人工智能在儲層損害診斷及預(yù)測中的應(yīng)用與展望

楊兆中，高晨軒，李小剛，馬高峰，馬薛麗

（油氣藏地質(zhì)及開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室，西南石油大學(xué)，四川成都 610500）

從油氣井打開儲層到整個油氣開采結(jié)束的整個過程中都可能給儲層帶來損害。因此，診斷和預(yù)測儲層損害就對油氣增產(chǎn)、提高采收率和節(jié)約成本有著至關(guān)重要的意義。儲層損害主要可分為物理損害、化學(xué)損害、生物損害和熱力損害四大類，它可能由儲層內(nèi)部因素和儲層外部因素相互作用而產(chǎn)生。由于儲層損害類型眾多、機(jī)理復(fù)雜，因此運(yùn)用一定的方法快速、準(zhǔn)確地診斷和預(yù)測儲層損害，對制定油氣藏開發(fā)方案以及增產(chǎn)解堵措施有著重要意義。

目前，常用的儲層損害預(yù)測方法主要包括統(tǒng)計(jì)分析法、數(shù)值模擬法以及人工智能法。但無論統(tǒng)計(jì)分析法還是數(shù)值模擬法都存在一定缺點(diǎn)（見表1）。自20 世紀(jì)90 年代以來，人們開始運(yùn)用人工智能方法診斷和預(yù)測儲層損害。由于其在分析和處理大量且復(fù)雜的不確定性因素，識別和解決非數(shù)值、不完善、模糊甚至是多義的問題上具有獨(dú)特優(yōu)勢，可以避免復(fù)雜的數(shù)學(xué)模型的求解和假設(shè)條件引起的誤差。近年來，隨著人工智能再次掀起的熱潮，基于人工智能方法診斷和預(yù)測儲層損害又再次受到人們關(guān)注。

1 人工智能簡介及其在石油工程中的應(yīng)用

1.1 人工智能簡介

“人工智能”這一術(shù)語由麥卡賽等一批科學(xué)家于1956 年首次提出，標(biāo)志著“人工智能”這門新興學(xué)科的正式誕生。人工智能是計(jì)算機(jī)科學(xué)、神經(jīng)生理學(xué)、信息論、控制論、語言學(xué)等多種學(xué)科交叉的復(fù)合學(xué)科[1]。按照人工智能所實(shí)現(xiàn)的功能來描述，它通常指具有智能的機(jī)器所執(zhí)行的、與人類智能有關(guān)的功能，例如推理判斷、問題求解和識別學(xué)習(xí)功能[2]。

20 世紀(jì)60 年代，自然語言通訊嘗試使用標(biāo)志著人工智能發(fā)生了巨大突破，由此AI 的研究進(jìn)入了第二階段。這之后的70 年代，知識專家系統(tǒng)在全世界得到了迅速發(fā)展，一批具有專家水平的程序系統(tǒng)相繼問世，它的應(yīng)用范圍延伸到了各個領(lǐng)域，并產(chǎn)生了巨大的經(jīng)濟(jì)效益。80 年代，人工智能的發(fā)展主題變?yōu)橐灾R為基礎(chǔ)，知識在模擬智能中的重要性深入人心。人們基于知識的表達(dá)、推理和結(jié)合問題相關(guān)領(lǐng)域知識的認(rèn)知模式開展了持續(xù)的研究[3]。

目前，人工智能技術(shù)正在向大型分布式人工智能、多專家協(xié)同系統(tǒng)、并行推理、多種專家系統(tǒng)開發(fā)工具、人工智能開發(fā)環(huán)境和分布式環(huán)境下的多智能體協(xié)同系統(tǒng)等方向發(fā)展。

1.2 人工智能在石油工程中的應(yīng)用

近年來，人工智能技術(shù)從神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法到模糊邏輯，取得了諸多進(jìn)展，其獨(dú)特的應(yīng)用優(yōu)勢已越來越為石油行業(yè)所接受。具體應(yīng)用來講，有以下類型（見表2）。

