客服热线:029-8918-1862  |  关注公众号
免费注册
 |  立即登录  |  个人中心  |  帮助中心
商品 店铺

刘合院士:油气勘探开发数字化转型 人工智能应用大势所趋

发布于: 2023-09-12
已被浏览: 2735
来源: 石油科技论坛

摘 要:近年人工智能技术全面爆发,成为数字经济发展的重要引擎。人工智能技术的应用已成为油气数字化转型的关键一步,并在提高油气勘探开发效率、降低运营生产成本、保障安全生产、降低环境风险等方面发挥巨大的推动作用。文章阐述了人工智能技术在储层评价、测井、物探、钻完井、油藏工程、油气田工程等领域的研发应用现状,国内外油公司积极探索人工智能合作研发模式,在非常规油气领域加快人工智能应用布局,已取得初步效果。当前油气勘探开发人工智能应用面临着诸多挑战,如数据获取成本高,数据质量问题突出,业务场景复杂,无法单纯依靠数据驱动,研发生态尚未成熟,短期见效慢,认识尚浅,配套机制跟不上等。针对人工智能落地应用提出如下建议:建立数据质量管理框架,实现持续自动化检查提高数据质量;将行业机理模型和人工智能技术融合,培养复合型人才;共建智慧能源合作生态,鼓励智慧能源生态发展;要清楚认识数字化转型、智能化发展是系统工程、持续工程。

关键词:人工智能;油气勘探开发;数字化转型;数据治理;深度学习


推动人工智能(AI)落地应用是深刻领会习近平总书记网络强国重要思想,准确把握数字经济发展趋势规律的重要举措。2018年10月31日,习总书记在第九次中共中央政治局集体学习时强调,加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。2021年10月18日,习总书记在主持中央政治局第三十四次集体学习时强调,支持人工智能和实体经济深度融合,建设数字中国、智慧社会。2022年10月16日,习总书记在党的二十大报告中指出,推动战略性新兴产业融合集群发展,构建新一代人工智能、新能源、绿色环保等一批新的增长引擎。2023年4月28日,中共中央政治局召开会议,提出要重视通用人工智能发展,营造创新生态。

我国已将大数据与人工智能作为一项重要的科技发展战略,中共中央、国务院重磅发布《数字中国建设整体布局规划》《关于加快推进能源数字化智能化发展的若干意见》,新组建国家数据局,从国家层面全面加速数字中国的建设步伐,人工智能技术研发与应用迎来了新机遇。

中国石油天然气集团有限公司(简称中国石油)将人工智能发展提升到战略层面,对集团数字化转型智能化发展作出总体部署,制定了智能化科技发展规划,全面助推高质量可持续发展。2021年9月,中国石油召开科技与信息化创新大会,强调全力推动智能化发展,提升价值创造能力。2022年3月,中国石油勘探开发人工智能技术研发中心率先成立,旨在推进落实中国石油数字化智能化发展战略,加快勘探开发人工智能技术的研发及应用。

1 人工智能研究与应用发展概况

人工智能是一门涉及理论、方法、技术及应用的新兴学科,旨在研究和开发能够模拟、延伸和扩展人类智能的系统和技术。它涵盖了机器学习、自然语言处理、计算机视觉、专家系统等多个领域,通过模拟人类思维和智能过程,使计算机具备感知、理解、推理、决策和学习等能力,以解决复杂问题和完成智能任务。在科技飞速发展的今天,人工智能迅猛发展,渗透于各行各业,带动了第四次工业革命,也将对油气行业产生深远影响。

1.1 人工智能发展概况

自1956年在英国达特茅斯会议上提出人工智能至今,随着数据、算力等因素的积淀与变化,发展经历了3次大的浪潮。21世纪以来,依托丰富的大数据资源、指数级增长的算力,以及深度学习算法的出现,人工智能技术全面爆发,成为数字经济发展的重要引擎(图1)。


新兴技术如互联网、云计算、大数据、芯片、物联网等,为人工智能技术发展提供充足数据支持和算力支撑,以“AI+”为代表的业务创新模式日趋成熟,已在多个领域广泛应用。尤其是ChatGPT等大模型技术的出现,带动了生成式人工智能技术的落地应用。

目前,机器学习、计算机视觉等人工智能技术成熟度和行业应用程度高。业务场景智能化发展快慢受人工智能技术成熟度影响,油气勘探开发领域的人工智能技术也集中于这些技术领域,其他人工智能技术的研发及应用业务场景少。同时,通用行业人工智能落地应用要快于油气勘探开发领域。

