人工智能在石油工程領(lǐng)域應(yīng)用及影響

劉 偉 閆 娜

1.中國石油集團(tuán)工程技術(shù)研究院有限公司；2.中國石化石油工程技術(shù)研究院

Gartner公司在界定及分析顛覆性技術(shù)方面具有豐富經(jīng)驗(yàn)，在其2017年發(fā)布的報(bào)告中顯示，人工智能(Artificial Intelligence，簡稱AI)類新興技術(shù)在成熟度曲線上快速移動(dòng)，正處于曲線的巔峰位置，與之相適應(yīng)的數(shù)字化平臺類技術(shù)在曲線上處于上升期，與之相匹配的商業(yè)生態(tài)擴(kuò)展類技術(shù)區(qū)塊鏈等技術(shù)有望在未來5～10年產(chǎn)生變革性影響。美國國會(huì)下屬的政府問責(zé)局(GAO，前身是美國總審計(jì)局)對AI的發(fā)展前景進(jìn)行專題調(diào)研，認(rèn)為即使人工智能技術(shù)停止前進(jìn)，由今天的人工智能引發(fā)的變革仍將產(chǎn)生廣泛而深遠(yuǎn)的影響[1]。目前，AI還沒有被廣泛接受的嚴(yán)格定義，籠統(tǒng)地說，是提高機(jī)器的計(jì)算力、感知力、認(rèn)知力、推理能力等智能水平，使其具有判斷、推理、證明、識別、感知、理解、溝通、規(guī)劃和學(xué)習(xí)等思維活動(dòng)，讓機(jī)器能夠自主判斷和決策，完成原本要靠人類智能才能完成的工作。主要研究內(nèi)容包括邏輯推理與定理證明、專家系統(tǒng)、機(jī)器學(xué)習(xí)、自然語言理解、神經(jīng)網(wǎng)絡(luò)、模式識別、智能控制等。

1 AI在石油工程領(lǐng)域的研究應(yīng)用概況

AI在石油工程領(lǐng)域的研究應(yīng)用已有幾十年的歷史，最早于20世紀(jì)70年代出現(xiàn)在國際石油工程師協(xié)會(huì)(SPE)論壇。2009年，SPE數(shù)字能源科技部門的部分會(huì)員成立了“人工智能與預(yù)測分析”分會(huì)，定期組織相關(guān)研討，推動(dòng)AI技術(shù)在油氣領(lǐng)域的應(yīng)用。

Onepetro(SPE文獻(xiàn)資料平臺)的文獻(xiàn)調(diào)研表明，從2000年開始，石油工程領(lǐng)域?qū)I保持了較高的研究熱情，2010年之后公開發(fā)表研究文章的增長速度大幅提升(圖1)。從應(yīng)用方法的選擇上來看，人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法是石油工程應(yīng)用中最常用的AI技術(shù)，其他如支持向量機(jī)、功能網(wǎng)絡(luò)和基于案例的推理等方法也有應(yīng)用。2010年之后，關(guān)于機(jī)器學(xué)習(xí)的研究和應(yīng)用超過了人工神經(jīng)網(wǎng)絡(luò)，成為研究最多的領(lǐng)域(圖2)。

圖1 SPE研究人工智能的文章數(shù)量

圖2 SPE研究神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的文章數(shù)量

2014年國際油價(jià)斷崖式下跌以來，石油工程領(lǐng)域的參與者為了提升競爭力和抗風(fēng)險(xiǎn)能力，都希望通過數(shù)據(jù)分析、實(shí)時(shí)監(jiān)測和自動(dòng)化來尋求可持續(xù)性發(fā)展，人工智能技術(shù)以軟件、智能裝備、作業(yè)平臺及專項(xiàng)服務(wù)等多種形式在石油工程領(lǐng)域廣泛應(yīng)用，應(yīng)用的領(lǐng)域已滲透到從管理到勘探開發(fā)施工現(xiàn)場的各個(gè)環(huán)節(jié)，提升了石油工程領(lǐng)域自動(dòng)化和智能化水平。

