人工智能在提高油氣田勘探開發(fā)效果中的應(yīng)用

于紅巖,丁帥偉,高彥芳,孟 昆,陳斯斯

(西北大學(xué) 地質(zhì)學(xué)系/大陸動(dòng)力學(xué)國家重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710069)

大數(shù)據(jù)、機(jī)器學(xué)習(xí)以及超級(jí)算力構(gòu)成的新一代人工智能為油氣勘探開發(fā)中科學(xué)問題的解決提供了新的范式。隨著測井、物探、鉆完井等技術(shù)的不斷更迭，為油氣勘探開發(fā)提供了海量的數(shù)據(jù)，但主力老油田普遍進(jìn)入高含水后期開發(fā)階段，為保證國家能源安全，勘探開發(fā)逐漸向新領(lǐng)域、新層系進(jìn)軍，面臨的地質(zhì)和開發(fā)問題也愈加復(fù)雜。如何充分挖掘和利用海量的勘探開發(fā)數(shù)據(jù)，提高老油田的開發(fā)效率、解決好新領(lǐng)域新層系的勘探開發(fā)問題值得思考。人工智能與勘探開發(fā)的融合為傳統(tǒng)經(jīng)驗(yàn)公式法應(yīng)用的局限性和地質(zhì)問題日益增加的復(fù)雜性等造成的難題提供了解決思路。目前，油氣勘探開發(fā)智能化已成為行業(yè)前沿?zé)狳c(diǎn)，國內(nèi)外眾多石油公司和IT公司已經(jīng)開始了油氣勘探開發(fā)的智能化探索，如雪佛龍、斯倫貝謝、微軟合作開發(fā) DELFI 服務(wù)平臺(tái)，基于人工智能技術(shù)，利用分布式計(jì)算、高性能計(jì)算等新技術(shù)形成集鉆井、測井、油氣生產(chǎn)等勘探開發(fā)一體化的工作平臺(tái)[1]。人工智能技術(shù)為油氣藏精細(xì)勘探、提高油氣開發(fā)效率、優(yōu)化作業(yè)流程、降低作業(yè)成本等方面帶來了的顛覆性變革[2-3]，各大石油公司已開始布局?jǐn)?shù)字化、智能化油田[4-7]。在油氣勘探開發(fā)應(yīng)用方面,筆者團(tuán)隊(duì)基于人工智能算法做了較為系統(tǒng)的工作,在儲(chǔ)層參數(shù)預(yù)測、流體和巖相識(shí)別等測井、鉆井和地質(zhì)勘探，以及在壓裂裂縫識(shí)別、井位優(yōu)化和CO2驅(qū)油與封存等開發(fā)方面形成了較為完整的研究方法,成果應(yīng)用于多個(gè)油田并獲得了良好的效果。本文旨在綜述相關(guān)研究的主要進(jìn)展,介紹機(jī)器學(xué)習(xí)和智能優(yōu)化研究思想和方法的基本輪廓,并對與之相關(guān)的油氣地質(zhì)和開發(fā)問題進(jìn)行探討。

1 基本理念

人工智能(artificial intelligence,AI)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門技術(shù)科學(xué)。人工智能從誕生以來,相關(guān)的理論和技術(shù)快速發(fā)展,應(yīng)用領(lǐng)域也不斷擴(kuò)大,最早的定義由麻省理工學(xué)院的約翰·麥卡錫提出,但至今并沒有一個(gè)統(tǒng)一的定義[2]。近年來,運(yùn)用人工智能技術(shù)進(jìn)行預(yù)測與決策優(yōu)化已引起學(xué)者的廣泛研究,Nature和Science發(fā)表了多篇基于人工智能進(jìn)行科學(xué)預(yù)測與決策分析的論文,特別是Science推出“prediction”專題,解讀人工智能在預(yù)測領(lǐng)域的研究進(jìn)展和面臨的挑戰(zhàn)[8]。本文將探討機(jī)器學(xué)習(xí)和智能優(yōu)化對石油勘探開發(fā)效果提升方面的貢獻(xiàn)。

1.1 機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)作為人工智能的核心,通過相關(guān)的算法從以往的經(jīng)歷中學(xué)習(xí)經(jīng)驗(yàn),從歷史數(shù)據(jù)中尋找知識(shí)規(guī)律、建立學(xué)習(xí)模式,進(jìn)而預(yù)測新的數(shù)據(jù)或預(yù)測未來發(fā)展趨勢。目前，機(jī)器學(xué)習(xí)已成為多學(xué)科解決復(fù)雜問題的重要手段,也是石油大數(shù)據(jù)研究的前沿?zé)狳c(diǎn)。隨著石油勘探開發(fā)技術(shù)的發(fā)展,石油數(shù)據(jù)以海量性、高速性和多樣性的特點(diǎn)快速積累,為機(jī)器學(xué)習(xí)提供了大量的數(shù)據(jù)樣本。

