油氣上游領(lǐng)域智能化發(fā)展方向探析

賈 鹿牛志杰石國偉李嗣旭林道壽

（1.中國石油新疆油田公司數(shù)據(jù)公司信息研究所；2.中國石油新疆油田公司勘探開發(fā)研究院勘探所；3.中國石油新疆油田公司數(shù)據(jù)公司；4.北京嘉和無限科技有限公司）

1 國內(nèi)外油田智能化應(yīng)用現(xiàn)狀

國際石油公司在大數(shù)據(jù)分析與智能化應(yīng)用方面做了許多探索性工作，但資料顯示，主要在下游領(lǐng)域應(yīng)用比較多，在油氣勘探與生產(chǎn)上游領(lǐng)域應(yīng)用相對較少。上游領(lǐng)域主要用在一些自動化采集比較完善的油田生產(chǎn)領(lǐng)域，如抽油機(jī)診斷及維護(hù)、少數(shù)生產(chǎn)智能井等，再有就是油田技術(shù)服務(wù)領(lǐng)域，如鉆井、測井等，而在一些綜合性研究領(lǐng)域還少有先例。這是因?yàn)樯嫌晤I(lǐng)域?qū)I(yè)多，不同專業(yè)數(shù)據(jù)類型不同、數(shù)據(jù)量級差別大，且缺乏關(guān)聯(lián)性，因而難以實(shí)現(xiàn)綜合分析。比如，地震數(shù)據(jù)和鉆井?dāng)?shù)據(jù)就無法做關(guān)聯(lián)分析，因?yàn)槎叩臄?shù)據(jù)類型和性質(zhì)完全不同，前者是非結(jié)構(gòu)化數(shù)據(jù)，后者是結(jié)構(gòu)化數(shù)據(jù)[1-3]。

近年，國內(nèi)石油公司在大數(shù)據(jù)分析與智能化應(yīng)用方面做了一些探索，主要也是在下游領(lǐng)域（如智能工廠、智能加油站等方面）。從2010年開始，IBM先后為中國石油天然氣集團(tuán)有限公司（簡稱中國石油）和中國石油化工集團(tuán)有限公司（簡稱中國石化）做了智能油田總體規(guī)劃設(shè)計(jì)，但實(shí)質(zhì)性進(jìn)展并不大。阿里巴巴也曾與中國石油開展過合作，在智能加油站方面做了一些嘗試，由于缺乏相關(guān)專業(yè)人才，無法取得突破，最終退出石油行業(yè)大數(shù)據(jù)分析與智能化應(yīng)用市場。

究其原因，IBM、阿里巴巴缺乏精通石油上游業(yè)務(wù)知識的AI 專家，在給中國石油和中國石化做的智能油田總體規(guī)劃設(shè)計(jì)中，只是從綜合業(yè)務(wù)角度著手，而不能從專業(yè)角度進(jìn)行設(shè)計(jì)。正確理解油氣大數(shù)據(jù)分析與油田智能化應(yīng)用，首先要從油氣大數(shù)據(jù)構(gòu)成分析入手，這是油氣大數(shù)據(jù)分析與油田智能化應(yīng)用的方向。

2 油氣大數(shù)據(jù)構(gòu)成分析

人工智能的本質(zhì)是統(tǒng)計(jì)學(xué)，要研究油氣智能化應(yīng)用方向，應(yīng)該從其大數(shù)據(jù)構(gòu)成分析入手，這是油氣領(lǐng)域智能化應(yīng)用的基礎(chǔ)和前提。下面從3個(gè)角度分析油氣大數(shù)據(jù)的構(gòu)成。