2 AI在石油工程中的主要應(yīng)用領(lǐng)域

2.1 基于AI的智能工作流，形成了多學(xué)科、多 環(huán)節(jié)協(xié)作的工作平臺

為了提高決策質(zhì)量和管理水平，石油公司紛紛啟動(dòng)數(shù)字油田項(xiàng)目，如殼牌的智能油田、BP的未來油田項(xiàng)目等，還有的公司起名為智慧油田、未來智能油田、e-油田、一體化數(shù)字油田等，基本路徑都是以數(shù)據(jù)采集和存儲(chǔ)為基礎(chǔ)，在數(shù)據(jù)應(yīng)用層形成相互支撐的協(xié)同研究平臺、生產(chǎn)管理平臺、經(jīng)營管理平臺和決策支持平臺，以優(yōu)化工作流程、提高工作效率和決策質(zhì)量。對各個(gè)環(huán)節(jié)實(shí)時(shí)監(jiān)測數(shù)據(jù)的智能分析、一體化協(xié)同和可視化展示是這些項(xiàng)目成功的關(guān)鍵，而以數(shù)據(jù)降維、結(jié)構(gòu)化、分類、聚類、可視化為主要特征的AI技術(shù)是這些項(xiàng)目最核心的支撐。

BP、殼牌公司、雪佛龍、Statoil(挪威國家石油公司)等公司在數(shù)字油田建設(shè)方面處于領(lǐng)先地位。殼牌的智能油田項(xiàng)目由智能井、先進(jìn)協(xié)作環(huán)境、整體油藏管理等子項(xiàng)目構(gòu)成，通過基于井筒中傳感器傳輸?shù)膶?shí)時(shí)信息的分析決策，控制相關(guān)控制閥，實(shí)現(xiàn)油田生產(chǎn)的最佳狀態(tài)。Statoil的“整合運(yùn)營項(xiàng)目”，通過創(chuàng)新的數(shù)字化工作流的應(yīng)用，實(shí)現(xiàn)了跨學(xué)科、公司組織、地方協(xié)同合作。BP在“未來油田”建設(shè)中，在全球建立35個(gè)協(xié)作中心，將地面與地下的實(shí)時(shí)數(shù)據(jù)傳送到遠(yuǎn)程中心進(jìn)行分析，實(shí)現(xiàn)了多學(xué)科多地區(qū)的協(xié)同。

科威特國家石油公司的數(shù)字油田(KwIDF)建設(shè)啟動(dòng)于2010年初，經(jīng)過數(shù)次升級完善，現(xiàn)已形成地上地下一體化的智能工作流[2]?？仆貒沂凸镜臄?shù)字油田內(nèi)部結(jié)構(gòu)可分為4個(gè)層次(圖3):第一層是分析及數(shù)字化工具，主要用來記錄生產(chǎn)歷史，使用的方法主要包括節(jié)點(diǎn)分析、遞減曲線分析、虛擬計(jì)量和數(shù)值模擬等；第二層是統(tǒng)計(jì)工具，主要用來監(jiān)測實(shí)時(shí)生產(chǎn)現(xiàn)狀，應(yīng)用的方法主要包括線性回歸、蒙特卡洛等；第三層主要利用智能代理進(jìn)行短期預(yù)測，主要方法包括模型識別、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等；第四層主要是應(yīng)用數(shù)值模擬方法進(jìn)行中長期產(chǎn)量預(yù)測。科威特國家石油公司第一代的數(shù)字油田主要側(cè)重于生產(chǎn)工程工作流上的共享和優(yōu)化，包括關(guān)鍵性能指標(biāo)檢測、井筒性能評價(jià)等9個(gè)主要功能，隨著基礎(chǔ)設(shè)施的逐漸完備，又增加了地下模型更新及重新計(jì)算、地下注水優(yōu)化和一體化生產(chǎn)優(yōu)化的功能，升級為地面系統(tǒng)和地下系統(tǒng)集成的高級智慧工作流(圖4)。

圖3 科威特?cái)?shù)字油田(KwIDF)工作流結(jié)構(gòu)

