油气人工智能课程实践案例融合与效果评价

人工智能时代下,各行业的交叉学科建设也在不断探索中。针对“油气人工智能”交叉学科的教学建设这一问题,文章研究探索了基于案例式的油气人工智能教学模式。文章从油气人工智能教学的选题模式、学习模式、课程实践模式等方面进行分析,通过具体的教学实施,开展了案例库建立、案例融合教学实践以及教学反馈评价等教学活动,可以为油气人工智能课程的建设提供启发。

油气人工智能课程群建设及课程分类管理机制研究

在“双碳”目标下,石油和天然气行业的数字化和智能化转型是保障国家能源安全、促进油气行业高质量发展的重要基础。随着人工智能上升为国家战略,社会对油气行业高校的人才培养提出了全新的要求。为服务国家战略需求,推动人工智能科技前沿进展,整合油气学科优质资源,发挥高校在交叉学科人才培养中的作用,构建油气与人工智能多学科交叉课程群,组建多元化优质师资队伍,规范课程分类管理制度,开展多学科交叉教育教学模式创新,能够为我国油气领域人工智能人才的培养提供重要支撑。

压裂泵注智能决策系统设计理念与路径探讨

油气藏改造过程中的压裂泵注具有工艺复杂多变、过程不可逆、高风险等特点,需要及时准确地进行决策调控,进而提升压裂改造效果。目前决策方式主要以压裂设计泵注程序为基础,人为调控泵注参数。随着人工智能技术的发展,构建压裂泵注智能决策系统、实现自主决策已成为可能。为此,在综述国内外压裂泵注决策研究现状的基础上,提出了基于强化学习理论的压裂泵注智能决策设计理念,并探讨了实现路径。研究结果表明:(1)压裂泵注智能决策系统的核心是泵注决策智能体,由其自主决策泵注程序和优化参数,同时将决策动作传递给地面装备,构成闭环调控,实现泵注过程“自动驾驶”;(2)基于强化学习理论的压裂泵注智能决策设计理念,即以强化学习为核心,以压裂大数据为基础,以机理模型认识和专家先验知识为约束,构建压裂仿真环境,训练泵注决策智能体,可以实现泵注参数实时优化决策与地面装备闭环调控;(3)压裂泵注智能决策系统主要通过压裂工况自主判识、裂缝扩展动态感知与风险预警、压裂泵注参数优化决策、地面装备自主调控、压裂泵注数字孪生等技术实现系统功能。结论认为,基于强化学习理论的压裂泵注智能决策设计理念,有望为加快压裂泵注智能化进程提供有益参考,有助于油气的高效开发。

井漏风险层位钻前智能识别方法研究

井漏是复杂地层钻井工程常遇到的工程难题,呈现出频发性、随机性与持续性等特征,钻前准确预测井漏风险层位对于安全钻井显得尤为重要。传统井漏层位分析偏重于随钻诊断和钻后总结,主要采用工程数据与现场经验相结合的手段,导致分析结果存在滞后性,无法在钻前有效指导钻井工程设计。本文以地震属性体数据和漏失工程数据为基础,在具有典型漏失特征单井选取的基础上,提取过井地震属性体数据,通过时深关系将漏失与地震属性相匹配,并采用随机森林方法甄别优选出与井漏预测相关性强的地震属性体,然后运用机器学习方法中的软投票算法建立集成学习模型,该模型融合了逻辑回归、随机森林和支持向量机3个子模型,实现了多元地震属性体与漏失工程数据之间的非线性映射关系及其对应权重的表征,同时获得基于地震与工程数据融合驱动的漏失风险层位分布概率,实现钻前井漏风险层位三维空间分布预测。研究结果表明,方差、时频衰减、甜点和均方根振幅与井漏的相关性最高,综合上述多种属性体可以实现更为精确的井漏风险预测,而过多增加地震属性数据并不能显著提升预测效果精度,相反还会增加计算成本。与单一机器学习模型相比,集成学习模型由于融合了多个子模型的优点,能够取得更好的预测效果。实际应用效果表明,采用地震属性体进行漏失风险预测,其精度取决于地震数据的采样率,井漏风险层位区域横向预测分辨率约为25 m,纵向预测分辨率约为6m(2ms),预测结果表明横向相比于纵向更为可靠。但由于时深关系的影响,可能导致纵向预测精度的偏移。本研究能够较好的进行钻前漏失预测,为钻前漏失预测提供了一种新的思路,对于指导井位部署、井眼轨道优化以及安全钻井具有重要意义。