2 人工智能方法簡介

2.1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上形成的，在解決事物的模糊及非線性關(guān)系方面具有很強(qiáng)智能化的一種方法。它是由大量類似于人腦神經(jīng)元的簡單處理單元廣泛連接而構(gòu)成的一個復(fù)雜的、非線性網(wǎng)絡(luò)系統(tǒng)，是從微觀上對人腦的智能行為描述[25，26]。

表1 統(tǒng)計(jì)分析方法與數(shù)值模擬方法在儲層損害預(yù)測上的優(yōu)缺點(diǎn)Tab.1 Advantages and disadvantages of statistical analysis methods and numerical simulation methods in reservoir damage prediction

表2 神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)在石油工程中的應(yīng)用Tab.2 Application of neural network and expert system in petroleum engineering

1943 年，W.S.McCulloch 和W.Pitts 研究并提出了M-P 神經(jīng)元模型[27]，形成了神經(jīng)網(wǎng)絡(luò)的發(fā)展基礎(chǔ)。60年代，Bernard Widrow 提出了主要適用于自適應(yīng)系統(tǒng)的自適應(yīng)元件（Adalnie）網(wǎng)絡(luò)，并用LMS 學(xué)習(xí)規(guī)則來訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的研究至此進(jìn)入了一個高潮。

但是隨后的70 年代里，神經(jīng)網(wǎng)絡(luò)理論并無相關(guān)性的研究突破。直到1982 年，物理學(xué)家Hopfield 創(chuàng)造性地提出了Hopfield 網(wǎng)絡(luò)模型，并將網(wǎng)絡(luò)能量函數(shù)概念首次引入該項(xiàng)研究，使網(wǎng)絡(luò)穩(wěn)定性研究有了明確的判據(jù)[28]。1986 年，Rumelhart 和McCelland 等研究提出了并行分布式處理模型（PDP）的網(wǎng)絡(luò)思想和誤差逆?zhèn)鞑サ亩鄬痈兄饔?xùn)練算法，該算法成為在網(wǎng)絡(luò)學(xué)習(xí)方面至今影響最大的方法[29]。

通過國內(nèi)外的應(yīng)用可以看出，伴隨著人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展、完善，其在應(yīng)對非線性問題時獲得了較好的應(yīng)用[30]。近年來，隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)被引入石油行業(yè)，部分生產(chǎn)過程中的非線性問題得到了很好的解決。但其在開發(fā)時間、數(shù)據(jù)量和計(jì)算成本方面，尚有存在弊端。

2.2 專家決策支持系統(tǒng)

專家系統(tǒng)（ES）是人工智能技術(shù)的一個重要應(yīng)用領(lǐng)域，它可以理解為一個利用專家處理問題的智能計(jì)算機(jī)程序系統(tǒng)。該系統(tǒng)具有一個或多個某一領(lǐng)域?qū)＜业慕?jīng)驗(yàn)和知識，可以根據(jù)專家系統(tǒng)中積累的經(jīng)驗(yàn)和知識去解決實(shí)際問題。換言之，專家系統(tǒng)能夠應(yīng)用專門的知識和經(jīng)驗(yàn)，結(jié)合人工智能、計(jì)算機(jī)技術(shù)，模擬專家的思考過程來解決問題，具有一定的知識處理能力。

同時，專家系統(tǒng)在石油工程中不僅可以用來保存、模擬專家們的知識和經(jīng)驗(yàn)，它還擁有在積累的知識、經(jīng)驗(yàn)的基礎(chǔ)上，對這些知識體系持續(xù)地進(jìn)行更新和完善。因此，專家系統(tǒng)在油田勘探開發(fā)領(lǐng)域的應(yīng)用推廣具有十分重要的現(xiàn)實(shí)意義[31]。