2.1 業(yè)務(wù)角度

從業(yè)務(wù)角度看數(shù)據(jù)，根據(jù)油氣勘探開發(fā)價(jià)值鏈理論，可把油氣勘探開發(fā)劃分為幾大業(yè)務(wù)：油氣勘探、油藏評價(jià)、油氣開發(fā)、油氣生產(chǎn)、油氣儲運(yùn)（圖1）。但是這種分類范圍太大，而且每個(gè)業(yè)務(wù)中都包含相同的專業(yè)內(nèi)容，如油氣勘探、油藏評價(jià)與油氣開發(fā)業(yè)務(wù)都包含物探、鉆井、測井等數(shù)據(jù)。所以，這種業(yè)務(wù)劃分標(biāo)準(zhǔn)不能作為數(shù)據(jù)的劃分標(biāo)準(zhǔn)，但不同業(yè)務(wù)中的共同專業(yè)內(nèi)容，則是實(shí)現(xiàn)業(yè)務(wù)組件服務(wù)化軟件工程開發(fā)的基礎(chǔ)，也是人工智能綜合應(yīng)用的大方向[4-6]。

圖1石油業(yè)務(wù)與石油專業(yè)區(qū)別與關(guān)系

2.2 專業(yè)角度

圖2按專業(yè)的石油數(shù)據(jù)分類

如上所述，一項(xiàng)業(yè)務(wù)包含多個(gè)專業(yè)，從專業(yè)角度劃分?jǐn)?shù)據(jù)類型應(yīng)是數(shù)據(jù)分類的基礎(chǔ)。根據(jù)石油專業(yè)類型和大數(shù)據(jù)特征，可以把油氣大數(shù)據(jù)劃分為9大類（圖2）。其中，隨鉆錄井?dāng)?shù)據(jù)、地震數(shù)據(jù)、測井?dāng)?shù)據(jù)、生產(chǎn)井史數(shù)據(jù)、實(shí)時(shí)生產(chǎn)數(shù)據(jù)（包括實(shí)時(shí)地面工程數(shù)據(jù)）符合典型大數(shù)據(jù)特征，比較容易實(shí)現(xiàn)大數(shù)據(jù)分析和人工智能應(yīng)用。因此，這幾個(gè)專業(yè)領(lǐng)域是智能化發(fā)展的重點(diǎn)方向。

2.3 數(shù)據(jù)類型角度

按照結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)、重復(fù)型數(shù)據(jù)和非重復(fù)型數(shù)據(jù)分類方法，油氣大數(shù)據(jù)可以劃分為業(yè)務(wù)相關(guān)大數(shù)據(jù)、潛在相關(guān)大數(shù)據(jù)、業(yè)務(wù)不相關(guān)大數(shù)據(jù)。業(yè)務(wù)相關(guān)大數(shù)據(jù)是分析重點(diǎn)，潛在相關(guān)大數(shù)據(jù)是關(guān)注的對象，業(yè)務(wù)不相關(guān)大數(shù)據(jù)基本不用管它。這樣就避免了大數(shù)據(jù)分析的盲目性（圖3）。從狹義上講，非結(jié)構(gòu)化數(shù)據(jù)屬于大數(shù)據(jù)范疇；廣義上，結(jié)構(gòu)化數(shù)據(jù)多了就是大數(shù)據(jù)，因符合大數(shù)據(jù)量大這個(gè)第一特征[7-9]。

圖3 按數(shù)據(jù)類型的石油大數(shù)據(jù)構(gòu)成分類

當(dāng)然，業(yè)務(wù)相關(guān)或不相關(guān)不是絕對的。比如視頻數(shù)據(jù)，從油氣專業(yè)來看，屬于業(yè)務(wù)不相關(guān)，但從安全管理角度來說，又屬于業(yè)務(wù)相關(guān)。業(yè)務(wù)相關(guān)的重復(fù)型大數(shù)據(jù)主要有：地震數(shù)據(jù)、測井?dāng)?shù)據(jù)、實(shí)時(shí)鉆錄井?dāng)?shù)據(jù)、實(shí)時(shí)生產(chǎn)數(shù)據(jù)等。這些領(lǐng)域的數(shù)據(jù)也是大數(shù)據(jù)分析與智能化應(yīng)用比較容易實(shí)現(xiàn)的領(lǐng)域。