機(jī)器學(xué)習(xí)通過數(shù)據(jù)建立相應(yīng)模型的訓(xùn)練過程,最終生成一個(gè)面向某種性能度量的決策，常見的機(jī)器學(xué)習(xí)可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)(見圖1)。其中，監(jiān)督學(xué)習(xí)可分為回歸算法和分類算法?；貧w算法細(xì)分為線性回歸和非線性回歸,是對連續(xù)型數(shù)值變量進(jìn)行建模和預(yù)測,通過充分挖掘目標(biāo)參數(shù)和數(shù)據(jù)的內(nèi)在聯(lián)系建立二者之間的關(guān)系模型,得到較高精度的預(yù)測值。在孔隙度、滲透率、飽和度、TOC含量等儲(chǔ)層參數(shù)預(yù)測,以及聲波和密度曲線重構(gòu)等方面已有廣泛的應(yīng)用[9]。分類算法是對離散型數(shù)值變量建?；蝾A(yù)測,可分為決策樹、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、高斯處理等。主要通過分析測井曲線、沉積特征、孔隙類型、微觀結(jié)構(gòu)等相關(guān)參數(shù)與目標(biāo)參數(shù)的響應(yīng)特征,建立目標(biāo)參數(shù)的識(shí)別模型[10]，可對巖性、油氣層類別、裂縫判別以及縫洞充填物的類型進(jìn)行分類預(yù)測。而非監(jiān)督學(xué)習(xí)主要是聚類分析,該類方法基于數(shù)據(jù)的內(nèi)部結(jié)構(gòu)尋找無標(biāo)簽樣本的自然簇群,可以細(xì)分為K-means聚類和基于層次的聚類等,通常用于巖相和儲(chǔ)層流動(dòng)單元的劃分等。

圖1 常見的機(jī)器學(xué)習(xí)算法分類Fig.1 Classification of common machine learning algorithm

1.2 智能優(yōu)化理論

優(yōu)化問題是指在滿足一定條件下,在眾多方案或參數(shù)值中尋找最優(yōu)方案或參數(shù)值,以使得某個(gè)或多個(gè)功能指標(biāo)達(dá)到最優(yōu),或使系統(tǒng)的某些性能指標(biāo)達(dá)到最大值或最小值。傳統(tǒng)的優(yōu)化方法有著堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ),但只能解決小部分具有特殊數(shù)學(xué)特征的優(yōu)化問題,并不能很好地解決較為復(fù)雜的優(yōu)化問題,但實(shí)際的工程問題往往具有復(fù)雜性、非線性、約束性以及建模困難等諸多特點(diǎn),因此，尋求高效的優(yōu)化算法已成為相關(guān)學(xué)科的主要研究內(nèi)容之一[8]。

算法性能在當(dāng)今日新月異的科技發(fā)展中如日中天，優(yōu)化方法也在數(shù)學(xué)和計(jì)算機(jī)技術(shù)的發(fā)展下層出不窮,在借鑒自然界或生物體的各種原理和機(jī)理的基礎(chǔ)上,逐漸開發(fā)了諸多具有自適應(yīng)環(huán)境能力的智能優(yōu)化算法[11]。智能優(yōu)化算法是通過模仿自然和生物現(xiàn)象發(fā)展出的一類新的優(yōu)化算法,包括遺傳算法、粒子群優(yōu)化算法、差分進(jìn)化算法、模擬退火算法和免疫算法等。

智能優(yōu)化算法是智能優(yōu)化理論的核心組成部分,這些算法在油氣田勘探和開發(fā)的應(yīng)用將會(huì)在降低能耗和合理利用資源方面發(fā)揮更大的優(yōu)勢。國內(nèi)外學(xué)者在地質(zhì)分析、測井解釋、巖性識(shí)別、裂縫識(shí)別、生產(chǎn)指標(biāo)預(yù)測、地質(zhì)建模、油藏模擬等方面均開展了一些探索性研究,已經(jīng)取得了較好的應(yīng)用效果[7,12]。

2 機(jī)器學(xué)習(xí)在油氣田勘探中的應(yīng)用

隨著油氣勘探進(jìn)入成熟階段,頁巖油氣、煤層氣、碳酸鹽巖、超深層油氣等復(fù)雜油氣藏成為了目前勘探的熱點(diǎn)。但是，這些非常規(guī)油氣藏巖相的確定、儲(chǔ)層參數(shù)的預(yù)測以及油氣水層的識(shí)別不能套用常規(guī)油氣藏的方法。例如頁巖油氣藏需要確定地質(zhì)甜點(diǎn)與工程甜點(diǎn),并且孔隙度和有機(jī)質(zhì)在測井曲線上的響應(yīng)極其相似。如何在非常規(guī)油氣藏準(zhǔn)確識(shí)別地層的巖相、預(yù)測儲(chǔ)層物性和地化等相關(guān)參數(shù),以及識(shí)別流體性質(zhì)等是提高勘探開發(fā)效果的難點(diǎn)。常規(guī)的經(jīng)驗(yàn)算法難以獲得高準(zhǔn)確率,人工智能算法開辟了新的途徑。筆者團(tuán)隊(duì)將機(jī)器學(xué)習(xí)當(dāng)中的回歸算法應(yīng)用到儲(chǔ)層相關(guān)參數(shù)預(yù)測，將分類算法應(yīng)用到儲(chǔ)層流體識(shí)別，將聚類算法應(yīng)用到巖相分類,并確定了基于機(jī)器學(xué)習(xí)不同儲(chǔ)層評價(jià)目標(biāo)的應(yīng)用流程，為提高勘探開發(fā)效果提供新的方法途徑。