基于模式约束的油层单元智能自动对比方法——以渤海湾盆地史南油田史深100区块加积式地层对比为例

针对基于数据驱动的地层自动对比方法难以适应侧向沉积相变快及地层厚度差异大的油层单元自动对比这一问题,建立基于模式约束的油层单元智能自动对比方法。该方法提出在油层单元自动对比中引入知识驱动,采用地层发育模式约束油层单元自动对比过程,并将地层模式约束思想引入构建的相似性度量机及改进的条件约束动态时间规整算法,实现了对标志层及各油层单元界面的自动对比。渤海湾盆地史南油田史深100区块的应用表明:与人工对比结果相比,该方法标志层识别吻合率高于95.00%,油层单元识别平均吻合率达90.02%;与已有自动对比方法相比,油层单元识别平均吻合率提升约17个百分点,有效提高了油层单元自动对比精度。

考虑智能体前置状态及环境特征自适应机制的强化学习电网调度方法

高比例可再生能源的接入使得电网潮流难以预测与控制,给电网的安全稳定运行带来了新的挑战。相较于传统的调度控制模式,以强化学习为代表的智能调度方式能够应对部分可观测电网环境下的顺序决策问题,但在电网中可再生能源比例发生变化时易出现适应性较差的状况。针对该问题,以Actor-Critic为基础框架,采用前置状态表征智能体状态,并引入环境特征自适应机制,用于可再生能源比例变化场景的电网调度任务。由于调度动作后的电网状态受源荷波动等外源性随机事件影响,易引起状态空间爆炸问题,在潮流计算之前采用前置状态表征智能体状态,可有效缩减状态空间。引入环境特征的自适应机制可有效避免“决策遗忘”的问题,从而提高智能体对电网中可再生能源比例变化的适应性。仿真实验结果表明,在可再生能源比例动态变化的118节点电网调度任务中,该方法在收敛速度和控制稳定性等方面均表现优异。

融合旋转位置编码与掩码条件随机场的钻井工程命名实体智能识别方法

钻井工程报告记录了油气藏的地质信息以及钻井工程的参数,自动提取报告中的非结构化信息能够显著提高数据入湖的效率,从而实现高效数据管理。然而,这类报告通常具有特定领域的特征,且结构和语言的多样性给命名实体的准确识别带来了诸多挑战。目前,命名实体识别常用的深度神经网络模型通常基于小规模标注数据集进行训练或微调,导致两方面问题。首先,缺乏大规模的标注语料库,限制了训练样本的多样性,进而导致模型在面对新数据或未见过的数据时表现不佳,降低了模型在不同类型数据上的泛化能力。其次,现有模型缺乏针对长距离上下文的文本建模能力,由于相关实体可能分散在钻井工程报告内较长的文本段落中,这类方法难以有效捕获和识别复杂文档中命名实体的关系。为了解决上述问题,本文提出了一种融合旋转位置编码和掩码条件随机场的钻井工程命名实体智能识别方法。该方法基于Transformer编码器、双向长短期记忆网络(BiLSTM)和条件随机场(CRF)架构。Transformer编码器利用预训练语言模型提供丰富的上下文语义表示,BiLSTM捕捉序列依赖性,而CRF则用于序列标注。此外,通过设计掩码建模机制改进了传统的CRF,限制了倒置序列的生成,提高了序列标注次序的一致性。旋转位置编码的集成进一步增强了模型对文本中相对位置信息的感知,促进模型捕捉远距离单词之间的依赖关系,从而提高识别跨越较大上下文范围的命名实体的能力。除了模型改进之外,本文还通过构建领域特定的命名实体语料库来解决训练数据不足的问题。该语料库包括12类实体的标注,覆盖了共20727个实体标签,分布于4000个文本段落中,为模型提供了更多样化的训练样本,帮助提高模型的泛化能力。实验结果表明,本文提出的模型在测试集上的F1值为86.49,相较于之前的最优模型提高了2.65,在长尾分布的实体识别上的性能也显著提高。该方法不仅扩展了命名实体识别在钻井工程中的应用,还能够为工程师提供高效的信息提取工具,加速钻井数据的分析,提高钻井操作管理的效率,并增强数据入湖的效率,从而对钻井项目的决策过程带来积极影响。