3 油氣上游不同專業(yè)領(lǐng)域智能化應(yīng)用發(fā) 展方向

石油各專業(yè)是產(chǎn)生數(shù)據(jù)的來源，既是大數(shù)據(jù)構(gòu)成的基礎(chǔ)，也是智能化應(yīng)用的方向。因此，油氣大數(shù)據(jù)分析與智能化（AI）應(yīng)用的方向應(yīng)該從專業(yè)領(lǐng)域去尋找；不要企圖在整個(gè)業(yè)務(wù)系統(tǒng)實(shí)現(xiàn)智能化，而應(yīng)該衡量AI

在其中的貢獻(xiàn)率。根據(jù)大數(shù)據(jù)構(gòu)成分析，油氣領(lǐng)域智能化發(fā)展方向主要包括以下5個(gè)領(lǐng)域。

3.1 物探專業(yè)

地震數(shù)據(jù)是油田重要的數(shù)據(jù)資產(chǎn)之一，地震數(shù)據(jù)體（文件形式存在）是典型的重復(fù)型大數(shù)據(jù)，資料比較完整，比較適合做大數(shù)據(jù)分析和人工智能應(yīng)用。

從地震工作的三大步驟來看，地震資料解釋、地質(zhì)反演與儲層預(yù)測是地震專業(yè)的智能化應(yīng)用重點(diǎn)方向（圖4）；地震資料應(yīng)用大數(shù)據(jù)技術(shù)進(jìn)行處理，可以提高數(shù)據(jù)的處理效率；地震數(shù)據(jù)采集的視頻資料可以進(jìn)行智能化分析，如基于深度神經(jīng)網(wǎng)絡(luò)的圖像資料識別，來判斷地震數(shù)據(jù)采集過程的規(guī)范化和正確性[10]。

圖4物探專業(yè)工作流程

3.2 測井專業(yè)

測井資料也是油田重要的數(shù)據(jù)資產(chǎn)之一，資料最為完整齊全，主要包括測井?dāng)?shù)據(jù)體（文件形式）和測井解釋成果數(shù)據(jù)。測井?dāng)?shù)據(jù)體是典型的重復(fù)型大數(shù)據(jù)，測井解釋成果數(shù)據(jù)是結(jié)構(gòu)化的數(shù)據(jù)（圖5）。測井解釋是智能化應(yīng)用的重點(diǎn)方向，因?yàn)闇y井解釋的四性關(guān)系本身就是依據(jù)統(tǒng)計(jì)學(xué)原理。其中，巖性解釋、物性解釋、含油氣性解釋，都有現(xiàn)成數(shù)據(jù)，不需要進(jìn)行人工標(biāo)注，最容易開展人工智能應(yīng)用。

圖5測井專業(yè)工作流程

3.3 鉆錄井專業(yè)

鉆井工程數(shù)據(jù)采集主要來自隨鉆錄井。從錄井工作流程分析看（圖6），錄井資料解釋比較適合開展智能化應(yīng)用，特別是隨著物聯(lián)網(wǎng)技術(shù)的普及應(yīng)用，實(shí)時(shí)隨鉆錄井成為鉆井工程智能化應(yīng)用的一個(gè)主要方向。

錄井?dāng)?shù)據(jù)的智能化應(yīng)用方向主要有兩方面：一是常規(guī)錄井資料地球化學(xué)解釋、綜合解釋的智能化應(yīng)用；二是實(shí)時(shí)隨鉆錄井資料的實(shí)時(shí)智能化解釋與預(yù)測預(yù)警，如實(shí)時(shí)隨鉆氣測數(shù)據(jù)的實(shí)時(shí)智能解釋、實(shí)時(shí)隨鉆工程錄井?dāng)?shù)據(jù)的實(shí)時(shí)展示與實(shí)時(shí)智能預(yù)警。