2.1 儲(chǔ)層參數(shù)預(yù)測

儲(chǔ)層物性參數(shù)、含油氣性參數(shù)以及地化相關(guān)參數(shù)等的預(yù)測,對于儲(chǔ)層評價(jià)以及有利區(qū)預(yù)測至關(guān)重要，精確預(yù)測可大大提高勘探效果。在非常規(guī)儲(chǔ)層當(dāng)中,尤其是頁巖油氣儲(chǔ)層,由于有機(jī)質(zhì)和孔隙度在測井響應(yīng)特征上相似,因此，以往的模型很難精確地求取相關(guān)參數(shù)。機(jī)器學(xué)習(xí)中的回歸算法可以在高維空間實(shí)現(xiàn)多元非線性回歸擬合,解決了傳統(tǒng)交匯圖和多元線性回歸的弊端。因此，筆者提出了利用機(jī)器學(xué)習(xí)的回歸算法建立儲(chǔ)層參數(shù)評價(jià)模型的流程(見圖2)，主要步驟包括:收集數(shù)據(jù);準(zhǔn)備訓(xùn)練集,選取與目標(biāo)參數(shù)相關(guān)的測井資料；構(gòu)建與目標(biāo)參數(shù)相關(guān)的新參數(shù);對數(shù)據(jù)進(jìn)行處理(缺值等);根據(jù)不同的權(quán)重計(jì)算方法選取不同的特征集;通過交叉驗(yàn)證多次迭代循環(huán)，利用相關(guān)回歸算法進(jìn)行模型訓(xùn)練;測試模型準(zhǔn)確性和誤差;通過模型之間的對比選取適合本次研究的模型;同時(shí)，根據(jù)現(xiàn)場應(yīng)用不斷更新數(shù)據(jù)集校正模型。

圖2 儲(chǔ)層參數(shù)計(jì)算的回歸算法流程圖Fig.2 Flow chart of regression algorithm for reservoir parameter calculation

以建立總有機(jī)碳(TOC)參數(shù)模型為例, 筆者團(tuán)隊(duì)提出了高斯處理回歸算法(GPR)建立機(jī)器學(xué)習(xí)預(yù)測模型[13], 高斯過程(GP)理論具有非參數(shù)推斷、 超參數(shù)自適應(yīng)獲取以及更高的適應(yīng)性和泛化能力等特點(diǎn), 更適合復(fù)雜儲(chǔ)層的TOC預(yù)測; 并且高斯處理回歸算法可以利用不同的核函數(shù), 更好地在高維空間運(yùn)行計(jì)算， 提高模型的精度(見圖3)。 通過4種權(quán)重分析獲得相應(yīng)的特征子集, 再探索7種核函數(shù)的適用性, 最終發(fā)現(xiàn)主元分析法確定的子集與Cauchy核函數(shù)具有最高的精度。 從圖4可以看出， 與傳統(tǒng)的TOC計(jì)算方法(Schmoker法和Passey法)結(jié)果進(jìn)行對比,高斯處理回歸預(yù)測的TOC與實(shí)測值的吻合度更好,預(yù)測精度顯著提高。

圖3 回歸算法原理示意圖Fig.3 Schematic diagram of regression algorithm principle

除了TOC預(yù)測之外,筆者團(tuán)隊(duì)還利用機(jī)器學(xué)習(xí)方法預(yù)測了孔隙度、飽和度等儲(chǔ)層參數(shù)[14-15],圖5是利用支持向量機(jī)計(jì)算頁巖中含油飽和度的結(jié)果，與巖心測試結(jié)果相關(guān)性很高。

圖4 基于高斯回歸算法的TOC測井解釋成果圖Fig.4 TOC logging interpretation result chart based on Gaussian regression algorithm

圖5 基于支持向量機(jī)回歸算法的飽和度測井解釋成果圖Fig.5 Saturation logging interpretation results chart based on SVM regression algorithm

2.2 流體性質(zhì)識(shí)別

常規(guī)儲(chǔ)層的含油氣性通過電阻率曲線可進(jìn)行準(zhǔn)確識(shí)別，但是，復(fù)雜油氣藏具有致密性、強(qiáng)非均質(zhì)性和復(fù)雜潤濕性等特點(diǎn),造成了電阻率測井曲線難以確定流體性質(zhì)的問題,這時(shí)需要多因素、多條測井曲線共同來判別。傳統(tǒng)的交匯圖法以及三維坐標(biāo)系圖法只能反映2～3條測井曲線特征,而機(jī)器學(xué)習(xí)中的分類方法可以進(jìn)行多因素分類。其中，白盒算法中的決策樹可以從多條測井曲線或者相關(guān)的巖性沉積特征當(dāng)中判別油氣的存在,實(shí)現(xiàn)多條曲線預(yù)測規(guī)則(見圖6)。因此,具體流程可參考圖2,但是要選擇相應(yīng)的分類算法。筆者團(tuán)隊(duì)利用決策樹算法進(jìn)行了碳酸鹽巖儲(chǔ)層的氣水識(shí)別，以及建立地層水化學(xué)參數(shù)與油氣封存性的關(guān)系,為油氣的開采提供了有利依據(jù)[16-17]。另外,目前很多精確率更高的黑盒算法如人工神經(jīng)網(wǎng)絡(luò)、 貝葉斯和支持向量機(jī)等可用來識(shí)別儲(chǔ)層流體、巖性[18]。除了直接分類之外,也可以建立新參數(shù)，通過判別法進(jìn)行流體性質(zhì)的識(shí)別。筆者團(tuán)隊(duì)針對碳酸鹽巖儲(chǔ)層流體性質(zhì)識(shí)別建立了A和B兩個(gè)判別參數(shù),該參數(shù)組合的交會(huì)圖識(shí)別效果比以往參數(shù)組合的識(shí)別效果更好[19](見圖7)。

