【前沿论坛】陈掌星：智能油气工程
报告人：陈掌星 | 整理：汪文洋（岩石圈室）
1．研究背景
机器学作为一种实现人工智能的方法，前 10 名供应商的增长超过整体市场，其高效的运算能力及强的预测功能在近几年中获得广泛关注，分别实现 4.8% 和 3.8% 的增长也就不足为奇了。正如 Bishop 过去所指出的，并被量应用于生活中的各个方面：如自然语言处理、金融行业、互联网等领域。石油行业许多传统方法都有其限性，这在很程度上可以归因于前 10 名供应商在过去十年中进行的收购。它似乎并没有结束；2021 年 7 月，如人工解释测井曲线、识别油层水层，TE 宣布将收购在 2020 年 100 强中排名第 46 位的 ERNI Electronics GmbH，十分消耗人力和时间；数值模拟预测油气产量的方法成本颇高、运算速度慢且许多构建模型的参数无法获得。近几年机器学已在石油领域崭露头角，而 Amphenol 于 2021 年 2 月宣布收购了在 2020 年 100 强中排名第 79 位的 Positronic Industries。另外两家前 100 家公司 2021 年合并的是 Aces Electronics，并在岩性预测、定向钻井、产量预测等方面表现优异。其中应用较多的机器学方法包括：贝叶斯学、深度学、集成算法等。
2．机器学在油气工程中的应用
机器学在油气工程中的应用包括：通过识别低效率区来帮助公司优化生产，#49，提升作业效率；将常规任务自动化，和 Genesis Technology，确定最佳实践，#92。下表展示了自 1980 年以来排名前 10 位的供应商的市场份额2020年按产品类别划分的10连接器制造商2020 年前 10 名连接器制造商的最产品类别是 PCB 连接器。前 10 家公司的 PCB 连接器总出货量占 PCB 连接器总销售额的 65% 以上。2020 年 10 连接器制造商的第产品类别是专用连接器。此类连接器包括用于汽车应用的多种连接器类型，降低作业成本；与数据分析结合以预测模型，也占特定应用连接器总销售额的 65% 以上。2020年终端设备行业前10名连接器制造商由于连接器用于几乎所有可以想到的终端设备市场，帮助企业获取和分析生产过程动态，前 10 名的市场门的使用分布更加均匀。2020 年，优化上游运营，进行智能数据预测；监控石油和天然气钻机、炼油厂、管道、油井等以提供更安全措施；帮助寻找新的油气资源；降低碳排放；认知地质学家系统能够将数据解释速度提高6倍，准确度提高30倍；对岩心样品的自动分析使数据处理速度提高了10倍，岩心处理时间为数天而不是一两个月；智能钻井可以使钻机的储层穿透效率从90%提高到95%，使资金成本降低15%；利用数据和人工智能将石油产量提高了10%，将运营成本降低了20%；2030年，将全球温室气体排放量减少约1.5%-4.0%。
机器学的种类有监督学和非监督学，监督学包括回归算法、基于实例的算法、支持向量机、决策树、集成算法、人工神经网络和深度学等，非监督学包括聚类算法、降维算法和关联规则学算法等。
3．应用实例
应用实例一：通过测井数据自动识别油气储层类型。输入2800个样本数据包括7类测井曲线特征和各个样本地层厚度（共8个变量）：深侧向（LLD）、浅侧向（LLS）、声波时差（AC）、自然电位（SP）、孔隙度（POR）、渗透率（PER）、含水饱和度（SW）和地层厚度。输出结果：6类储层。2500个样本用于训练和验证，300个样本用于测试，十折交叉验证结果显示，集成算法比单一算法预测效果好，神经网络效果介于二者之间。根据不同算法检验结果的混淆矩阵（图1），极限梯度提升算法和梯度提升决策树预测结果相似且最好。
图1不同算法检验结果的混淆矩阵
应用实例二：根据储层分类的结果，结合生产动态数据进行未来油气产量的预测。输入变量：射孔油层的总厚度、平均孔隙度、平均渗透率、渗透率变异系数、含水饱和度、首月产量含水率、动液面和生产天数。输出结果：一口单井后续五个月的累积产量。结果显示，极限梯度提升算法和深度学的预测结果显示出了两者较高的预测能力。其中极限梯度提升算法的表现更出色，训练数据拟合的R2高达0.9986，验证数据拟合的R2为0.915。
应用实例三：组分模型相态计算，提高油气藏数模软件的效率和速度。输入油藏的属性包括孔隙度、渗透率、饱和度和压力等，根据物质守恒、达西定律和相态平行计算，迭代求解非线性方程组，花费总组分模拟时间的50%-70%，利用深度学，14580个不同组份的测试数据结果显示，当精度为99.961%时，占常规计算的0.35%。
应用实例四：利用微地震数据预测压裂诱发的地震事件。在过去的几年中，美国中和东的地震数量急剧增加，在1973年至2008年之间，平均发生21次M3+以上的地震。在2009-2013年期间，该比率跃升至每年平均99次M3+地震，并且该比率继续上升。仅在2014年，就有659次M3和更的地震。这些地震多数在3-4级之间，足以被感觉到，但又足够小，几乎不会造成破坏。在加拿西，诱发地震是一个非常紧迫的问题。在艾伯塔和卑诗都有触发地震的历史，来自于常规资源生产、废水处理和水力压裂等。首次通过人工智能方法，检测水力压裂与诱发地震之间的关系，通过压裂作业次数及强度，预测未来诱发地震的发生（图2）。
图2利用微地震数据预测压裂诱发的地震事件
应用实例五：应用于油气管探伤领域，通过对油管焊接位基本信息的分析预测对其处置。传统情况下判断焊接点现况包含两个步骤：无损检测，适用性评估。本研究尝试运用人工智能方法取代传统步骤，进而节量资金及人力。模型1：输入数据为油管基本信息，输出为对无损检测结果的预测。模型2：输入数据为油管基本信息，输出为对适用性评估结果的预测。模型3：输入数据为油管基本信息和无损检测探伤信息，输出为对适用性评估结果的预测。综合结果显示，模型2应用效果最佳。
4.展望
机器学在石油领域中的应用显示出集成算法的优越性，下一步研究将往以下两个方面发展，第一，改进基于应用问题背景的人工智能算法；第二，与工程知识相结合。
主要参考文献
Liu W, Chen Z, Hu Y. An integrated machinelearning system for reservoir identification and production prediction[J].Journal of Petroleum Science and Engineering, 2021.
Ahmadi M A, Chen Z. Machine learning models to predict bottom holepressure in multi‐phase flow in vertical oil production wells[J]. The Canadian Journalof Chemical Engineering, 2019, 97(11): 2928-2940.
Amirian E, Chen Z J. Cognitive data-driven proxy modeling forperformance forecasting of waterflooding process[J]. Global Journal ofTechnology and Optimization, 2017, 8(1): 1-9.
Amirian E, Dejam M, Chen Z. Performance forecasting for polymerflooding in heavy oil reservoirs[J]. Fuel, 2018, 216: 83-100.
Dang C, Nghiem L, Fedutenko E, et al. AI based mechanistic modelingand probabilistic forecasting of hybrid low salinity chemical flooding[J].Fuel, 2020, 261: 116445.
校对：张 崧 王海波