1.2 通用行业人工智能研究应用状况

人工智能技术应用具有数据处理高度自动化、结果智能化的特点,已成为近年研究热点。利用深度神经网络、智能优化、计算机视觉等人工智能方法可以提取更抽象、更复杂的数据特征,能够有效避免人为因素对结果的不利影响。近些年来,相关学者和研究人员利用人工智能等技术对通用行业领域多个方面进行了深入探究。

人工智能已经在广泛领域中引发了革命性变化,包括智能交通、无人驾驶汽车、智慧城市等通用行业。此外,在诸如生物科学、医疗保健、安防等领域,人工智能的应用也呈现出显著影响。例如,在气象领域,Hazar Chaabani等人提出了一种基于深度学习的特征提取和SVM分类器相结合的新方法,可提供更好的性能结果,在大雾天气提供更安全的驾驶条件。在医学领域,Alexander Selvikvag Lundervold等人阐述了深度学习如何应用于从获取到图像检索,从分割到疾病预测的整个MRI处理链。光学图像地质灾害识别是防灾减灾的关键技术之一,Liu等人基于Google Earth的光学图像,提出了一种用于光学图像的压缩域滑坡识别框架,取得了较高的分类准确率。在生物图像分类方向,Carlos Affonso等人指出,在高度复杂的场景中,深度学习技术应用于图像处理任务的预测性能优于传统分类技术。在可再生能源方面,Wang等人提出基于深度学习的可再生能源预测方法综述,探讨了其有效性、效率和应用潜力。在互联网、金融等领域,人工智能技术应用已向效率化、工业化生产的成熟阶段演进。

1.3 油气行业人工智能研究应用状况

随着新兴技术的快速发展,国内外学者致力于研究利用人工智能方法和大数据分析手段,结合油气行业的传统方法,形成适用于油田开发研究的算法与技术,从而大幅度提高研究效率和智能化水平。目前,人工智能技术在油气行业得到广泛应用。由于内部资源品质变差和外部竞争等因素,人工智能成为行业提质增效的一个重要手段,助力“绿色低碳、能源变革”。

油气行业发展人工智能是当今时代的必然要求与发展趋势。智能解释分析技术、大数据分析技术、多专业数据集成分析,增加油气藏地质预测分析效率和准确性;装备智能化、操控远程化,向无人化、少人化现场作业发展,减少操作成本,降低安全风险;油气藏模型敏捷迭代优化更新,AI+油气工程算法融合精细建模表征,预测性维护预警,智能运维;运用智能化技术手段,融合多专业知识,实现跨层级、跨专业、跨地域精准管控,整合专家资源,提升管理效率,降低运营成本;从而达到更一致性决策,更科学开发,高效率生产,高效卓越运营,合理安排投资,实现理想的投资回报率。

人工智能应用贯穿于勘探、开发、生产、管道、储运、炼化等全产业链,覆盖了作业区、采油气厂、油气田公司及股份公司等范围。在信息化支撑体系方面,为油气勘探开发全业务链提供支持,在量化决策、降低成本、提高储量和产量、提高效率及转变生产组织模式等方面取得显著成效。

2 油气勘探开发人工智能研究和应用现状

目前,国内外油气上游领域总体处于人工智能技术与典型应用场景融合赋能为特征的起步探索阶段。

2.1 技术研发应用

人工智能技术在石油勘探开发领域的应用“如日方升”“道阻且长”,工业化落地应用需要长期攻关和探索。

在测井方面,人工智能技术可应用于曲线重构、岩性识别、成像测井解释等领域。国内外学者对成像测井图像修复研究取得了大量成果,为成像测井的资料储层评价、地质解释应用以及后续缝洞提取与定量评价提供了丰富的理论支撑。其中,Lahiri A等人提出由于GAN模型拥有很好的图像生成能力,可使用GAN生成对抗网络的方法基于语义结构对成像测井图像进行修复。罗歆等人针对不同地质特征对Criminisi算法进行了改进,通过引入圆弧函数解决了纹理延伸问题。

在物探方面,人工智能技术可应用于初至波拾取、断层识别、地震相识别、层位解释等领域,并已取得阶段性成果。如物探装备领域,人工智能应用主要集中在可控震源、无人机、地震仪器的智能化发展等方面。地震数据处理与解释方面,人工智能主要应用于地震构造解释(含断层识别、层位解释)、地震反演、地震速度拾取与建模、初至拾取等。如Wu等研发了一种基于编解码的卷积神经网络模型,可同时实现断层检测和斜率估计,多个现场实例表明,该网络模型在断层探测及反射斜率计算中明显优于传统方法。