圖6 基于決策樹算法的流體性質(zhì)預(yù)測示意圖Fig.6 Schematic diagram of fluid property prediction based on decision tree algorithm

圖7 不同參數(shù)組合的流體性質(zhì)識(shí)別交會(huì)圖Fig.7 The cross-plot of fluid property identification for different parameter combinations

2.3 巖相識(shí)別分類

巖相是在不同的沉積環(huán)境下所形成的巖石類別,在石油勘探開發(fā)過程中巖相可以指導(dǎo)油氣儲(chǔ)存的地質(zhì)甜點(diǎn)和油氣開發(fā)的工程甜點(diǎn)。尤其是針對復(fù)雜儲(chǔ)層,巖相的分類對于勘探開發(fā)至關(guān)重要。由于非常規(guī)儲(chǔ)層的復(fù)雜性,巖相的劃分標(biāo)準(zhǔn)很難確定,而機(jī)器學(xué)習(xí)中的聚類分析在巖相劃分及識(shí)別上可以突破這一瓶頸,發(fā)揮較大的作用[20]。聚類就是按照特定標(biāo)準(zhǔn)把一個(gè)數(shù)據(jù)集分割成不同的子集或類別,使得同一個(gè)類別的數(shù)據(jù)對象的相似性盡可能大,不同類別的數(shù)據(jù)差異性也盡可能大。因此，在巖相劃分中可以將巖性、礦物組成、分選、磨圓、粒徑等互相區(qū)別開來。為了更好地識(shí)別巖相之間的區(qū)別,筆者團(tuán)隊(duì)建立了巖相聚類的流程(見圖8)。首先，盡可能收集巖相相關(guān)的數(shù)據(jù),并且可以構(gòu)造反映巖相新的特征參數(shù),將數(shù)據(jù)進(jìn)行相關(guān)的數(shù)據(jù)預(yù)處理之后,選擇適合數(shù)據(jù)集的聚類算法和類別數(shù)量,最終根據(jù)準(zhǔn)確度確定聚類的模型,同時(shí)，根據(jù)實(shí)際生產(chǎn)數(shù)據(jù)不斷調(diào)整聚類的參數(shù)。

圖8 巖相劃分的聚類分析流程圖Fig.8 Flow chart of cluster analysis for determining lithofacies

筆者團(tuán)隊(duì)利用核磁共振測井選用層次聚類算法建立了鄂爾多斯盆地長7頁巖巖相的分類標(biāo)準(zhǔn)，相比于以往學(xué)者們常用的K-means算法，層次聚類不需要預(yù)先制定聚類數(shù)，可以發(fā)現(xiàn)類之間的層次關(guān)系，更好地建立巖相的類別。因此，筆者團(tuán)隊(duì)使用層次聚類算法，通過聚類分析流程(見圖8)，利用核磁共振測井對頁巖進(jìn)行巖相分類。因?yàn)楹舜殴舱駵y井可獲取地層不同的孔隙結(jié)構(gòu)特征，因此，對核磁共振T2譜進(jìn)行解剖分析，通過孔隙大小和類別等信息，建立了不同巖相的分類標(biāo)準(zhǔn)(見圖9)，形成分別發(fā)育裂縫、自由孔、束縛孔隙等7種不同的細(xì)分巖相和粗分巖相。最后，通過X衍射、掃描電鏡和薄片分析等實(shí)驗(yàn)結(jié)果證明通過測井曲線劃分的巖相與巖心吻合度很高，為頁巖儲(chǔ)存的地質(zhì)甜點(diǎn)預(yù)測提供相應(yīng)的理論支撐。

3 智能優(yōu)化在油氣田開發(fā)中的應(yīng)用

隨著全球石油資源品質(zhì)的不斷劣質(zhì)化,油氣資源開采的難度不斷加大,開采成本逐年攀高,油田開發(fā)領(lǐng)域智能化轉(zhuǎn)型是能源行業(yè)重要的戰(zhàn)略目標(biāo),但傳統(tǒng)技術(shù)無法解決非線性程度高的復(fù)雜問題,因此，人工智能在油氣田開發(fā)中的應(yīng)用越來越廣泛。筆者團(tuán)隊(duì)利用機(jī)器學(xué)習(xí)算法和智能優(yōu)化理論,結(jié)合數(shù)值模擬和數(shù)字巖心技術(shù),在自動(dòng)井位優(yōu)化、水驅(qū)油藏優(yōu)勢通道分級(jí)和CO2驅(qū)油與封存等方面開展深入研究,并取得了階段性進(jìn)展。