圖4 第二代KwIDF自動(dòng)工作流的主要功能

斯倫貝謝公司推出的DELFI感知勘探與生產(chǎn)多維環(huán)境平臺軟件，集成了機(jī)器分析和學(xué)習(xí)、高性能計(jì)算、物聯(lián)網(wǎng)等技術(shù)。通過項(xiàng)目管理、嵌入式引擎、實(shí)時(shí)工程協(xié)作和自動(dòng)化設(shè)計(jì)確認(rèn)來完成鉆井設(shè)計(jì)。同時(shí)，該平臺還可提供1000個(gè)3D地震、500萬口井、100萬組錄井和4億組生產(chǎn)數(shù)據(jù)作為模型訓(xùn)練的基礎(chǔ)。

2.2 基于AI的管理工具已替代部分人類員工

基于AI的管理工具，如智能機(jī)器人、虛擬助手等，不僅在高?；蛑貜?fù)施工時(shí)替代了人類，在日常辦公管理中也逐漸顯示出優(yōu)勢。

2017年，中國航天科工集團(tuán)第三研究院35所研制出的用于海底油氣管道檢測的蛇形機(jī)器人，可實(shí)現(xiàn)管道內(nèi)外壁缺陷的準(zhǔn)確識別、精確定位，現(xiàn)已通過油田實(shí)際檢測。為了監(jiān)測哈薩克斯坦卡薩干油田的硫化氫氣體，殼牌公司開發(fā)出配備有傳感器、攝像頭和無線通信系統(tǒng)的探測車——Sensabot機(jī)器人，只需一名工人遠(yuǎn)程操控。道達(dá)爾發(fā)起了油氣田地面機(jī)器人(ARGOS)國際比賽，并研制出可全天候巡邏及執(zhí)行緊急操作的機(jī)器人原型，目前雖沒有測試和應(yīng)用的后續(xù)報(bào)道，但在公司年報(bào)中重點(diǎn)提到要通過AI技術(shù)來提升勘探能力。另外，?？松梨诠竞吐槭±砉W(xué)院、挪威國家石油公司和挪威科技大學(xué)等均在聯(lián)合研究人工智能機(jī)器人。

虛擬助理已在殼牌多個(gè)管理環(huán)節(jié)中使用，如使用機(jī)器學(xué)習(xí)技術(shù)，將員工與合適的項(xiàng)目相匹配，成為人力資源管理助理；使用Amiela虛擬助理響應(yīng)供應(yīng)商關(guān)于發(fā)票的詢問；在門戶網(wǎng)站上的虛擬助理Emma和Ethan，可通過在線聊天的自然語言交流提供殼牌所有潤滑油的產(chǎn)品信息，包括產(chǎn)品名稱、主要特性、包裝規(guī)格和購買渠道等。在殼牌的發(fā)展計(jì)劃中，自動(dòng)化機(jī)器人將逐漸接管人類員工常規(guī)查詢問答、觀察和數(shù)據(jù)等收集任務(wù)。

2.3 基于AI的資產(chǎn)管理工具可提供更高效準(zhǔn)確 的預(yù)測性維護(hù)

石油工程領(lǐng)域的設(shè)備需要定期檢查以保障其正常運(yùn)行，設(shè)備檢測屬于勞動(dòng)密集型作業(yè)，耗時(shí)多、作業(yè)風(fēng)險(xiǎn)高，而定期檢查錯(cuò)誤發(fā)現(xiàn)率還不到2%，容易造成人財(cái)物的浪費(fèi)。

貝克休斯公司利用數(shù)字孿生體(Digital Twin)技術(shù)，實(shí)現(xiàn)物理機(jī)械和分析技術(shù)的融合，通過儲(chǔ)存于Predix工業(yè)互聯(lián)網(wǎng)平臺上的深度學(xué)習(xí)模型，可以自動(dòng)檢測設(shè)備缺陷和異常情況，提供潛在故障的早期預(yù)警，根據(jù)風(fēng)險(xiǎn)制定檢測計(jì)劃，避免不必要的常規(guī)周期檢測維修。2016—2017年貝克休斯為Maersk Drilling鉆井公司10部鉆機(jī)的頂驅(qū)、絞車、推進(jìn)器、主發(fā)動(dòng)機(jī)等關(guān)鍵部件提供了基于數(shù)字孿生體的性能管理方案。目前，貝克休斯已經(jīng)為5000多個(gè)裝備儀器建立了數(shù)字孿生體，正在研究建設(shè)井的數(shù)字孿生體，通過安裝在井筒內(nèi)的傳感器，獲取井筒內(nèi)的工具和設(shè)備信息以及儲(chǔ)層狀態(tài)信息，可將井的狀態(tài)、設(shè)備的運(yùn)行狀態(tài)與井的生產(chǎn)狀態(tài)結(jié)合在一起[3]。