基于工程参数变化趋势的溢流早期智能检测方法

由于溢流数据样本量稀缺、不同钻井工况及溢流后不同时期钻井参数响应规律差异等因素,现有溢流检测方法鲁棒性差,难以应用于钻井全过程。为此,基于随机森林算法(random forest,RF)建立了钻井工况智能识别模型,结合物理模型消除钻井工况对溢流特征参数的影响;提取并融合特征参数趋势值,构建溢流风险指数(kick risk index,KRI)自适应计算方法,形成了基于工程参数变化趋势的溢流早期智能检测方法。3口井的溢流数据验证结果表明,钻井工况智能识别模型的准确率为96.5%,相比人工坐岗预警,平均预警提前时间为8.3 min。研究表明,该方法适用于钻井全过程溢流检测和部分特征参数测量失效的场景,对于保障钻井安全、缩短钻井周期具有一定的指导作用。

石油工程岩石力学课程实验教学改进措施探讨

石油工程岩石力学是石油工程专业的一门应用基础课程,旨在学习岩石力学理论知识在石油工程领域中的应用。文章介绍了力学、岩石力学和石油工程岩石力学之间的学科联系和课程背景,阐述了石油工程岩石力学课程的开设情况,重点剖析了该课程实验教学的角色、内容、设备、目的以及授课方式,并总结了实验教学存在的问题,认为实验技术复杂、设备精密昂贵、实验场地和实验教师缺乏是当前实验教学存在的突出问题。在此基础上,文章提出加强本硕博一体化教学,融合线上、线下教学,建立线上虚拟实验室辅助教学等改进实验教学的有效手段。该研究成果能为解决类似问题提供一定的方法指导。

数字化转型推动石油工业绿色低碳可持续发展

石油工业面临数字化转型的挑战和机遇。在数字时代,石油行业生态伙伴的作用及彼此之间的信息流、数据流正在发生根本性变化,只有通过数字化转型才能对接数字经济新体系、新动力和新范式,从而走向绿色、低碳和可持续发展。介绍数字化技术的来龙去脉,探讨石油工业数字化转型的底层逻辑、内在规律以及利用数据可复用性推动油气行业绿色低碳可持续发展的路径与策略。基于物理世界、人所认知的世界、数字世界、机器认知的世界,阐明“四个世界”模型。构建数字世界是机器认知世界的基础。在数字世界,各种链接、交互、沟通协作、设计制作都通过数字技术实现,其记忆能力、运算能力和行动能力强大,使机器认知世界的思考框架及解题能力得到空前提升。在机器认知世界,已知机理模型的重复性认知活动得以自动化;通过对未知机理模型的探索性认知活动,人类知识的边界得以扩展。依据香农采样定理,感知和采集物理世界的信息,通过集成以往信息和通讯技术形成的存量数据及新生数字技术产生的增量数据,建立多层级数字孪生,是石油工业数字化转型应该重视的基本策略。数字化转型的理论、方法、模型及工具快速发展,石油工业的数据采集、数据治理、多层级数字孪生及数据安全等的顶层设计正在受到挑战。

地震相智能识别研究进展

地震相是沉积相在地震剖面上的反映,能为地下资源尤其是油气资源的勘探开发提供有效依据。近年来随着人工智能的快速发展和油气人工智能的有力推进,国内外学者提出了多种地震相智能识别的方法。对地震相智能识别方法进行了归纳总结,将其归纳为无监督学习、监督学习和半监督学习3类,并详细介绍了这3类方法的原理、应用现状及其优缺点。无监督学习利用没有标签的地震数据进行学习聚类,从而实现地震相的自动识别,具有简单易操作的特点。监督学习主要利用标签数据反馈学习,通过学习不断接近标签,从而使得该方法在地震相识别中具有更高的精度。半监督学习在地震数据标签不足的情况下,利用合成伪标签等方式进行学习,但伪标签中存在的误差会降低该方法的精度。最后以神经网络地震相识别为例,对地震相智能识别技术进行了展望。