在钻完井方面,人工智能技术可应用于井眼轨道智能优化、智能导向钻井、钻速智能优化等领域。目前,国外提出了智能钻机、智能钻头、智能钻杆等方面的应用;国内学者提出了自动化钻井的应用,智能化水平还有待提高。

在油藏工程方面,人工智能技术可应用水驱开发实时调控、产量预测、饱和度预测、生产措施优选、数值模拟等领域。李道伦等提出了一种基于卷积神经网络的径向复合油藏自动试井的解释方法,仅需输入压力变化及其导数数据,即可解释地层参数,避免人工调参拟合,达到了解释自动化的效果;通过大庆油田现场数据的利用验证,该方法优于解析法和最小二乘法。Zeeshan Tariq等采用差分进化、粒子群算法和协方差矩阵自适应进化策略等优化算法,对FN(功能性网络)模型进行优化,以岩石物理测井资料为输入资料,以测量的含水饱和度为输出参数,建立了含水饱和度预测模型,经验证表明,基于计算机的机器学习技术可以高精度地确定含水饱和度。

在油气田地面工程方面,目前国外研发制造的无人机、机器人巡检已进入商业化应用阶段。例如,波士顿动力公司机械狗Spot自2020年开始在挪威海Skarv油田的Aker bp公司油气钻井平台上巡逻,测试机器人具有检测碳氢化合物泄漏、收集数据和生成报告的能力,让离岸作业变得更安全、更高效。国内研发的软件PIPESIM目前尚处于起步阶段。

2.2 合作研发模式

近年来,国际油公司在面临勘探和低油价等挑战时,积极与大型科技企业合作,加强人工智能技术应用,推动勘探开发业务向数字化转型迈进,进一步提升效益挖潜空间。2017年5月10日,油服公司KBR和IBM宣布开展合作,利用物联网和大数据技术,帮助石油公司提高运营效率;2017年7月3日,GE油气和贝克休斯公司宣布合并完成,利用数字化技术对传统石油行业进行智能化升级改造,打造石油工业新模式;2017年8月22日,哈里伯顿公司宣布与微软达成战略协议,共同推动油气行业数字化转型;2018年4月24日,道达尔公司正式宣布和谷歌云签署协议,为油气勘探开发提供全新智能解决方案。据《展望》预测,到2050年,油气行业将有25%的增量和1/3的成本削减通过数字化实现,油公司将更多地通过信息化手段实现增储上产。

2.3 油公司人工智能应用现状

国际油公司以物联网、云平台为抓手,以全面感知、自动操控为重点,整体以数字化、自动化为特征,在局部环节智能化应用;以商业化专业软件为载体,依据客户需求,探索了测井智能解释、钻井异常诊断等部分勘探开发场景智能化应用。例如,斯伦贝谢公司研发的智能地质油藏工程一体化DELFI平台,核心是基于深度学习的软件平台,可自动优化复杂的平台功能,如建模、数模、分析及预测,可提供从钻井设计到业务管理全过程的软件支持。哈里伯顿公司研发的DSG是集地质、油藏、钻井、采油、数据管理、实时作业于一体的集成平台,能够实现安全、快速、准确的生产决策。康菲石油公司研发的大数据分析平台IDW,通过分析地质、油藏、钻井和开发等各环节数据,在Eagle Ford页岩气开发中,单井产量提高了20%。贝克休斯公司研发的JewelSuite平台,集成了三维地质建模、地质力学建模、Eclipse/CMG数值模拟Meyer压裂模拟、Abaqus动态力学模拟等软件,实现了地质工程一体化研究。

国内外油气田智能化建设基本处于同一阶段,国外在管理模式和建设水平上相对比较先进,国内油田开展数字化的时间较早,但发展较为缓慢。1999年,大庆油田首次提出“数字油气田”概念;2003年,胜利、塔河、克拉玛依油田提出实施数字油气田规划;2009年,中国油气田数据化程度达到一定水平,为向智能油气田迈进打下坚实基础;2017年,塔里木油田和中国石化西北油田分公司启动智能油气田建设工作;2019年,大庆庆新油田宣布正式建设全面感知的智能油田;2021年,大庆油田第一采油厂开始建设数智化采油厂。

