 IT 技術(shù)與物探采集方法相融合，對(duì)施工任務(wù)、野外人員、裝備、HSE 等進(jìn)行無線化、可視化數(shù)字管理，優(yōu)化施工工序，簡(jiǎn)化作業(yè)程序，實(shí)現(xiàn)智能激發(fā)、實(shí)時(shí)質(zhì)量控制、遠(yuǎn)程技術(shù)支持與指揮調(diào)度。 2.2.3 地震數(shù)據(jù)處理與解釋在地震數(shù)據(jù)處理與解釋方面，人工智能主要應(yīng)用在地震構(gòu)造解釋(含斷層識(shí)別、層位解釋、巖丘頂?shù)捉忉�、河道或溶洞解釋�?、噪聲壓制與信號(hào)增強(qiáng)、地震相識(shí)別、儲(chǔ)集層參數(shù)預(yù)測(cè)、地震波場(chǎng)正演、地震反演、地震速度拾取與建模、初至拾取、地震數(shù)據(jù)重建與插值、地震屬性分析、微地震數(shù)據(jù)分析、綜合解釋等方面。使用的核心技術(shù)主要是計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)檢測(cè)、分割、圖像分類與預(yù)測(cè)等。人工智能的應(yīng)用在保證準(zhǔn)確率的前提下，極大地提高了地震數(shù)據(jù)處理解釋的效率。

　　2.3 鉆完井領(lǐng)域石油鉆井在歷經(jīng)概念—經(jīng)驗(yàn)—科學(xué)—自動(dòng)化的發(fā)展過程后，形成了以鉆完井工藝原理、方法為指導(dǎo)，以裝備、工具、材料為手段的鉆完井工程技術(shù)體系。鉆完井工程技術(shù)基本實(shí)現(xiàn)了從經(jīng)驗(yàn)步入科學(xué)化階段，目前正處于自動(dòng)化與智能化交融發(fā)展階段，整體向智能化發(fā)展。智能鉆完井是一種全新的鉆完井模式。智能鉆完井要以智能軟件系統(tǒng)為紐帶，依托地面智能裝備、井下智能工具，利用計(jì)算模型和智能決策技術(shù)將三者整合成一個(gè)閉環(huán)的系統(tǒng)并協(xié)同進(jìn)行工作。井下智能工具主要是配備嵌入式芯片的智能鉆機(jī)、智能鉆頭、智能鉆桿、旋轉(zhuǎn)導(dǎo)向系統(tǒng)等;地面智能裝備主要是具備工業(yè)控制核心系統(tǒng)的鉆臺(tái)機(jī)器人、起下鉆自動(dòng)控制裝備、自動(dòng)送鉆裝備等;智能軟件作為紐帶，將三者整合成一個(gè)整體，根據(jù)井下地質(zhì)情況和油藏位置，實(shí)現(xiàn)高效、自動(dòng)鉆進(jìn)到最佳的儲(chǔ)集層位置，并獲得最大產(chǎn)能。國(guó)內(nèi)智能鉆完井技術(shù)剛剛起步，處于單項(xiàng)技術(shù)開發(fā)攻關(guān)前期，裝備、工具整體自動(dòng)化、智能化程度與國(guó)外還有較大差距。 2.3.1 智能鉆完井關(guān)鍵技術(shù)智能鉆完井關(guān)鍵技術(shù)包括井眼軌道智能優(yōu)化、智能導(dǎo)向鉆井、鉆速智能優(yōu)化等。以地質(zhì)工程的多源數(shù)據(jù)為基礎(chǔ)的井眼軌道智能優(yōu)化技術(shù)一般采用遺傳算法、神經(jīng)網(wǎng)絡(luò)等人工智能算法實(shí)現(xiàn)井眼方位角等相關(guān)參數(shù)的優(yōu)化。智能導(dǎo)向鉆井技術(shù)的核心是利用人工智能算法，通過對(duì)目標(biāo)井眼軌跡的實(shí)時(shí)監(jiān)控和分析，并采用隨鉆地震技術(shù)、近鉆頭測(cè)量技術(shù)等鉆井新技術(shù)，實(shí)現(xiàn)鉆井過程的隨鉆預(yù)測(cè)及自動(dòng)控制。鉆速智能優(yōu)化方面，大多采用大數(shù)據(jù)和智能優(yōu)化算法對(duì)多目標(biāo)鉆井參數(shù)進(jìn)行優(yōu)化，使地層-鉆頭參數(shù)三者之間達(dá)到最佳匹配，實(shí)現(xiàn)井斜、方位等參數(shù)動(dòng)態(tài)優(yōu)化設(shè)計(jì)，與鉆機(jī)聯(lián)動(dòng)，自動(dòng)發(fā)出操控指令，從而智能優(yōu)化機(jī)械鉆速。常用的算法包括隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、蟻群算法、粒子群算法等。 2.3.2 智能化鉆完井裝備國(guó)外石油公司在地面裝備方面，已經(jīng)開始規(guī)模化應(yīng)用鉆臺(tái)機(jī)器人、起下鉆自動(dòng)控制、自動(dòng)送鉆系統(tǒng)、自動(dòng)控壓鉆井、鉆井液在線監(jiān)測(cè)等技術(shù)。井下工具方面，智能鉆機(jī)、智能鉆頭、智能鉆桿能夠?qū)崿F(xiàn)鉆臺(tái)無人化操作、鉆井自動(dòng)化精準(zhǔn)控制，大幅提高鉆井效率，降低鉆井風(fēng)險(xiǎn)和人力成本。旋轉(zhuǎn)導(dǎo)向鉆井系統(tǒng)規(guī)模化商業(yè)應(yīng)用，實(shí)現(xiàn)了隨鉆、隨測(cè)、隨控，既保障鉆頭高效破巖，又實(shí)現(xiàn)智能導(dǎo)向。根據(jù)地質(zhì)條件和油藏特征信息，應(yīng)用神經(jīng)網(wǎng)絡(luò)等方法建立以獲得最大油氣產(chǎn)能為目標(biāo)函數(shù)的鉆井工藝參數(shù)優(yōu)化模型，并將計(jì)算得到的最佳工藝參數(shù)與隨鉆隨測(cè)實(shí)時(shí)獲取的數(shù)據(jù)比較，自動(dòng)尋找最佳軌跡。