油氣行業(yè)泵制造商福斯(Flowserve)的SparkCognition軟件也可提供類似服務(wù)。該軟件提供自動(dòng)化模型構(gòu)建方法，可以在模型訓(xùn)練所需的故障數(shù)據(jù)缺失的情況下，建立可靠的模型，進(jìn)行預(yù)測性維護(hù)功能。

2.4 AI持續(xù)助力地震資料分析，為更精確鉆井提 供堅(jiān)實(shí)基礎(chǔ)

石油地球物理勘探通過大量地震、電磁、重力等數(shù)據(jù)分析獲取構(gòu)造運(yùn)動(dòng)和沉積演化規(guī)律，這一過程與AI技術(shù)從海量數(shù)據(jù)中尋找規(guī)律的路徑完全一致，石油地球物理勘探成為AI技術(shù)的天然試驗(yàn)場:地球物理反演技術(shù)中應(yīng)用了基因算法、模擬退化算法、粒子群算法、馬爾科夫鏈和蒙特卡洛等方法；邊緣檢測算法被應(yīng)用到自動(dòng)追蹤地震層位輔助地震解釋上；蟻群算法被運(yùn)用于三維地震數(shù)據(jù)解釋。

初創(chuàng)公司Nervana基于深度學(xué)習(xí)方法，訓(xùn)練數(shù)據(jù)根據(jù)地震資料發(fā)現(xiàn)油氣資源，在其云端開發(fā)的油氣勘探解決方案，可在沒有人工干預(yù)的情況下從三維地震圖像中識別大量地下斷層，從而減少地質(zhì)人員在重復(fù)性工作上花費(fèi)的時(shí)間。

2.5 AI促進(jìn)了鉆井自動(dòng)化和更安全、更高效

在數(shù)據(jù)采集、傳輸技術(shù)發(fā)展的協(xié)同下，AI技術(shù)在鉆井設(shè)計(jì)、鉆井實(shí)時(shí)優(yōu)化、操作故障預(yù)警等方面發(fā)揮了積極作用。

2.5.1 鉆井設(shè)計(jì)

AI技術(shù)在鉆井設(shè)計(jì)中的應(yīng)用主要有鉆頭選擇、鉆井液與裂縫梯度預(yù)測、坍塌壓力預(yù)測及海上鉆井平臺選擇等[4-6]。

國民油井公司(NOV)采用人工神經(jīng)網(wǎng)絡(luò)(ANN)方法對鉆頭選擇數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行訓(xùn)練，形成優(yōu)化鉆頭選型的人工智能方法。數(shù)據(jù)庫中的信息包括:在特定巖層中使用的鉆頭、鉆頭在IADC中的代碼、巖石強(qiáng)度數(shù)據(jù)、地質(zhì)特性和鉆頭在該類巖石的常規(guī)鉆速。應(yīng)用經(jīng)過訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)，用戶輸入地理位置數(shù)據(jù)、地質(zhì)數(shù)據(jù)、巖石力學(xué)數(shù)據(jù)和已鉆井?dāng)?shù)據(jù)后，即可輸出選擇的鉆頭類型、該鉆頭的性能預(yù)測及使用指南。與此同時(shí)，用戶輸入的數(shù)據(jù)會(huì)進(jìn)入到數(shù)據(jù)庫中，繼續(xù)參加數(shù)據(jù)訓(xùn)練(圖5)。

圖5 國民油井公司使用人工神經(jīng)網(wǎng)絡(luò)方法優(yōu)化鉆頭選擇的原理

在中東地區(qū)，油服公司使用人工神經(jīng)網(wǎng)絡(luò)方法來預(yù)測套管坍塌的發(fā)生概率和深度，使用BP神經(jīng)網(wǎng)絡(luò)程序，用戶定義的內(nèi)部(隱藏)層的反向傳播網(wǎng)絡(luò)可以連接到輸入和輸出層，提供一個(gè)估計(jì)井筒套管坍塌深度的“經(jīng)驗(yàn)值”。數(shù)據(jù)層可以有多個(gè)輸入，如位置、深度、孔隙壓力、腐蝕速率、套管強(qiáng)度等(圖6)。