L.Alegre 和E.L.Dougherty 在1988 年論述了儲層保護(hù)智能專家系統(tǒng)的可行性，這形成了該理論基礎(chǔ)發(fā)展方向[32]。儲層保護(hù)智能專家系統(tǒng)可以采用多庫協(xié)同的方式，使互相關(guān)聯(lián)的領(lǐng)域問題用一個系統(tǒng)解決。王江萍和張寧生（2006 年）給出了信息融合模型，應(yīng)用信息融合技術(shù)與不確定性決策理論，建立了具有對油氣儲層損害進(jìn)行識別、診斷、評價和預(yù)測功能的信息模型，提高了預(yù)測準(zhǔn)確性[33]。

專家決策支持系統(tǒng)可復(fù)合專家知識，在全面性、適應(yīng)性上存在一定的優(yōu)勢，且使用成本較低，但存在著獲取知識相對困難，推理能力弱，靈活性差的缺點(diǎn)。

3 人工智能在儲層損害診斷和預(yù)測中的應(yīng)用

自20 世紀(jì)80 年代末起，西安石油學(xué)院的郭建明、李棋、薄春生等[34]開始應(yīng)用人工智能技術(shù)研究保護(hù)儲層。他們針對塔里木油田建立了保護(hù)儲層多庫協(xié)同式專家系統(tǒng)（PFICS）和保護(hù)儲層綜合集成智能化系統(tǒng)（MDSSPF）。這兩個系統(tǒng)均綜合了儲層傷害識別、預(yù)測、診斷和處理等應(yīng)用技術(shù)。但其知識表示方法單一，在對生產(chǎn)中復(fù)雜的知識鏈描述存在一定局限性。從系統(tǒng)角度來說，因其不具有模糊推理功能，故數(shù)據(jù)信息的準(zhǔn)確性對推理結(jié)論的準(zhǔn)確性影響很大。此外，由于系統(tǒng)沒有引入知識的學(xué)習(xí)機(jī)制，而使用了人機(jī)對話方式和人機(jī)交互方式對給定的知識庫進(jìn)行規(guī)則的增刪和修改，故知識庫更新困難。

上述系統(tǒng)在一定程度上為應(yīng)用專家系統(tǒng)診斷儲集層損害進(jìn)行了先導(dǎo)探索，為后期研究奠定了基礎(chǔ)。然而，上述系統(tǒng)僅在塔里木油田的某個具體區(qū)塊適用，如果要提高其普適性，則必須獲得大量的實(shí)驗(yàn)數(shù)據(jù)，改變知識庫內(nèi)容。其通用性和可移植性差，具有一定的局限性。

國內(nèi)的梅文榮和張紹槐[35]在1995 年最早利用BAM神經(jīng)網(wǎng)絡(luò)方法，研究地層損害識別。雙向互聯(lián)想記憶（BAM）神經(jīng)網(wǎng)絡(luò)模型是對Hopfield 神經(jīng)網(wǎng)絡(luò)的擴(kuò)充。在只能自聯(lián)想的Hopfield 單層反饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過改進(jìn)得到可以進(jìn)行兩個不同記憶樣本間相互聯(lián)想的BAM 雙層互反饋神經(jīng)網(wǎng)絡(luò)。BAM 模型雖然比其他神經(jīng)網(wǎng)絡(luò)模型具有結(jié)構(gòu)清晰、操作直觀、學(xué)習(xí)速度快的特點(diǎn)，但由于其推理方式和算法都太過簡單，只考慮了7 個損害類型，覆蓋面較窄。在此次儲集層損害診斷的初步嘗試之后，鮮有人再應(yīng)用BAM 神經(jīng)網(wǎng)絡(luò)方法進(jìn)行嘗試。