3.4 油氣生產(chǎn)領(lǐng)域

油氣生產(chǎn)領(lǐng)域智能化應(yīng)用的方向是油田地質(zhì)與采油工程一體化智能分析。在油氣生產(chǎn)領(lǐng)域，存在油田地質(zhì)與采油工程專業(yè)各自為政的現(xiàn)象，兩類數(shù)據(jù)未能共享。而把油田地質(zhì)數(shù)據(jù)與采油工程數(shù)據(jù)進(jìn)行關(guān)聯(lián)建模，挖掘地下、地面數(shù)據(jù)之間可能存在的規(guī)律，是油氣生產(chǎn)智能化應(yīng)用的最大潛力。

近年來隨著物聯(lián)網(wǎng)應(yīng)用的逐步普及，中國石油、中國石化、中國海油普遍實(shí)施了實(shí)時(shí)生產(chǎn)數(shù)據(jù)的智能化采集，為實(shí)時(shí)生產(chǎn)數(shù)據(jù)的大數(shù)據(jù)分析和智能化應(yīng)用創(chuàng)造了條件。根據(jù)實(shí)時(shí)工程數(shù)據(jù)、實(shí)時(shí)測試數(shù)據(jù)、實(shí)時(shí)計(jì)量數(shù)據(jù)表，可以進(jìn)行關(guān)聯(lián)分析與建模的智能化應(yīng)用，建立井底實(shí)時(shí)動液面（或井底流壓）數(shù)據(jù)、實(shí)時(shí)產(chǎn)液量數(shù)據(jù)和實(shí)時(shí)工程數(shù)據(jù)的關(guān)系模型（表1、圖7）。

表1油田實(shí)時(shí)油氣生產(chǎn)大數(shù)據(jù)分析與預(yù)測關(guān)聯(lián)數(shù)據(jù)表

圖7基于深度學(xué)習(xí)算法建立油田地質(zhì)數(shù)據(jù)與采油工程數(shù)據(jù)關(guān)系模型

3.5 油藏模擬領(lǐng)域

油藏模擬是油田開發(fā)和油氣生產(chǎn)動態(tài)分析的常用手段。常規(guī)油藏模擬軟件基于工程數(shù)學(xué)算法（如滲流力學(xué)算法），這些算法普遍存在局限性，為了提高油藏模擬的準(zhǔn)確性，采用人工智能算法是一個(gè)重要的突破方向。

油田生產(chǎn)井史數(shù)據(jù)是油田的重要資產(chǎn)數(shù)據(jù)之一。數(shù)據(jù)比較全面完整，還是結(jié)構(gòu)化數(shù)據(jù)，比較適合于進(jìn)行大數(shù)據(jù)分析和智能化應(yīng)用?；诰窋?shù)據(jù)的油藏歷史擬合與預(yù)測是一個(gè)可行的智能化應(yīng)用方向。

4 油氣綜合研究領(lǐng)域智能化應(yīng)用探索

前文所述，智能化應(yīng)用在單一個(gè)體或?qū)I(yè)領(lǐng)域比較容易做到，在綜合研究領(lǐng)域則很難實(shí)現(xiàn)，因?yàn)榫C合研究領(lǐng)域涉及各種專業(yè)數(shù)據(jù)，數(shù)據(jù)間缺乏關(guān)聯(lián)性，數(shù)量級差別巨大，很難進(jìn)行關(guān)聯(lián)分析和建模。