　　2.4 油藏工程領(lǐng)域油藏工程的核心任務(wù)是以滲流力學(xué)、油層物理為基礎(chǔ)，研究油氣藏開發(fā)過程中油、氣、水的運(yùn)移規(guī)律和驅(qū)替機(jī)理，從而采取相應(yīng)的工程措施，達(dá)到合理提高開采速度和采收率的目的。工業(yè) 4.0 時(shí)代，智能油藏工程成為一種必然趨勢(shì)，其核心要義就是借助計(jì)算機(jī)算法及軟件工具充分認(rèn)識(shí)儲(chǔ)集層和流體滲流規(guī)律，實(shí)現(xiàn)智能化動(dòng)態(tài)管理和生產(chǎn)預(yù)測(cè)。 2.4.1 油藏動(dòng)態(tài)分析與模擬油藏工程涉及的面較為廣泛，本文僅針對(duì)人工智能在油藏動(dòng)態(tài)分析與模擬方面的應(yīng)用進(jìn)行了簡(jiǎn)要概述�？傮w而言，油藏工程主要是通過油藏?cái)?shù)值模擬和油藏工程方法兩種方式來實(shí)現(xiàn)動(dòng)態(tài)分析和模擬。目前，人工智能應(yīng)用主要集中在水驅(qū)開發(fā)實(shí)時(shí)調(diào)控、產(chǎn)量預(yù)測(cè)、飽和度預(yù)測(cè)、生產(chǎn)措施優(yōu)選、數(shù)值模擬等方面。水驅(qū)開發(fā)實(shí)時(shí)調(diào)控方面，主要是利用最優(yōu)化、數(shù)據(jù)挖掘等技術(shù)來優(yōu)化生產(chǎn)參數(shù)。賈德利等[9]在動(dòng)態(tài)觀測(cè)數(shù)據(jù)的約束下，采用傳統(tǒng)的數(shù)值模擬及優(yōu)化算法，通過自動(dòng)識(shí)別分層注采流動(dòng)關(guān)系來計(jì)算區(qū)塊分層注采井間的流動(dòng)關(guān)系。同時(shí)，采用多層多向產(chǎn)量劈分技術(shù)計(jì)算采油井分層分方向的產(chǎn)液量與產(chǎn)油量，量化注水效果指標(biāo)。通過機(jī)器學(xué)習(xí)算法評(píng)價(jià)多井分層的注水效果、分析注水調(diào)整方向，從而提出了一套大數(shù)據(jù)驅(qū)動(dòng)下的精細(xì)注水方案優(yōu)化方法。結(jié)合油田試驗(yàn)，初步實(shí)現(xiàn)了以注水方案設(shè)計(jì)、智能優(yōu)化和同步調(diào)整為核心的油藏和采油工程一體化技術(shù)。賈虎等[10]以碳酸鹽巖油藏為研究對(duì)象，采用流線聚類方法，對(duì)水相驅(qū)動(dòng)能力不同的流線實(shí)現(xiàn)區(qū)分，并進(jìn)一步對(duì)同一注采井間流線進(jìn)行細(xì)分，從而提出了針對(duì)流線模擬結(jié)果的流場(chǎng)識(shí)別方法，以實(shí)現(xiàn)基于流線聚類人工智能方法的水驅(qū)油藏流場(chǎng)識(shí)別，為注水優(yōu)化、井網(wǎng)層系調(diào)整、深部調(diào)剖等方案決策提供依據(jù)。2.4.2 一體化分析軟件國(guó)外油藏動(dòng)態(tài)分析與預(yù)測(cè)方面的一體化分析軟件包括：斯倫貝謝的 Eclipse 以及升級(jí)版軟件 INTERSECT;蘭德馬克的油藏?cái)?shù)值模擬軟件 VIP;俄羅斯 RFD 公司的 tNavigator 等。這些軟件均利用機(jī)器學(xué)習(xí)、最優(yōu)化等人工智能技術(shù)進(jìn)行自動(dòng)歷史擬合，加速模擬速度，從而提升了軟件的智能化水平。