圖6 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測套管坍塌深度的基本框架

海上鉆井平臺的選擇需要基于區(qū)塊位置、水深和井深、預(yù)期生產(chǎn)速度、成本、作業(yè)者經(jīng)驗(yàn)、預(yù)期的天氣和潮汐條件等諸多因素來決策。中海油田服務(wù)股份有限公司(簡稱中海油服)2011年建立了基于BP人工神經(jīng)網(wǎng)絡(luò)的深水浮式平臺選型模型:使用經(jīng)LM(Levenberg Marquardt)算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，具有9個(gè)輸入節(jié)點(diǎn)，包含5個(gè)模型功能和1個(gè)隱藏層(技術(shù)成熟度、油田開發(fā)時(shí)間、成本、作業(yè)者經(jīng)驗(yàn))。該模型對10個(gè)初始樣本數(shù)據(jù)計(jì)算準(zhǔn)確率達(dá)到70%以上。

2.5.2 鉆井實(shí)時(shí)優(yōu)化和風(fēng)險(xiǎn)預(yù)警

實(shí)時(shí)風(fēng)險(xiǎn)預(yù)警基于模糊(或基于實(shí)例)推理方法，將現(xiàn)場數(shù)據(jù)(鉆頭、鉆柱和底部鉆具組合的實(shí)時(shí)監(jiān)測數(shù)據(jù))與數(shù)據(jù)庫參考集進(jìn)行基礎(chǔ)比較，并提示實(shí)際值和參考值之間的偏移，可預(yù)估鉆井風(fēng)險(xiǎn)，確定原因，建議預(yù)防或控制措施，通過操作者對可控影響因素調(diào)控，達(dá)到優(yōu)化和規(guī)避風(fēng)險(xiǎn)的目的。

利用大量鉆井的日常鉆井報(bào)告(DDRS)、井段完鉆報(bào)告(EORS)和完井報(bào)告(EOWR)建設(shè)數(shù)據(jù)庫，使用2～3個(gè)完全互連的前饋隱藏層的網(wǎng)絡(luò)(反向傳播學(xué)習(xí)規(guī)則)，基于一些鉆井參數(shù)建立的模型，可以自動(dòng)追蹤關(guān)注的參數(shù)，必要時(shí)提示操作者對可控因素進(jìn)行調(diào)整。近年來，在AI技術(shù)的幫助下，壓差卡鉆事故明顯減少。2006年后，AI技術(shù)可以在卡鉆發(fā)生前準(zhǔn)確預(yù)測，而且形成了很多預(yù)測卡鉆和釋放管柱壓力的方法[10]。

另外，鉆柱振動(dòng)的控制也得益于AI技術(shù)的發(fā)展，鉆柱振動(dòng)是造成鉆具損壞的主要原因，受鉆頭類型、鉆壓、轉(zhuǎn)盤轉(zhuǎn)速、地層巖性、井眼條件等多種因素影響。早期，現(xiàn)場經(jīng)驗(yàn)豐富的司鉆通過鉆進(jìn)時(shí)的聲音等信息來判斷鉆具工作狀態(tài)，缺乏可靠性和可傳承性；當(dāng)前，利用人工神經(jīng)網(wǎng)絡(luò)，對地層、井型、裝備組合、施工中轉(zhuǎn)速、鉆壓、扭矩等數(shù)據(jù)的訓(xùn)練，形成模型，通過干預(yù)鉆具組合、轉(zhuǎn)盤轉(zhuǎn)速等因素，實(shí)現(xiàn)了減少振動(dòng)、提高鉆井效率的效果。

2.5.3 特定作業(yè)程序選擇

為了達(dá)到提高產(chǎn)量、降低成本、節(jié)省時(shí)間的目的，經(jīng)常需要選擇一些特殊的鉆井作業(yè)程序(如欠平衡鉆井、過平衡鉆井、噴射鉆井等)，為了評價(jià)所選作業(yè)程序的適用性，需預(yù)先對鉆井參數(shù)進(jìn)行深入考慮。