低压低产页岩气井智能生产优化方法

针对页岩气井在生产后期因积液和地层压力不足影响产量的问题,提出一种适用于低压低产页岩气井的智能生产优化方法,以人工智能算法为中心,实现气井的自动生产和运行监测。智能生产优化方法基于长短期记忆神经网络预测单井产量变化,指导气井生产,实现积液预警和自动间歇生产等功能,配合可调式油嘴实现气井控压稳产,延长页岩气井正常生产时间,提高井场自动化水平,实现“一井一策”的精细化生产管理模式。现场试验结果显示,优化后的单井最终可采储量可提高15%。相较于衰竭式开发后立刻采用排采工艺的开发模式,该方法更具有经济性,且增产稳产效果显著,具有较好的应用前景。

基于成像测井的孔缝智能分割与识别

在碳酸盐岩储层的钻探开发过程中,确定地层中的溶孔和裂缝所处区域及种类,对判断储层漏失通道和储存空间具有重要意义。借助图像识别技术,识别成像测井图像中裂缝与溶孔是当前研究的难点,该方法要求样本数据量较大,在小样本情况下识别效果较差,因此提出了通过图像分割提高样本质量,实现小样本情况下高准确度的孔缝识别。研究主要包括图像分割与图像识别两部分,图像分割以阈值分割为主,应用K均值聚类与遗传算法对阈值分割进行了逐步优化;图像识别主要是应用深度神经网络,基于图像分割后的高质量图像识别成像测井图像中的孔缝结构。研究结果表明,图像分割前后整体识别准确度由63.3%提高到90.0%。在模型的实际应用中,该模型成功识别了样本中包含的高导缝与溶蚀孔,通过图像分割提高图像质量,可以实现小样本高准确度的孔缝结构识别。

克拉玛依油田七区砂砾岩油藏智能岩性识别

中国新疆克拉玛依油田七区砂砾岩油藏岩性多样,隔夹层发育,常规取心识别方法成本高,在非取心段识别精度低,导致储层划分困难.为实现岩性的快速准确识别,根据地质资料将研究区内岩性划分为泥岩、粗砂岩、中-细砂岩、粗砾岩、中-细砾岩和煤层6种.基于敏感性分析,优选测井参数提取主成分,建立岩性识别图版,识别准确率达81.37%.针对不均衡样本导致的少数类识别率低的问题,提出一种基于k均值聚类人工少数类过采样(k-means synthetic minority oversampling technique,KMSMOTE)与随机森林结合的智能岩性识别模型,通过对少数类样本过采样提升识别精度,该模型的识别准确率达到92.94%.将图版法和KMSMOTE-随机森林应用于邻井进行岩性识别并对比分析结果发现,KMSMOTE-随机森林识别准确率为95.71%,优于图版法的82.91%.同时,对各类岩性的识别准确率均高于传统的随机森林模型,证明KMSMOTE和随机森林结合的智能岩性识别模型在不均衡岩性样本识别问题上具有较好的适用性,泛化能力强,能够快速、准确地识别地层岩性.研究结果为不均衡岩性样本识别提供了智能化新思路.

数字孪生驱动的热交换器降阶建模及智能感知方法研究

管壳式热交换器是能源系统中的重要组成部分,长时间的运行容易在导热管内造成结垢故障,导致热交换器传热效率下降、流动阻力增加、耗能增加、系统压力下降等问题。结垢故障往往隐藏在设备内部,通过运行数据监测或者仿真手段往往不足以感知和预测多工况下的设备状态,数字化的热交换器状态监测技术为解决问题提供了新思路,但存在数字孪生体难以构建、降阶效果不理想、结垢数据难以获取等问题。为了能够建立数字孪生驱动的热交换器高保真降阶模型,提出了一种基于本征正交分解的径向基自适应模型降阶方法。基于物理信息的自适应采样算法采集更有效的样本数据,利用POD-RBF建立高保真降阶模型,开展热交换器的结垢故障的仿真实验,通过BP神经网络进行热交换器的结垢感知和预测。实验结果表明所建立的自适应采样降阶模型与不使用采样的降阶模型相比求解效率提高了1倍,与全阶模型的误差在4%左右,通过降阶模型快速生成更符合物理机理的结垢数据,预测误差保持在0.0554 mm左右,能有效地对换热器的结垢进行感知和预测。