　　3 人工智能在石油勘探開發(fā)領(lǐng)域應(yīng)用時(shí)面臨的挑戰(zhàn)與發(fā)展方向

　　企業(yè)數(shù)字化轉(zhuǎn)型發(fā)展是借助物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、人工智能、區(qū)塊鏈等信息技術(shù)，前端實(shí)現(xiàn)自動(dòng)采集、自動(dòng)傳輸、實(shí)時(shí)感知，中端實(shí)現(xiàn)安全存儲(chǔ)、實(shí)時(shí)監(jiān)視、集中管控，后端實(shí)現(xiàn)智能分析、數(shù)據(jù)共享與技術(shù)支撐。前、中、后端的一體化協(xié)同、高效聯(lián)動(dòng)與數(shù)據(jù)共享，快速推動(dòng)了傳統(tǒng)業(yè)務(wù)流程重構(gòu)與工作方式變革。人工智能在其中發(fā)揮了中樞紐帶作用。人工智能技術(shù)有望突破石油勘探開發(fā)面臨的瓶頸問題，實(shí)現(xiàn)管理模式由傳統(tǒng)豎向獨(dú)立管理向一體化協(xié)同運(yùn)行、扁平化管理模式轉(zhuǎn)變，重構(gòu)業(yè)務(wù)流程，實(shí)現(xiàn)提質(zhì)、降本、增效，助力企業(yè)的數(shù)字化轉(zhuǎn)型發(fā)展。人工智能技術(shù)主要從以下幾個(gè)方面對(duì)傳統(tǒng)業(yè)務(wù)流程進(jìn)行重構(gòu)：一是自動(dòng)化數(shù)據(jù)采集設(shè)備，為油氣勘探開發(fā)提供實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù);二是智能化分析處理軟件，提高人工解釋處理的效率，減少對(duì)專家經(jīng)驗(yàn)的依賴度，優(yōu)化人力資源，節(jié)省人工成本;三是無人機(jī)、電子巡檢代替人工作業(yè)，實(shí)現(xiàn)無人值守，提高員工幸福指數(shù);四是安全預(yù)警，實(shí)現(xiàn)事前控制，減小問題發(fā)現(xiàn)及信息傳遞的時(shí)間，降低生產(chǎn)維護(hù)成本;五是生產(chǎn)動(dòng)態(tài)管理，提升應(yīng)急處置能力，減小產(chǎn)量損失。