3.1 壓裂裂縫識(shí)別

微地震測量結(jié)果能夠用來反映復(fù)雜水力裂縫網(wǎng)絡(luò)的空間位置、幾何復(fù)雜程度以及壓裂儲(chǔ)層改造體積。筆者團(tuán)隊(duì)針對基于隨機(jī)采樣一致性的高穩(wěn)定性和高魯棒性的擬合方法(random sample consensus,RANSAC)改進(jìn)了裂縫產(chǎn)狀的計(jì)算。這種方法被廣泛用于處理計(jì)算機(jī)視覺圖像領(lǐng)域中點(diǎn)云的幾何特征，每次迭代都有兩個(gè)不可或缺的步驟——假設(shè)和驗(yàn)證,以便于獲得最優(yōu)解，并且在坐標(biāo)軸上的截距與裂縫的產(chǎn)狀3要素(傾向、傾角和走向)之間存在數(shù)學(xué)聯(lián)系。同時(shí)，采用改進(jìn)的RANSAC算法和微震事件生成3D離散裂縫網(wǎng)絡(luò),在遠(yuǎn)離壓裂改造的區(qū)域識(shí)別出較少天然裂縫。不同區(qū)域的地震屬性存在一些區(qū)別,特別是在水平段的跟部和趾部，水平段趾部天然裂縫與水力裂縫擴(kuò)展方向平行,而跟部天然裂縫則與水力裂縫擴(kuò)展方向垂直(見圖10)。

3.2 自動(dòng)井位優(yōu)化

在任何類型油藏的任意開發(fā)階段,井位優(yōu)化對提高采收率都至關(guān)重要。目前，石油工業(yè)普遍采用的井位設(shè)計(jì)方法是根據(jù)油藏工程師的經(jīng)驗(yàn),從事先設(shè)計(jì)好的幾套方案中利用數(shù)值模擬和經(jīng)濟(jì)評價(jià)篩選出最優(yōu)的一個(gè)。但是，井與油藏的配置關(guān)系是一個(gè)非線性程度強(qiáng)、復(fù)雜程度高的問題,單純地依靠人為經(jīng)驗(yàn)很難得到最有效的方案,并且不同專家由于經(jīng)驗(yàn)、知識(shí)及認(rèn)識(shí)觀點(diǎn)的不同,最終給出的方案可能大不一樣[21]。鑒于專家個(gè)體的局限性,做出的決策難免受數(shù)據(jù)模糊性以及信息量巨大的影響而出現(xiàn)失誤,故布井方案風(fēng)險(xiǎn)性很大,因此，就促使了自動(dòng)井位優(yōu)化技術(shù)的出現(xiàn)。

圖10 利用改進(jìn)的RANSAC算法和微震事件生成的3D離散裂縫網(wǎng)絡(luò)Fig.10 3D DFN generated using improved PANSAC algorithm and microseismic events

自動(dòng)井位優(yōu)化一般是借助于油藏模型和人工智能優(yōu)化算法,通過計(jì)算機(jī)自動(dòng)迭代優(yōu)化輸入的井位和生產(chǎn)制度等參數(shù)得到最優(yōu)的目標(biāo)函數(shù)(累計(jì)產(chǎn)油量COP或凈現(xiàn)值NPV)。數(shù)值模擬模型是自動(dòng)井位優(yōu)化中的基礎(chǔ)工具,一般用于井位優(yōu)化中目標(biāo)函數(shù)的評價(jià)。但幾乎99%的CPU消耗都花費(fèi)在基于數(shù)值模擬器的目標(biāo)函數(shù)評價(jià)上,較大地影響了井位優(yōu)化的效率[22]。因此,筆者團(tuán)隊(duì)提出生產(chǎn)潛力圖輔助、混合目標(biāo)函數(shù)以及混合算法進(jìn)行井位優(yōu)化研究。

1)基于生產(chǎn)潛力圖輔助的井位優(yōu)化

生產(chǎn)潛力圖(quality map,QM)是由Cruz等人提出的,用于表征油藏平面不同區(qū)域的累計(jì)產(chǎn)油能力大小,在QM的指導(dǎo)下進(jìn)行布井可以大大降低布井的風(fēng)險(xiǎn)[23]。由于井位優(yōu)化中的算法多為智能迭代類算法,初值的選擇對算法收斂性有一定影響,因此，筆者團(tuán)隊(duì)利用生產(chǎn)潛力圖和改進(jìn)粒子群算法(modified particle swarm optimization,MPSO),建立了井位優(yōu)化方法[24]。該方法通過對粒子群算法的初值優(yōu)選和更新策略的改進(jìn),提高了算法的整體優(yōu)化效果。針對典型測試油藏PUNQ-S3模型,對比了QM+MPSO、MPSO、SPSO(標(biāo)準(zhǔn)粒子群算法)和CP-PSO(中心-漸進(jìn)粒子群算法)這4種優(yōu)化方法部署10口生產(chǎn)井的井位優(yōu)化效果,從不同方法凈現(xiàn)值迭代優(yōu)化結(jié)果(見圖11)可以看出SPSO的改進(jìn)是有效的,且綜合生產(chǎn)潛力圖和改進(jìn)粒子群算法可以取得較高的經(jīng)濟(jì)效益。

圖11 不同優(yōu)化方法下凈現(xiàn)值隨迭代次數(shù)的變化Fig.11 NPV with the number of iterations under different optimization methods

生產(chǎn)潛力雖然可以提高優(yōu)化的效果,但并不能顯著降低優(yōu)化所需的耗時(shí),因此，筆者團(tuán)隊(duì)基于生產(chǎn)潛力圖提出潛力閾值決策理念(threshold value of productivity potential,TVPP),在基于粒子群算法(PSO)的目標(biāo)函數(shù)迭代評價(jià)中通過潛力值閾值過濾掉潛在的無效方案,降低了自動(dòng)井位優(yōu)化目標(biāo)函數(shù)的評價(jià)次數(shù)和計(jì)算時(shí)間,并在一定程度上提高了優(yōu)化效果[22](見圖12～圖13)。