国内油气田信息化和数字化建设经历了单机应用、分散建设、集中建设及集成应用等发展阶段,基本实现了数字化油气田建设目标。当前正通过数据共享、业务协同及智能化应用建设,逐步迈向智能油气田阶段。例如,由中国石油勘探开发研究院自主研发的FalconCore岩心图像智能分析系统,主要解决了传统岩矿鉴定方法效率低、专家经验依赖度高、鉴定结果不够精准量化等问题。该系统攻克了多通道图像、复杂样本检测与分割、小目标识别等难题,构建了岩石颗粒分割、矿物成分识别、孔隙结构识别、岩石结构评价等模型,在CT三维重构、扫描电镜图像的孔隙提取等方面形成了核心优势技术,在实现“一键式”智能鉴定的同时,支持可交互式审核校正,助力系统终身学习。此外,中国石油勘探开发研究院自主研发的IRes,是国内首个融合地质、油藏、工程多学科一体化大型软件系统,包含地质建模、油藏模拟、油藏工程分析、剩余油描述、生产调整优选与预测、经济评价等500余个功能模块,目前IRes已在华北、辽河等12家油田进行了应用推广。同时,中国石油勘探开发研究院研发的HiSim(多功能一体化油藏数值模拟软件)具备地质建模—油藏模拟一体化和黑油、组分、裂缝、化学驱、热采等多功能油藏数值模拟功能,可模拟复杂油气藏水驱、气驱、化学驱、稠油热采及非常规油藏大规模体积压裂等开发方式,适用于中国陆相复杂油气藏,满足不同油气藏开发层系重组、开发井网加密与调整、开发方案优化等工业化建模与模拟需求,是油田开发方案编制、剩余油分布研究、提高采收率技术评价的有力工具。该软件现已实现规模化应用,累计推广应用300余套,编制开发/调整方案百余个,应用覆盖中国石油、中国石化所属20余个油气田公司和海外部分项目公司。

2.4 非常规油气人工智能应用现状

随着油气勘探开发对象正在从常规油气田向非常规油气田、浅层浅水油气田向深层深水油气田转变,勘探开发的技术难度越来越大、成本越来越高。人工智能技术的应用已成为油气数字化转型的关键一步,不仅可以应用于提高生产运营效率、降低运营生产成本,还可以用来保障安全生产、降低环境风险。

近年来,国内外油气资源开采逐步从常规地区向非常规地区转移,其中页岩气和致密油成为石油和天然气供应的关键来源。非常规油气资源正在转变成“新常规”。2021年,全球非常规油气技术剩余可采储量为1136.26×108 t油气当量,占全球26.11%。全球储量最丰富的非常规油气类型是重油,其次是油砂,煤层气储量较少。

人工智能为非常规油气资源提供了新的科技驱动力。作为新一轮科技革命和产业变革的新引擎和核心驱动力,人工智能正引领着油气技术革命的到来,为油气工业带来了一系列具有突破性和颠覆性的技术及综合解决方案。国际石油公司纷纷将人工智能技术应用于非常规油气勘探开发,开展人工智能应用布局,已经取得初步效果。

非常规油气储层致密,非均质性很强,油气赋存方式特殊,积累了海量数据,包括大量微纳米尺度的岩心分析数据、测井数据、地震数据、钻完井数据、压裂数据、生产动态数据、排采数据等。非常规地质研究中,人工智能可应用于微观孔缝智能识别、页岩测井岩相智能解释、非常规油气测井智能解释方法等。非常规油气开发中,人工智能可应用于页岩油产能主控因素分析、产量动态预测和压裂施工参数优化等。进入页岩革命2.0时代,人工智能技术可应用于开发方案优化、钻井参数优化、钻井风险识别、完井参数优化、可预见性维护等领域。为了克服我国煤层气开采中“储量多、产量低”的困境,需要推进智能化、低碳化、配套化、经济化及可持续化发展的开采技术,其中包括构建能源大数据平台和智慧煤层气田。

基于扫描电镜的泥页岩矿物成分智能分析和孔缝分析是非常规油气人工智能应用的典型案例。利用扫描电镜分析泥页岩矿物成分(如草莓状黄铁矿、白云石等)时,依赖肉眼观察+图像处理软件进行手动统计,分析效率低,结果不够精准。构建扫描电镜矿物成分实例分割模型,可实现主要矿物的自动识别和结构参数的定量计算。基于高像素、全拼接扫描电镜图像的古龙页岩油孔缝智能分析,可提取古龙页岩油中的孔缝,计算长宽比、面孔率、孔径分布等参数,实现了从“手动统计”到“自动分析”、从“局部估算”到“全面分析”的转变。

3 油气勘探开发人工智能面临的挑战

3.1 成本高、数据质量问题突出

通用行业可快速获取海量数据资源,几个常用的公开数据集如ImageNet、COCO、AudioSet等几乎可以覆盖行业所需数据。能源行业的数据主要来自地下,具有多解性、不可验证等特点,数据质量问题主要表现在3个方面:一是数据零散、难以获取。主要数据积累不足,易获取的数据质量差,还有安全合规、数据归属权等原因。二是数据标准、质量不统一。由于存在多源异构数据与非结构化数据等多类型数据,海量数据存储与调用一直是极大难题。三是标注困难、样本缺失。由于存在小场景数据采集、复杂业务场景理解,数据标注需要行业专家识别,耗时耗力。