　　3.1 人工智能在石油勘探開發(fā)領(lǐng)域應(yīng)用時(shí)面臨的問題與挑戰(zhàn)數(shù)據(jù)已經(jīng)成為一種新生資源，不僅推動(dòng)著社會(huì)經(jīng)濟(jì)的發(fā)展，而且促使人工智能的不斷進(jìn)步。然而，石油勘探開發(fā)領(lǐng)域的人工智能應(yīng)用往往會(huì)陷入不斷升級(jí)裝備和軟件的誤區(qū)，最終導(dǎo)致離線的機(jī)器、碎片化的軟件和割裂的數(shù)據(jù)。人工智能要達(dá)到工業(yè)級(jí)應(yīng)用需要具備足夠高質(zhì)量的數(shù)據(jù)、關(guān)系明確的應(yīng)用場(chǎng)景、科學(xué)恰當(dāng)?shù)乃惴�模型等條件。開展探索性研究相對(duì)容易，但工業(yè)級(jí)別落地應(yīng)用時(shí)面臨重重困難。

　　3.2 人工智能應(yīng)用發(fā)展方向人工智能技術(shù)必將為實(shí)現(xiàn)油氣全產(chǎn)業(yè)鏈突破提供新動(dòng)能。結(jié)合石油勘探開發(fā)需求及人工智能技術(shù)研究現(xiàn)狀，未來的應(yīng)用發(fā)展方向主要包括以下 3 個(gè)方面。 ①智能生產(chǎn)裝備。隨著深度學(xué)習(xí)、自然語言處理、語音識(shí)別、強(qiáng)化學(xué)習(xí)等技術(shù)在機(jī)器人中的不斷成功應(yīng)用，工業(yè)機(jī)器人逐漸走向成熟。越來越多的石油公司開始使用機(jī)器人代替人類進(jìn)行危險(xiǎn)作業(yè)。目前，機(jī)器人已經(jīng)成功應(yīng)用到了管道巡檢、深水作業(yè)、高危作業(yè)等領(lǐng)域。無人機(jī)技術(shù)逐漸在石油勘探開發(fā)領(lǐng)域應(yīng)用，尤其是物探領(lǐng)域，可實(shí)現(xiàn)地質(zhì)探測(cè)、數(shù)據(jù)采集、視頻監(jiān)控、物資投放、工程救援等工作。同時(shí)，由于專業(yè)軟件的嵌入應(yīng)用，石油勘探開發(fā)生產(chǎn)裝備的智能化水平越來越高。未來，嵌入物聯(lián)網(wǎng)、機(jī)器視覺、深度學(xué)習(xí)等技術(shù)的智能生產(chǎn)裝備將大大降低生產(chǎn)成本，提高生產(chǎn)效率。 ②自動(dòng)處理解釋。數(shù)據(jù)挖掘和數(shù)理統(tǒng)計(jì)等分析技術(shù)在石油勘探開發(fā)領(lǐng)域的應(yīng)用較為成熟，廣泛應(yīng)用到測(cè)井曲線解釋、儲(chǔ)集層參數(shù)預(yù)測(cè)等領(lǐng)域。近幾年，隨著深度學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)等技術(shù)的不斷發(fā)展，其在圖像處理、分析預(yù)測(cè)等方面展現(xiàn)出較為顯著的優(yōu)勢(shì)。未來，深度學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)、強(qiáng)記憶學(xué)習(xí)等技術(shù)有望在巖石物理、地震圖像、測(cè)井曲線、數(shù)字巖心、生產(chǎn)運(yùn)行等數(shù)據(jù)的自動(dòng)分析處理方面得到深度應(yīng)用。