針對綜合研究領(lǐng)域的智能化應(yīng)用，我們通過“基于大數(shù)據(jù)的勘探有利目標(biāo)區(qū)優(yōu)選新方法研究”，獨(dú)創(chuàng)了一套多專業(yè)、多學(xué)科的綜合業(yè)務(wù)智能化分析方法，克服了多專業(yè)數(shù)據(jù)無法進(jìn)行關(guān)聯(lián)分析和建模的難題，對未來多學(xué)科領(lǐng)域智能化研究具有先導(dǎo)意義；獨(dú)創(chuàng)了一套勘探有利目標(biāo)區(qū)的標(biāo)注規(guī)則和自動標(biāo)注方法，解決了目標(biāo)變量需人工標(biāo)注時(shí)工作量巨大的難題，實(shí)現(xiàn)了有利目標(biāo)區(qū)的自動分級、可視化展示、查詢等功能。這項(xiàng)研究提供了一種新的勘探有利目標(biāo)區(qū)優(yōu)選輔助手段，可大幅提高勘探研究人員工作效率，并可能提高勘探準(zhǔn)確率。

4.1 建模思路

按各專業(yè)數(shù)據(jù)分別建模，然后相互驗(yàn)證。由于多專業(yè)數(shù)據(jù)組合無法建模，本研究采取各專業(yè)數(shù)據(jù)單獨(dú)建模方式，即錄井、測井、試油、化驗(yàn)4個(gè)專業(yè)的數(shù)據(jù)表單獨(dú)建模，然后再用這4 種建模結(jié)果互相驗(yàn)證，準(zhǔn)確率均超過90%，取得了綜合業(yè)務(wù)智能化分析的良好效果（圖8）。

根據(jù)這種設(shè)計(jì)思想，即使只有一種數(shù)據(jù)，也可以初步得出勘探有利目標(biāo)區(qū)的優(yōu)選模型。在資料不完整的情況下，就可以利用個(gè)別種類的建模結(jié)果初步做出預(yù)測，4種資料齊全，就可以對4 種建模結(jié)果相互驗(yàn)證。

4.2 算法選擇

對機(jī)器學(xué)習(xí)算法進(jìn)行宏觀分類（圖9），然后根據(jù)不同的業(yè)務(wù)需求，選擇不同類別的算法（如回歸算法、分類算法、聚類算法）。本研究通過多種回歸算法和分類算法的大量計(jì)算對比，發(fā)現(xiàn)分類算法比回歸算法更適合有利目標(biāo)區(qū)優(yōu)選分析，因此選擇采用5種分類算法（圖9中綠色框部分）作為有利目標(biāo)區(qū)優(yōu)選的分析算法，再從5種算法中推薦準(zhǔn)確率最高的一種算法作為最終建模算法。

圖9機(jī)器學(xué)習(xí)算法分類

根據(jù)實(shí)際模型訓(xùn)練結(jié)果，以上5種分類算法模型訓(xùn)練結(jié)果的準(zhǔn)確率比較接近，都達(dá)到90%以上，邏輯回歸算法準(zhǔn)確率相對最高（超96%）。這里僅對邏輯回歸算法（LR）做簡要介紹，其他算法不再逐一介紹。

邏輯回歸是經(jīng)典的二分類算法，也可用于多分類算法。邏輯回歸本質(zhì)上是線性回歸，只是邏輯回歸使用一個(gè)函數(shù)來歸一化y值，使y的取值在區(qū)間（0，1）內(nèi)。這個(gè)函數(shù)稱為邏輯函數(shù)、S型函數(shù)。邏輯回歸常用于疾病自動診斷、經(jīng)濟(jì)預(yù)測等領(lǐng)域。

4.3 技術(shù)架構(gòu)

WEB后端由數(shù)據(jù)庫、大數(shù)據(jù)框架、WEB服務(wù)器和Java 框架組合。大數(shù)據(jù)開發(fā)基于Spark MLBase的機(jī)器學(xué)習(xí)系統(tǒng)；Java 開發(fā)基于IBM Websphere 8.5集成開發(fā)平臺，WEB服務(wù)器可配置成Tomcat；JPS框架采用Spring、mybatis、ehcache、shiro組合框架。WEB前端采用Jquery +Bootstrap +Echarts組合框架，前后端分離部署與開發(fā)，WEB前后端總體技術(shù)架構(gòu)見圖10。

圖10勘探有利選區(qū)優(yōu)選分析系統(tǒng)WEB前后端總體技術(shù)架構(gòu)