雪佛龍公司應(yīng)用基于案例推理(CBR)進(jìn)行淺疏松砂巖最佳洗井程序的選擇(2008)。為了進(jìn)行推理評估，建立了包含近5000口井的生產(chǎn)操作和井筒干預(yù)的詳細(xì)信息的數(shù)據(jù)庫。通過一組隨機(jī)案例的初始測試，結(jié)果表明AI工具提出的方法和專家現(xiàn)場指導(dǎo)實(shí)施的方法有80%的相似性[11]。

1.2方法 兩組患者在入院之后全都嚴(yán)格禁酒,并且所有醫(yī)護(hù)人員都會(huì)全程監(jiān)督,相關(guān)家屬和本人自身也一定要很好的配合治療[2]。

在連續(xù)油管作業(yè)中，作業(yè)程序制定主要依據(jù)作業(yè)者的經(jīng)驗(yàn)，傳統(tǒng)的連續(xù)油管仿真軟件沒有足夠現(xiàn)場數(shù)據(jù)做支撐，無法有效識別風(fēng)險(xiǎn)，在復(fù)雜井施工中該作業(yè)方式易降低作業(yè)質(zhì)量，甚至損壞作業(yè)設(shè)備。貝克休斯的CIRCA連續(xù)油管軟件則基于過去30年現(xiàn)場數(shù)據(jù)進(jìn)行學(xué)習(xí)和建模改進(jìn)，將理論模型和以往大量的現(xiàn)場經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行擬合，幫助作業(yè)者基于可靠的實(shí)際數(shù)據(jù)進(jìn)行決策。

2.6 AI在油藏開發(fā)中的應(yīng)用，促進(jìn)油田在整個(gè)生 命周期的產(chǎn)出最大化

利用油田生產(chǎn)的歷史數(shù)據(jù)進(jìn)行開發(fā)效果優(yōu)化是AI技術(shù)在油藏開發(fā)和開采領(lǐng)域的主要應(yīng)用方式，英國石油公司(BP)與硅谷一家公司合作開發(fā)的基于AI的優(yōu)化模型，將試點(diǎn)項(xiàng)目中的180口油井的產(chǎn)量提高了20%。

另外，AI技術(shù)為壓裂施工方案設(shè)計(jì)、施工井及層位的選擇提供了更為準(zhǔn)確的方法。中國石油新疆油田公司收集大量壓裂歷史數(shù)據(jù)，優(yōu)選出儲(chǔ)層參數(shù)、巖石力學(xué)參數(shù)、壓裂施工參數(shù)和產(chǎn)能參數(shù)等作為建?；A(chǔ)，采用BP神經(jīng)網(wǎng)絡(luò)和LM算法、Sigmoid函數(shù)作為激活函數(shù)，并采用委員會(huì)機(jī)器的思想建立專家組，分別建立了裂縫模擬神經(jīng)網(wǎng)絡(luò)專家組和產(chǎn)能模擬神經(jīng)網(wǎng)絡(luò)專家組，應(yīng)用遺傳算法優(yōu)化施工方案。油田實(shí)際應(yīng)用結(jié)果證明，該方法預(yù)測的平均相對誤差有明顯降低，達(dá)到了壓裂方案科學(xué)決策與參數(shù)精細(xì)優(yōu)化、切實(shí)提高壓裂效果的目的[12]。

3 AI技術(shù)對石油工程業(yè)務(wù)的影響及應(yīng)對

3.1 有助于提高石油工程施工及決策的效率和質(zhì) 量，提升油氣投資收益水平

AI技術(shù)的應(yīng)用可提升資產(chǎn)管理、生產(chǎn)優(yōu)化、鉆井過程、油藏管理和供應(yīng)鏈管理等各方面的效率，可有效減少石油鉆井項(xiàng)目的綜合成本，提高油氣項(xiàng)目投資的最終收益。