　　3.3 人工智能應(yīng)用發(fā)展重點(diǎn)人工智能應(yīng)用應(yīng)該以點(diǎn)帶面、逐步推廣，結(jié)合勘探開發(fā)業(yè)務(wù)的實(shí)際需求，未來人工智能技術(shù)應(yīng)用的重點(diǎn)發(fā)展方向包括智能盆地、智能測(cè)井、智能物探、智能鉆完井、智能壓裂、智能采油等。未來 5 年的發(fā)展重點(diǎn)包括數(shù)字盆地、快速智能成像測(cè)井儀、智能化節(jié)點(diǎn)地震采集系統(tǒng)、智能旋轉(zhuǎn)導(dǎo)向鉆井、智能化壓裂技術(shù)裝備、分層注采實(shí)時(shí)監(jiān)測(cè)與控制工程技術(shù)等。國(guó)外借助 1998 年“數(shù)字地球”概念的推動(dòng)，已完成數(shù)字盆地建設(shè)，中國(guó)數(shù)字盆地建設(shè)還沒有統(tǒng)一的模式和標(biāo)準(zhǔn)，理論研究居多，實(shí)際應(yīng)用偏少。未來 5 年，利用大數(shù)據(jù)和人工智能技術(shù)，基于國(guó)內(nèi)外成熟盆地的勘探開發(fā)成果，對(duì)盆地進(jìn)行勘探開發(fā)全生命周期的分析，形成智能勘探?jīng)Q策系統(tǒng)，指導(dǎo)剩余優(yōu)質(zhì)油氣資源空間分布預(yù)測(cè)，明確勘探重點(diǎn)和目標(biāo)。

　　4 結(jié)語

　　人工智能在石油勘探開發(fā)領(lǐng)域的應(yīng)用剛剛起步，尚未形成顛覆性成果，卻又顯現(xiàn)出巨大的潛力，已有的研究成果歸納為三個(gè)方面：一是智能裝備初步應(yīng)用，無人機(jī)、機(jī)器人等代替人類進(jìn)行巡檢操作，初步應(yīng)用到管道巡檢、無人值守平臺(tái)等場(chǎng)景中;二是大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)應(yīng)用到了勘探開發(fā)數(shù)據(jù)的分析處理上，但現(xiàn)階段大多是“點(diǎn)”上的應(yīng)用，尚未形成“面” 上的推廣;三是大多數(shù)企業(yè)意識(shí)到了數(shù)據(jù)共享的重要性，開始研發(fā)一體化分析平臺(tái)、集成軟件等。

　　人工智能在石油勘探開發(fā)領(lǐng)域已開展的應(yīng)用探索主要集中在測(cè)井處理解釋(如巖性識(shí)別、曲線重構(gòu)等)、地震處理解釋(如初至波拾取、斷層識(shí)別等)、水驅(qū)開發(fā)實(shí)時(shí)調(diào)控、產(chǎn)量預(yù)測(cè)等方面，智能算法的應(yīng)用提升了一體化分析軟件的智能化水平，智能芯片的嵌入實(shí)現(xiàn)了智能裝備。由于人工智能算法需要建立在大數(shù)據(jù)基礎(chǔ)上，對(duì)算法的輸入和輸出之間的映射關(guān)系要求明確、清晰，而油氣儲(chǔ)集層地下條件復(fù)雜多變，石油勘探開發(fā)面臨多解性、小樣本等問題，人工智能的應(yīng)用推廣難度大，因而人工智能在石油勘探開發(fā)中的落地應(yīng)用不宜全面鋪開，應(yīng)以點(diǎn)帶面，逐漸推動(dòng)。未來石油勘探開發(fā)領(lǐng)域人工智能的發(fā)展重點(diǎn)包括數(shù)字盆地、快速智能成像測(cè)井儀、分層注采實(shí)時(shí)監(jiān)測(cè)與控制工程等技術(shù)。

　　參考文獻(xiàn)：

　　[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] 張東曉, 陳云天, 孟晉. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的測(cè)井曲線生成方法 [J]. 石油勘探與開發(fā), 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] 江凱, 王守東, 胡永靜, 等. 基于 Boosting Tree 算法的測(cè)井巖性識(shí)別模型[J]. 測(cè)井技術(shù), 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開發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)》來源;《石油勘探與開發(fā)》，作者：匡立春 1 ，劉合 2 ，任義麗 2 ，羅凱 1 ，史洺宇 1 ，蘇健 2 ，李欣 2