考慮生產(chǎn)井的生產(chǎn)潛力和注水井的注入潛力,提出了新型生產(chǎn)潛力圖(new productivity potential map,NPPM),同時(shí)用于直井和斜井井位優(yōu)化的自動(dòng)初始化,考慮到智能算法的隨機(jī)性,方法效果對比采用運(yùn)算5次取平均值的方法,實(shí)例應(yīng)用結(jié)果表明該方法相對于已有的生產(chǎn)潛力圖初始化方法(modified productivity potential map,MPPM)和隨機(jī)初始化方法(random initiatization,RI),不僅提高了井位優(yōu)化的效果,同時(shí)提高了智能算法的魯棒性[25](見圖14～圖15)。

圖12 基于潛力閾值決策理念輔助的井位優(yōu)化流程圖Fig.12 The flow chart of well placement optimization assisted by TVPP

圖13 不同潛力閾值下的凈現(xiàn)值和優(yōu)化時(shí)間Fig.13 NPV and optimization time under different TVPP

圖14 新型潛力圖斜井初始化示意圖Fig.14 A schematic diagram of the deviated well initialization with NPPM

2)基于混合目標(biāo)函數(shù)的井位優(yōu)化

潛力閾值決策理念可以大幅度降低優(yōu)化的耗時(shí),但也會(huì)潛在過濾掉很多有效方案。因此,筆者團(tuán)隊(duì)對比分析了生產(chǎn)潛力值(PPV)與傳統(tǒng)目標(biāo)函數(shù)(TOF)中累計(jì)產(chǎn)油量(COP)的一致性關(guān)系,提出了基于粒子群算法和混合目標(biāo)函數(shù)(HOF)的自動(dòng)井位優(yōu)化策略,實(shí)例應(yīng)用結(jié)果表明該策略在保持優(yōu)化結(jié)果相當(dāng)或者更好的條件下可以減少模擬器調(diào)用的次數(shù),前25%的迭代步以PPV為目標(biāo)函數(shù),后續(xù)75%的迭代步以TOF為目標(biāo)函數(shù)，組合可以取得最好的優(yōu)化效果[26](見圖16～圖17)。

圖15 不同初始化策略最終的凈現(xiàn)值對比Fig.15 Final NPV comparison of different initialization strategies

圖16 混合目標(biāo)函數(shù)優(yōu)化流程圖Fig.16 Flow chart of hybrid objective function optimization

圖17 平均最優(yōu)COP和模擬次數(shù)的關(guān)系Fig.17 Average optimal COP vs simulation runs

3)基于混合算法的井位優(yōu)化

智能優(yōu)化理論中的無梯度算法分為全局優(yōu)化算法和局部優(yōu)化算法兩大類,全局優(yōu)化算法能夠在模型的全空間內(nèi)搜索到問題的最優(yōu)解,但算法的局部隨機(jī)性依然存在。局部優(yōu)化算法一般來說只能找到目標(biāo)函數(shù)在模型參數(shù)空間中某一局部區(qū)域內(nèi)的最優(yōu)解,能否找到全局最優(yōu)解,與初始點(diǎn)的位置有很大關(guān)系。在大量的實(shí)際應(yīng)用研究中發(fā)現(xiàn),單一的智能優(yōu)化算法在某些領(lǐng)域的作用有限,如果采用混合算法,用其他智能優(yōu)化算法的思想對某種智能優(yōu)化算法進(jìn)行改進(jìn),往往會(huì)取得更好的優(yōu)化效果[27],因此，筆者團(tuán)隊(duì)聯(lián)合全局優(yōu)化算法中的標(biāo)準(zhǔn)粒子群算法(standard particle swarm optimization,SPSO)和局部優(yōu)化算法中的胡克-吉夫斯直接搜索算法(Hooke-Jeeves direct search,HJDS)進(jìn)行井位優(yōu)化研究,結(jié)果表明，混合算法的效果要好于單獨(dú)的算法[28](見圖18)。

圖18 不同優(yōu)化方法下凈現(xiàn)值隨迭代次數(shù)的變化Fig.18 NPV with the number of iterations under different optimization methods

3.3 優(yōu)勢通道分級(jí)

優(yōu)勢通道是砂巖油藏長期注水開發(fā)后,由于儲(chǔ)層嚴(yán)重出砂形成的高滲通道,其形成后會(huì)使注入水低效、無效循環(huán),加劇油層非均質(zhì)性,導(dǎo)致油井含水快速上升[29]。傳統(tǒng)的識(shí)別方法如生產(chǎn)測井資料、取心井資料、示蹤劑監(jiān)測資料、試井資料和生產(chǎn)動(dòng)態(tài)資料等都是基于單井?dāng)?shù)據(jù)進(jìn)行評價(jià),結(jié)果往往存在一定差異。機(jī)器學(xué)習(xí)算法中的無監(jiān)督學(xué)習(xí)聚類算法,是將海量數(shù)據(jù)中具有相似特征的數(shù)據(jù)自動(dòng)聚為一類。筆者團(tuán)隊(duì)將模糊C均值聚類分析方法(fuzzy C-means clustering method,FCM)和數(shù)值模擬技術(shù)結(jié)合,首次提出了基于模型網(wǎng)格的優(yōu)勢通道分級(jí)評價(jià)方法,完成了海相砂巖油藏優(yōu)勢通道的分級(jí)。該方法的特色在于考慮了井間優(yōu)勢通道發(fā)育的特征參數(shù),將分級(jí)結(jié)果(見圖19A)與常規(guī)的基于單井的分級(jí)結(jié)果(見圖19B)進(jìn)行了對比,并根據(jù)示蹤劑監(jiān)測資料證明了前者的分級(jí)結(jié)果更符合現(xiàn)場實(shí)際[30-31]。