3.2 业务场景复杂,无法单纯依靠数据驱动

对于通用行业,车辆、人脸、日常物品等业务场景较为简单,“所见即所得”。能源行业专业门槛高、专家经验依赖性强、应用场景相对复杂,需要充分结合专业知识,无法仅仅依靠数据驱动。此外,从通用技术转化成适配的专业技术及知识应用,仍存在一系列问题。

3.3 能源行业研发生态尚未成熟

在通用行业中,如自动驾驶等具有优秀的研发生态,在聚集了世界顶级开发者的开源平台GitHub上,存在不同的深度学习训练推理框架,如百度飞桨、PyTorch、TensorFlow等,拥有丰富的开源代码,极大促进了自动驾驶技术的升级创新。对于能源等特定行业,人工智能研发生态不够完善,缺乏优质研发生态,行业内学者不断创新、合作的动力明显不足。

3.4 短期见效慢,认知尚浅,配套机制跟不上

由于人工智能应用落地投入周期长、产品成本高、复合型人才培养成本高,油气勘探开发人工智能应用在短期内投入产出比不高。加之企业认识不足、缺乏有效管理机制与政策支持相配合等问题,人工智能投资意愿不足。企业目前大多存在认知不匹配及主观能动性不足两方面问题。其中,认知不匹配主要体现于,许多企业认为数字化转型等同于构建信息化系统或是对新技术进行试验,未意识到数字化转型是涉及企业全业务、跨职能的系统性改革工程。主观能动性不足主要体现在,如上下级之间,存在着分工和统一难协调等问题;部门之间,存在着潜在的利益冲突问题;业务与技术人员之间,存在目标差异下的协作配合等问题。

当前油气勘探开发人工智能应用正向全业务链条、多学科融合方向演进。该领域智能化应用场景由点—线—面全面落地进程正在加快,应用场景正在由“单一向综合、数字向智能、操作向决策”转变。油气勘探开发是一个长链条系统工程,具有高复杂性、高不确定性、高实时性特点,亟须以问题导向、目标导向、结果导向为指引,紧抓机遇,持续攻关应用人工智能技术,提高智能化水平,提升勘探开发领域的精度、水平、效率、效益。

4 油气勘探开发人工智能发展建议

随着油气人工智能技术不断发展,智慧油气田、智慧管道、智慧炼厂、智慧加油站等应用前景广阔。油气行业人工智能落地是一项复杂的系统工程,是一项持久攻坚战,不能一蹴而就,需要以点带面、逐渐铺开(图2)。为推动油气勘探开发人工智能落地应用,提出如下建议。

(1)针对数据获取成本高、数据质量问题,需建立数据质量管理框架,将业务、技术和方法相结合,实现持续自动化检查提高数据质量。具体而言,可利用区块链等技术建立可信、透明、可追溯的数据交换与业务协同体系,进一步加强能源行业的数据治理工作。

(2)针对业务场景复杂,无法单纯依靠数据驱动的问题,需将行业机理模型和人工智能技术融合,培养复合型人才。企业人工智能落地是一项复杂的系统工程,单独的人工智能模型无法解决复杂的业务问题,需要将人工智能技术和机理模型相结合,将人工智能技术和专家经验相融合,构建知识与数据双驱动模型。

(3)针对能源行业人工智能研发生态尚未成熟的问题,需共建智慧能源合作生态,鼓励智慧能源生态发展。一是加大底层根技术投入,构建算力、算法、数据三位一体的人工智能新生态;二是鼓励社会、高校和企业以核心产业主体的身份积极参与合作,共同构建人工智能行业应用的技术纵深;三是重塑能源生产、营销和管理方式,从而在能源结构、能源效率和能源安全等方面产生显著影响。

(4)针对短期见效慢、认识尚浅、配套机制跟不上的问题,需清楚认识到,数字化转型智能化发展是系统工程、持续工程、一把手工程、花钱工程。

5 结束语

人工智能技术的不断发展和创新,促使油气行业加快实现智能化、自动化,助力油气增储上产、油田提质增效,未来将发挥更重要的作用,推动整个产业向更高水平迈进。加速信息技术创新和数字化转型,最大限度释放数字红利,是油气行业高质量发展的重要途径。建议以人工智能技术为油田提质增效切入点,开展系列攻关,逐步实现全行业数字化转型。


本文关键字: 人工智能 油气 数字化转型