首先，深度機(jī)器學(xué)習(xí)等AI技術(shù)為決策者從大量非結(jié)構(gòu)化數(shù)據(jù)中揭示規(guī)律提供了手段，可以將更多的決策影響因素納入考量范圍，從而實(shí)現(xiàn)多角度、多層次的投資決策評價(jià)。如油公司采用深度機(jī)器學(xué)習(xí)的地理物理技術(shù)追蹤船只，并將由此獲得的能源航運(yùn)業(yè)變化趨勢納入行業(yè)發(fā)展趨勢分析判斷中。其次，AI工具的研發(fā)可替代部分人力，在提升效率的同時(shí)減少員工風(fēng)險(xiǎn)。以前需要耗費(fèi)研究人員或工程師很長時(shí)間的搜索、閱讀、編譯和分析的工作，AI工具可在幾秒內(nèi)完成，可顯著提高效率、降低成本。再次，AI技術(shù)可提升決策質(zhì)量，減少?zèng)Q策失誤帶來的損失。根據(jù)麥肯錫公司的統(tǒng)計(jì)數(shù)據(jù)，使用AI算法可更準(zhǔn)確地篩選地震數(shù)據(jù)中的信號和噪聲，避免了10%的干井投資損失。

3.2 AI技術(shù)的推廣應(yīng)用有望帶來公司結(jié)構(gòu)徹底變 革，業(yè)內(nèi)企業(yè)需及早謀劃

微軟公司曾表示，人工智能在未來5～10年內(nèi)或?qū)⒊蔀槭秃吞烊粴夤I(yè)的最大威脅。這種威脅首先來自于更多智能化設(shè)備會(huì)替代人類工作。更深遠(yuǎn)的影響在于，AI技術(shù)的發(fā)展及應(yīng)用，刷新了對新一代石油工程師在數(shù)據(jù)分析方面的要求，也在改變著對未來石油人才的綜合技能考核標(biāo)準(zhǔn)，要最大限度地釋放AI技術(shù)的潛力，不可避免地需要更多具備軟件和數(shù)據(jù)科學(xué)技能的人才，這將意味著徹底改革公司人員結(jié)構(gòu)。為了應(yīng)對信息技術(shù)革新的沖擊，在過去兩年中，斯倫貝謝投入了大量時(shí)間和精力，重新培訓(xùn)員工使用分析技術(shù)和人工智能技術(shù)。建議業(yè)內(nèi)企業(yè)及早謀劃和應(yīng)對，加快AI技術(shù)成為地球物理、鉆井、測井等各專業(yè)人才的通用技術(shù)，不僅在各自的專業(yè)領(lǐng)域內(nèi)精通，也要在其他領(lǐng)域內(nèi)積極應(yīng)用相關(guān)技術(shù)。

3.3 AI工具的商業(yè)化需注意應(yīng)用瓶頸，相關(guān)的技 術(shù)研發(fā)以可解釋型人工智能為目標(biāo)

目前，大部分AI工具和軟件正處于研究和試驗(yàn)階段，商業(yè)化應(yīng)用受多種因素制約，如可靠性問題，由于AI對數(shù)據(jù)有嚴(yán)重的依賴性，是基于訓(xùn)練數(shù)據(jù)集映射輸出和輸入變量之間的關(guān)系，導(dǎo)致訓(xùn)練好的模型用在變化的環(huán)境或領(lǐng)域時(shí)，性能會(huì)明顯下降。更嚴(yán)重的制約在于，AI的數(shù)據(jù)處理過程通常被標(biāo)記為“黑箱”，操作者只是知其然而不知其所以然，不知道什么時(shí)候該信任它，什么情況下它會(huì)出現(xiàn)失誤，這些都會(huì)形成信任障礙。只有打開“黑箱”，使用戶明白內(nèi)部的邏輯關(guān)系，才能形成真正的信任。美國政府問責(zé)局的研究報(bào)告中，對于目前的AI與可解釋的AI比較如圖7所示。對于石油工程這個(gè)專屬性比較強(qiáng)的領(lǐng)域，只有真正實(shí)現(xiàn)了可解釋人工智能，才能為商業(yè)化應(yīng)用奠定堅(jiān)實(shí)基礎(chǔ)。

3.4 高質(zhì)量數(shù)據(jù)的安全共享是AI發(fā)揮更大優(yōu)勢 的前提，需行業(yè)機(jī)構(gòu)持續(xù)推動(dòng)