這之后的2010 年，Rezaian A.和Kordestany A.等[36]將實(shí)驗(yàn)數(shù)據(jù)作為輸入數(shù)據(jù)，將傷害后的滲透率與原始滲透率的比值作為目標(biāo)函數(shù)，應(yīng)用MSE 性能函數(shù)、TRAINLM 訓(xùn)練函數(shù)和TANSIG 轉(zhuǎn)換函數(shù)建立了一個隱含層和一個輸出層，共兩層的BP 神經(jīng)網(wǎng)絡(luò)模型。作者應(yīng)用該模型預(yù)測了由瀝青沉積引起的儲層損害。3 年之后，SPE 協(xié)會的Sadra Foroutan 和Jamshid Moghadasi 等[37]主要針對注水井產(chǎn)生的硫酸鈣等無機(jī)垢帶來的儲層損害，應(yīng)用TRAINLM 訓(xùn)練函數(shù)、LEARNGDM 學(xué)習(xí)函數(shù)和MSE 性能函數(shù)，建立了3 個顯層和2 個隱層的BP 神經(jīng)網(wǎng)絡(luò)模型，取得了較好的預(yù)測精度。

4 人工智能在儲層損害診斷和預(yù)測中的展望

目前，基于人工智能的儲層傷害診斷與預(yù)測仍存在著魯棒性不足，解決多分類問題時精度不高，適用范圍有待提高等問題。對于這些問題的探索，可能集中于以下幾個方面：

（1）決策方法的綜合與知識的融合[38]：人工智能發(fā)展迅猛，在進(jìn)行決策診斷時，應(yīng)不僅局限于專家系統(tǒng)、遺傳算法等傳統(tǒng)方法，可以尋求參數(shù)尋優(yōu)方法，例如魚群算法，蟻群算法等應(yīng)用于現(xiàn)有模型的優(yōu)化，尋求更具一般性的知識表示和推理算法，以達(dá)更佳的預(yù)測效果。

（2）分布式與協(xié)同式求解：在實(shí)際預(yù)測中，往往會面臨具有較高復(fù)雜性的問題，以至于超出現(xiàn)有的求解能力。這就要求研究者拋開傳統(tǒng)模型求解，探尋新型求解方法。為解決在網(wǎng)絡(luò)環(huán)境下的分布或分布再加上并行的方式等復(fù)雜問題，分布式數(shù)據(jù)庫、分布式?jīng)Q策的研究以及分布式人工智能技術(shù)的應(yīng)用、并行決策計(jì)算等是當(dāng)前人工智能領(lǐng)域的研究熱點(diǎn)[39]。

（3）大數(shù)據(jù)診斷與預(yù)測：大數(shù)據(jù)是當(dāng)今的熱點(diǎn)，是計(jì)算機(jī)技術(shù)發(fā)展到現(xiàn)今階段的一種表象或特征。大數(shù)據(jù)技術(shù)的重點(diǎn)不在于擁有豐富的數(shù)據(jù)信息，而在于對數(shù)據(jù)的深度挖掘。借助充分的動態(tài)數(shù)據(jù)分析手段，大數(shù)據(jù)為研究者提供了理解事物間相互作用的巨大可能性[40]。

5 結(jié)論

（1）儲層保護(hù)是一個系統(tǒng)性工程，貫穿鉆井、完井與采油各個階段，由于其影響因素多，關(guān)聯(lián)復(fù)雜的特點(diǎn)，利用人工智能方法進(jìn)行診斷與預(yù)測必將成為日后的趨勢。

（2）隨著人工智能方法的發(fā)展，人們也越來越重視將多種人工智能方法有機(jī)的結(jié)合在一起，充分發(fā)揮各自方法的優(yōu)勢來減少自身缺陷。越來越多的研究都將多種人工智能方法有機(jī)結(jié)合運(yùn)用于儲層損害的診斷和預(yù)測上。

（3）智能決策支持系統(tǒng)由決策支持系統(tǒng)和其他人工智能方法相結(jié)合，利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的并行運(yùn)算和聯(lián)想能力非常適合于決策支持與推理。對決策過程進(jìn)行充分優(yōu)化，是未來診斷和預(yù)測儲層損害因素的一個方向。