4.4 最終成果

根據(jù)以上設(shè)計(jì)，研發(fā)的基于大數(shù)據(jù)分析平臺的“勘探有利目標(biāo)區(qū)優(yōu)選智能分析系統(tǒng)”，可以實(shí)現(xiàn)報(bào)表方式查詢、分級方式查詢、垂直剖面查詢、平面展布查詢及新數(shù)據(jù)預(yù)測等功能（圖11）。系統(tǒng)使用方便直觀，大幅提高了用戶工作效率，如老井復(fù)查可以提高效率幾十倍甚至上百倍。

圖11勘探有利目標(biāo)區(qū)優(yōu)選智能分析系統(tǒng)成果

4.5 系統(tǒng)優(yōu)勢與創(chuàng)新點(diǎn)

勘探有利目標(biāo)區(qū)優(yōu)選智能分析系統(tǒng)為全流程閉環(huán)設(shè)計(jì)，自動形成了數(shù)據(jù)準(zhǔn)備—特征分析—模型訓(xùn)練—成果查詢—新數(shù)據(jù)預(yù)測的反復(fù)循環(huán)（圖12）。通常地質(zhì)研究工作有1/3甚至1/2 時(shí)間要花在準(zhǔn)備數(shù)據(jù)上，該

圖12系統(tǒng)全流程閉環(huán)設(shè)計(jì)

系統(tǒng)可大量節(jié)省用戶的數(shù)據(jù)準(zhǔn)備時(shí)間，而且數(shù)據(jù)可做到增量疊加循環(huán)建模，有助于不斷提高模型的準(zhǔn)確率。

有利目標(biāo)區(qū)標(biāo)注是該系統(tǒng)的難點(diǎn)之一，也是創(chuàng)新點(diǎn)所在。發(fā)明設(shè)計(jì)的有利目標(biāo)區(qū)（YLMBQ）標(biāo)注規(guī)則和自動標(biāo)注方法，解決了人工標(biāo)注工作量巨大的難題，為將來無目標(biāo)變量字段的大數(shù)據(jù)項(xiàng)目積累了一定經(jīng)驗(yàn)（圖13）。目前，該發(fā)明正在申請專利中。

圖13有利目標(biāo)區(qū)優(yōu)選目標(biāo)變量標(biāo)注

5 結(jié)束語

從“企業(yè)信息化”到“信息化企業(yè)”的演進(jìn)，是衡量IT 在企業(yè)中的應(yīng)用程度；從“信息化企業(yè)”到“智能化企業(yè)”的演進(jìn)，是衡量AI在信息化中的貢獻(xiàn)率?！爸悄芑笔屈c(diǎn)上的應(yīng)用，“信息化”屬于整體應(yīng)用。人工智能在單一個(gè)體或?qū)I(yè)領(lǐng)域比較容易實(shí)現(xiàn)，但在綜合分析領(lǐng)域如管理咨詢、綜合地質(zhì)研究則很難實(shí)現(xiàn)。油氣大數(shù)據(jù)分析與智能化的應(yīng)用方向應(yīng)從專業(yè)領(lǐng)域去尋找，不要企圖整個(gè)業(yè)務(wù)系統(tǒng)實(shí)現(xiàn)智能化，應(yīng)衡量AI在其中的貢獻(xiàn)率。

大數(shù)據(jù)是人工智能的基石，做好數(shù)據(jù)標(biāo)準(zhǔn)化工作，是人工智能應(yīng)用的前提。不要被數(shù)據(jù)湖、大數(shù)據(jù)、人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等一些表面的技術(shù)術(shù)語所迷惑，不要對人工智能抱有過高的期望，要深刻領(lǐng)會人工智能的本質(zhì)是統(tǒng)計(jì)學(xué)。對人工智能的本質(zhì)認(rèn)識及其在行業(yè)應(yīng)用的方向性探析非常重要！