圖19 不同方法優(yōu)勢通道分級(jí)結(jié)果平面圖Fig.19 Two dimensional classification results of thief zones by different methods

3.4 CO2驅(qū)油與封存

在油田三次采油方式中,CO2驅(qū)油提高采收率(CO2-EOR)是一項(xiàng)已經(jīng)在油田應(yīng)用超過40年的較為成熟的開發(fā)方式。自從20世紀(jì)90年代以來,CO2地質(zhì)封存就一直被認(rèn)為是緩解大氣中CO2排放量的有效措施,其中，油藏埋存由于其穩(wěn)定的蓋層封閉特性和成熟的地面配套設(shè)施成為CO2埋存的理想場所[32-33]。CO2驅(qū)油與封存屬于碳捕集、利用與封存(carbon capture,utilization and storage,CCUS)技術(shù)中的重要組成部分,隨著“雙碳”目標(biāo)的提出,將人工智能應(yīng)用于油氣田CO2驅(qū)油與封存中將會(huì)為石油工業(yè)的減排提供更多的決策依據(jù)。因此,從微觀上利用數(shù)字巖心技術(shù)發(fā)現(xiàn)CO2驅(qū)油微觀機(jī)理,再結(jié)合微觀機(jī)理從宏觀上利用智能優(yōu)化方法開展CO2驅(qū)油與封存。

1)CO2驅(qū)替對儲(chǔ)層微觀結(jié)構(gòu)的作用

CO2在高溫高壓下和水結(jié)合是強(qiáng)酸,pH值在2～3之間,因此，利用CO2驅(qū)替地下飽含水的巖層會(huì)對其產(chǎn)生溶蝕作用,溶蝕后流體中的離子又會(huì)出現(xiàn)重沉積和沉淀作用。所以在CO2驅(qū)替過程中易對儲(chǔ)存的微觀結(jié)構(gòu)進(jìn)行改造,進(jìn)而影響CO2驅(qū)替和封存的可行性。不同巖性地層會(huì)有不同的影響,因此，需要對不同地層進(jìn)行CO2驅(qū)替的可行性研究。筆者團(tuán)隊(duì)利用數(shù)字巖心技術(shù)開展高溫高壓下CO2驅(qū)替實(shí)驗(yàn)研究(見圖20),分析驅(qū)替前后儲(chǔ)層的微觀結(jié)構(gòu)變化[34]。圖21展示了鄂爾多斯盆地疏松砂巖樣品中的單個(gè)孔隙在飽和CO2地層水驅(qū)替前后的變化。從圖22可以明顯看出，驅(qū)替后砂巖樣品孔隙變大,但是數(shù)字巖心提取的連通孔隙網(wǎng)絡(luò)壓力模擬結(jié)果表明后期又出現(xiàn)過重沉積和沉淀,導(dǎo)致滲透率下降,因此，這類儲(chǔ)層可以進(jìn)行CO2的驅(qū)替但是數(shù)量有限。

圖20 基于數(shù)字巖心的CO2驅(qū)替實(shí)驗(yàn)示意圖Fig.20 The experimental schematic of CO2 core flooding based on digital rock

A和B為驅(qū)替前初始孔隙體積；C和D為驅(qū)替后孔隙體積；E和F為驅(qū)替前后的組合圖注：圖E和圖F中灰色表示驅(qū)替后增加的孔隙體積，紅色表示驅(qū)替前初始的孔隙體積圖21 飽和二氧化碳的鹽水驅(qū)替砂巖樣品前后的孔隙結(jié)構(gòu)3維可視化Fig.21 3D visualization of pore structure before and after sandstone samples by carbon dioxide-saturated brine flooding

圖22 飽和二氧化碳的鹽水驅(qū)替砂巖樣品前后的孔隙壓力3維可視化Fig.22 3D visualization of pore pressure before and after sandstone samples by carbon dioxide-saturated brine flooding

探索CO2封存在地下儲(chǔ)層的安全性,作為蓋層頁巖,其封存效率研究是非常重要的,因此，筆者團(tuán)隊(duì)選擇具有天然裂縫的頁巖作為研究對象,利用超臨界CO2驅(qū)替含有天然裂縫的頁巖,發(fā)現(xiàn)隨著驅(qū)替時(shí)間增長,裂縫逐漸閉合[35](見圖23)。這一結(jié)果表明頁巖作為蓋層封存二氧化碳是有效的且可行的。

圖23 超臨界CO2驅(qū)替含天然裂縫頁巖樣品前后的裂縫3維可視化Fig.23 3D visualization of fractures before and after shale samples containing natural fractures by supercritical CO2 flooding