數(shù)據(jù)是AI最核心的部分。AI只有在行業(yè)內(nèi)有大量數(shù)據(jù)后才能發(fā)揮作用。在正確的時(shí)間和條件下，將正確的數(shù)據(jù)和由此數(shù)據(jù)分析得到的見解傳遞給用戶，是AI系統(tǒng)最基本的工作原理。多環(huán)節(jié)數(shù)據(jù)共享才能為AI創(chuàng)造發(fā)揮更大作用的空間，石油工程作業(yè)過程涉及多個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)都存在多個(gè)專業(yè)的眾多參與主體，在數(shù)據(jù)信息高度保密的前提下，各個(gè)環(huán)節(jié)眾多數(shù)據(jù)的生產(chǎn)者、所有者、使用者需進(jìn)一步仔細(xì)界定。另外，不同公司、不同專業(yè)設(shè)備傳輸數(shù)據(jù)的一致性、可靠性直接決定了AI系統(tǒng)的數(shù)據(jù)處理復(fù)雜程度和分析質(zhì)量。油氣行業(yè)已經(jīng)認(rèn)識到數(shù)據(jù)質(zhì)量的重要性，為了提升不同參與者之間數(shù)據(jù)共享的可行性，降低數(shù)據(jù)處理難度，2016年，SPE協(xié)會(huì)的作業(yè)者數(shù)據(jù)質(zhì)量小組(OGDQ)組織鉆井承包商、原始設(shè)備制造商(OEM)和服務(wù)公司合作，共同規(guī)范石油工程領(lǐng)域鉆井?dāng)?shù)據(jù)的采集、傳輸、存儲(chǔ)、轉(zhuǎn)換、集成和應(yīng)用等各個(gè)環(huán)節(jié)，在各類機(jī)構(gòu)之間形成數(shù)據(jù)的校準(zhǔn)和統(tǒng)一，形成的規(guī)范可大幅提升數(shù)據(jù)一致性和可靠性[13-14]。

圖7 美國政府問責(zé)局對可解釋AI的闡釋

另外，輸入錯(cuò)誤數(shù)據(jù)，引導(dǎo)產(chǎn)生錯(cuò)誤模型，從而形成樣本攻擊，這是人工智能技術(shù)廣泛應(yīng)用時(shí)必須面對的問題，這些問題的解決都需要行業(yè)機(jī)構(gòu)對各環(huán)節(jié)進(jìn)行進(jìn)一步的規(guī)范和標(biāo)準(zhǔn)化。

3.5 AI技術(shù)應(yīng)用帶來的鎖定效應(yīng)、黑洞效應(yīng)，會(huì) 進(jìn)一步改變石油工程領(lǐng)域的競爭態(tài)勢

以數(shù)據(jù)和網(wǎng)絡(luò)為基礎(chǔ)的AI將會(huì)帶來競爭態(tài)勢的改變，信息技術(shù)一般遵循“機(jī)遇優(yōu)先”的發(fā)展規(guī)則，依托于信息技術(shù)的新產(chǎn)品將形成一定的“鎖定效應(yīng)”，形成標(biāo)準(zhǔn)和使用習(xí)慣，自動(dòng)生成市場壁壘。另外，與物質(zhì)使用過程的損耗不同，數(shù)據(jù)的使用過程是增值過程，隨著處理數(shù)據(jù)的范圍和頻次增多，AI工具的智能水平會(huì)不斷提高，競爭力會(huì)越來越強(qiáng)，這種優(yōu)勢疊加就會(huì)形成一種天然的網(wǎng)絡(luò)張力，從而形成黑洞效應(yīng)，進(jìn)入較早的強(qiáng)勢技術(shù)猶如宇宙里的黑洞，會(huì)最大可能地吸納更多的資源，并將資源轉(zhuǎn)化成財(cái)富，從而在激烈市場競爭中生存下去。建議國內(nèi)石油工程企業(yè)要充分認(rèn)識AI技術(shù)發(fā)展的緊迫性，及早進(jìn)行科學(xué)規(guī)劃，采取并購、合作等有效手段快速發(fā)展，在新一輪競爭中爭取優(yōu)勢地位。