人工智能技术助力油藏研究转型实践

人工智能技术助力油藏研究转型实践

发布时间：2022-06-13T05:56:03.802Z 来源：《中国科技信息》2022年第2月4期作者：郑毅李明江彭红涛

[导读] 随着物联网、云计算、人工智能等IT新技术的发展，石油行业借助IT新技术升级转型成为新的发展战略

郑毅李明江彭红涛

中海油能源发展股份有限公司工程技术分公司天津 300452

摘要：随着物联网、云计算、人工智能等IT新技术的发展，石油行业借助IT新技术升级转型成为新的发展战略，其中油气藏研究是一项信息量大、知识量大、繁杂的工作，本文通过分析油气藏研究中的特点和难点，在研究筛选合适的人工智能技术应用到油藏研究中，形成一条智能化转型的路线，并以具体的业务应用验证其可行性，可为其它业务或行业提供参考。

关键词：人工智能、大数据、知识图谱、IPR、微服务

Artificial intelligence technology helps reservoir research transformation practice

Abstract: with the development of new IT technologies such as Internet of things, cloud computing and artificial intelligence, the oil industry has transformed into a new development strategy with the help of new IT technologies. Among them, oil and gas reservoir research is a work with large amount of information, knowledge and complexity. By analyzing the characteristics and difficulties in oil and gas reservoir research, this paper studies and selects appropriate artificial intelligence technology to be applied to reservoir research, Form an intelligent transformation route, and verify its feasibility with specific business applications, so as to provide reference for other businesses or industries.

Keywords: artificial intelligence, big data, knowledge graph,IPR, microservices

前言

人工智能的发展是智能油田建设的推进剂，行为主义、联结主义和符号主义是人工智能的三大流派，知识工程和机器学习分别是符合主义与联接主义的代表。

知识工程是运用现代科学技术手段高效率、大容量的获得知识、信息的技术。主要包括：知识获取、知识表示和知识应用。而大数据知识工程是在大数据背景下，知识图谱为代表的新一代知识工程。以油气开发生产理论体系为指导，建立知识图谱。运用RPA（机器人流程自动化）技术，自动拟规律、推演合理技术政策，为各油藏、注采智能分析模型建立技术边界，综合运用各自适用的大数据算法，对模型进行迭代跟踪学习优化，使模型契合现场应用，赋能油藏潜力挖掘，提高采收率。

1油藏研究工作的特点及痛点

油藏研究是油气田开发生产重要的业务活动，其通过多维度研究油藏情况，制定合理的调整方案和措施建议，由于油藏研究属于黑盒研究，需要多种数据类型最大限度的模拟油藏系统的真实情况，这决定了其具有数据类型多、计算复杂性、研究结果的多解性、理论和经验相互结合等特点。目前油藏研究普遍面临着数据采集困难、数据采集成本高、数据模拟的准确性偏低、人工处理数据工作量大、模拟结果验证困难等痛点。

2.人工智能技术在油藏研究中的价值

2.1人工智能技术

工业智能的本质是通用人工智能技术与工业场景、机理、知识结合，实现设计模式创新、生产智能决策、资源优化配置等创新应用。需要具备自感知、自学习、自执行、自决策、自适应的能力，以适应变幻不定的工业环境，并完成多样化的工业任务，最终达到提升企业洞察力，提高生产效率或设备产品性能等目的。如图1所示，油气田开发过程中的油藏研究是工业场景之一，通过对油藏研究特点结合工业智能的基本框架可知，油藏研究中的问题既有低不确定度、高计算复杂度的问题，也有高不确定度、高计算复杂度问题，可以选用的工业智能主要类型包括知识图谱、深度学习和组合方法。

图1 工业智能的基本框架和主要类型

2.2油藏研究与人工智能技术结合点分析

油藏研究是一个复杂系统性工作，本研究中只针对油藏研究中的油气田生产监测、注采方案制定两个业务点进行智能化提升。

油气田生产监测主要业务内容：基于实时采集和人工采集的采油井、注水井动态数据，油藏区块地质数据、流体数据，结合油藏指标算法、开发规律，动态分析区块和单井生产动态是否合理，对出现异常的单井和区块，结合油藏动态分析流程分析其原因。油气田生产监测需要动态监测，及时性越高越好，并且在监测分析过程中覆盖地下、井筒、地面多维度设施及数据，数据处理工作量大且具有重复性，耗时耗力，分析不及时可能导致生产损失。

注采方案制定是注水油藏的一项重要工作，是针对油藏区块生产出现异常、或者为了提高产量而采取的一项油藏措施，其研究对象分

为区块、多井组、单井组，输出成果为研究对象的注水调整方案、采油井生产制度调整方案，研究过程中应用到了井间连通性数据、油层孔渗饱数据、流体物性数据、压力数据、以及油水井生产动态数据等，计算过程复杂，需要考虑到单井开关井、措施情况，依靠纯油藏工程师耗时费力，并且容易出错。

以下为油藏研究痛点与人工智能技术应用的结合点。（1）动态监测耗时：专家系统、知识图谱；（2）注采方案制定计算量大：专家系统、机器学习。

3.人工智能技术在油藏研究中的实践

本实践在上述研究基础上，研发了一套油藏生产监测优化系统，并在某海上油田试点运行，验证了油藏研究与人工智能技术结合技术路线可行性。系统建设主要应用了专家系统、知识图谱、机器学习等人工智能技术，下面以知识图谱和专家系统为例说明人工智能技术在油藏研究中的应用。

3.1知识图谱

知识图谱是应用到油藏生产监测预警及分析的业务中，把油藏生产监测、归因分析的知识，以知识图谱的方式进行转化成智能模型，在数据驱动+模型驱动作用下，驱动智能模型实现油藏生产的实时监测及归因分析。具体模型如下：按照知识图谱构建方法，梳理油藏生产监测预警的本体、本体之间关系、及属性特征。如图2所示，以采油井供液不足为例说明：该知识图谱描述了电潜泵采油井供液不足故障发生的数据表征，以及导致该故障发生的各类原因、每类原因的数据表征。通过该知识图谱可以实现电潜泵井的供液不足预警及归因分析。

图2 知识图谱示例驱动流程：表示模型的数据输入、处理、输出。如图3所示，本流程中涉及到2个关键点：数据嗅探和数据处理。数据嗅探是按需求主动到制定的数据源中获取所需数据。数据处理是按照制定的处理算法把原始数据处理成模型所需要的数据，包括数据特征计算。

图3 数据驱动模型计算流程3.2专家系统

专家系统是应用到油藏研究中注采方案制定的业务中，把专业理论+现场经验中形成的注采方案制定流程和算法转化成智能模型，在数据驱动+模型驱动作用下，驱动智能模型实现油藏生产优化中注采方案的制定。

专家知识：注采方案制定应用到的理论知识和现场经验，通过油藏工程师提供，并进行结构化梳理，形成IT人员能解读的知识描述。注采方案制定包括了注水井单层注水量计算、采油井单层产液量计算、区块配注量计算、采油井液量计算、单井配注5块内容。以注水井单层注水量计算为例说明专家知识的描述结果：(1)数据源（I）