2)CO2驅(qū)油與封存自動(dòng)優(yōu)化

CO2-EOR的目標(biāo)是通過生產(chǎn)每桶原油注入最少量的CO2來獲得最大收益,CO2地質(zhì)埋存的目標(biāo)是只考慮最大限度地埋存CO2,而在CO2-EOR和CO2埋存相結(jié)合的工程中的目標(biāo)是在驅(qū)替結(jié)束時(shí)提高的產(chǎn)油量和CO2的埋存量都達(dá)到最大。但CO2的埋存量和驅(qū)替結(jié)束時(shí)提高的產(chǎn)油量之間并沒有必然的線性關(guān)系[36]。在特定的條件下,CO2的埋存量和增油量與相關(guān)注入?yún)?shù)之間存在復(fù)雜的非線性關(guān)系,這時(shí)候必須綜合利用多種手段才能實(shí)現(xiàn)所需目標(biāo)的最大化。隨著油田綠色低碳理念的發(fā)展,如何在CO2利用中滿足不同開發(fā)者的需求是急需解決的問題。筆者團(tuán)隊(duì)將智能優(yōu)化理論應(yīng)用于CO2驅(qū)油與封存工程的優(yōu)化中,提出基于粒子群算法和數(shù)值模擬技術(shù)的低滲油藏CO2驅(qū)油與封存自動(dòng)優(yōu)化方法,并以某低滲油藏典型井組為例,進(jìn)行優(yōu)化方法對于不同注入方式和不同優(yōu)化目標(biāo)的適應(yīng)性分析,研究成果可為不同操作者的決策需求提供科學(xué)的理論依據(jù)。圖24展示了CO2連續(xù)注入方式下CO2埋存量隨迭代次數(shù)變化的自動(dòng)優(yōu)化結(jié)果[37]。

圖24 CO2連續(xù)注入方式下CO2埋存量隨迭代次數(shù)增大的變化曲線Fig.24 The change curve of CO2 storage capacity with the increase of iterations under CGI mode

4 結(jié)語

隨著石油工業(yè)4.0時(shí)代的到來,人工智能將助力石油工業(yè)進(jìn)入智能化新時(shí)代,并徹底顛覆油氣田勘探開發(fā)領(lǐng)域中的傳統(tǒng)解決思路。人工智能與油氣勘探開發(fā)技術(shù)的融合將在油氣田勘探開發(fā)環(huán)節(jié)中優(yōu)化作業(yè)流程、降低生產(chǎn)成本、提高油氣產(chǎn)量和提升油氣相關(guān)企業(yè)的核心競爭力方面發(fā)揮無可替代的作用。本文系統(tǒng)梳理了團(tuán)隊(duì)近幾年在利用人工智能解決油氣田勘探和開發(fā)難題的系列技術(shù),期望為油氣田的高效開發(fā)提供理論支持和技術(shù)保障,并加快推動(dòng)我國石油工業(yè)的數(shù)字化進(jìn)程。

為進(jìn)一步挖掘人工智能提高油氣勘探開發(fā)的潛力,提升人工智能的應(yīng)用效果,筆者提出幾點(diǎn)思考：① 勘探開發(fā)問題具有明顯的區(qū)域性特征,具有小樣本、多解性的特點(diǎn),建立在大數(shù)據(jù)基礎(chǔ)上的人工智能技術(shù)需要明確輸入和輸出的映射關(guān)系,因而需厘清人工智能算法在油氣勘探開發(fā)中的適用性;② 人工智能技術(shù)的應(yīng)用主要停留在解決單一學(xué)科的問題,但隨著技術(shù)的發(fā)展應(yīng)融合不同學(xué)科的數(shù)據(jù),充分從數(shù)據(jù)中挖掘潛在的價(jià)值信息;③ 人工智能與油氣勘探開發(fā)基礎(chǔ)理論深度結(jié)合,在算法的迭代計(jì)算中考慮油氣田勘探開發(fā)的現(xiàn)場實(shí)際,提升算法應(yīng)用的工程合理性;④ 地球物理、油田開發(fā)等科學(xué)研究積累了大量領(lǐng)域知識(shí)和機(jī)理模型,通過機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)融合以提高人工智能技術(shù)的準(zhǔn)確性和收斂性;⑤ 人工智能、大數(shù)據(jù)和模型的交叉融合,構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)和機(jī)器學(xué)習(xí)的智能優(yōu)化理論體系,實(shí)現(xiàn)針對不同問題的高效優(yōu)化,最大化提升理論方法的計(jì)算效率。人工智能技術(shù)雖然在油氣田勘探開發(fā)中展現(xiàn)出巨大的潛力,但充分認(rèn)識(shí)油氣田勘探開發(fā)中的實(shí)際問題,才能更好地駕馭人工智能技術(shù)。

總之,人工智能方法已經(jīng)逐步應(yīng)用于油氣田勘探開發(fā)的各個(gè)環(huán)節(jié)中,應(yīng)用面臨著無限的機(jī)遇,也面對很大的挑戰(zhàn)，筆者團(tuán)隊(duì)未來的研究將會(huì)重點(diǎn)在測井、壓裂、布井、提高采收率及CO2驅(qū)替封存智能油田方向,以點(diǎn)帶面,期望能進(jìn)一步推動(dòng)此領(lǐng)域的發(fā)展,更好地適應(yīng)時(shí)代科學(xué)技術(shù)發(fā)展趨勢,為油氣田的高效智能開發(fā)提供理論及技術(shù)支撐。

致謝：特別感謝趙文智院士、孫衛(wèi)教授和羅曉容研究員的建設(shè)性意見和建議。