钻柱摩阻扭矩智能预测模型与解释

钻井管柱力学的准确表征和动态分析是保证安全高效钻井的关键。现有经典的钻井管柱摩阻扭矩软杆/刚杆模型中,钻柱摩阻系数通过经验估算或钻后反演来确定,其准确性和时效性有待提升。本研究基于人工智能技术在复杂非线性映射问题中的有效性,通过预测摩阻系数建立机理-数据融合的钻柱摩阻扭矩预测方法。首先利用已钻录井数据和软杆模型反演摩阻系数,为摩阻系数智能预测提供数据基础,通过对74口井数据处理和特征量化分析,建立考虑数据序列特征的LSTM(Long Short-Term Memory)网络,并通过摩阻扭矩预测和SHAP(SHapley Additive exPlanation)可解释性分析验证模型合理性。结果表明:摩阻系数预测误差为5.89%,摩阻扭矩预测误差降低了4.41%,模型表征的输入特征与摩阻系数的映射关系符合管柱力学机理,具备较强稳定性和可解释性。该方法可为钻井管柱力学的准确表征与动态分析提供理论与技术支撑。

人工智能在测井地层评价中的应用现状及前景

测井是求取储层物性参数、发现与评价油气藏、预测油气储量的重要手段。测井技术更新换代、测井技术种类发展多样化、测井数据管理方式多元化等多重因素导致测井信息具有测量种类多、数据量大和多源异构等大数据特征。人工智能技术的快速发展为解决测井地层评价中的多解性、不确定性等难题提供了新的思路和方法,"测井+人工智能"也是一个亟待探索的新领域。在系统回顾人工智能在测井领域的研究现状和进展基础上,重点讨论了有监督机器学习和半监督机器学习、神经网络和深度学习等人工智能技术在测井曲线重构、岩相预测和物性参数计算等测井地层评价中的应用。受样本数量有限、处理流程不完善和自我调节能力较差等因素制约,人工智能在流体研究、储层综合评价等测井领域具有较大的发展空间和广阔的应用前景。

物理—数据双驱动的压裂压力实时预测方法

井口压力预测存在压力波动剧烈、干扰因素多以及影响机理复杂等问题。现阶段研究中,由于对复杂的地层条件、裂缝特征及流体动力学过程的过度简化,传统物理模型难以捕捉多重非线性变化和突发波动,导致在真实施工环境下的预测精度和实时响应能力受到局限。而人工智能模型尽管具有较强的非线性拟合能力,但往往缺乏对压力波动的物理机理的深入理解,对地层和施工参数的敏感性不足,导致在极端或动态变化的条件下稳定性较差、解释性不足。针对这一难题,提出了一种物理—数据双驱动的压力曲线的预测方法对未来压力趋势进行预测。首先,构建了基于长短期记忆(LSTM)神经网络的智能模型,融合缝内支撑剂床平衡高度计算结果与井场实时泵注数据作为模型输入,预测了未来60 s的压力数据;其次,结合传统井口压力反演方法,使用小波变换分解智能模型与传统模型预测结果,利用LSTM模型整体趋势与压力反演计算方法(IPC)模型中突变点特征,重构了兼顾整体趋势和局部波动的井口压力预测曲线。结果表明,相比LSTM模型,IPC和LSTM的小波融合模型未来60 s井口压力预测的均方根误差(RMSE)和均方绝对误差(MAE)分别下降了37.87%和15.29%,预测结果能够精准捕捉现场施工的压裂压力变化,为现场施工提供更为可靠的指导和决策依据。

自适应动态滤波网络地震随机噪声压制方法

由于地质及环境条件复杂,导致地震勘探采集资料信噪比相对较低,对后续的研究带来不利影响,因此地震勘探数据处理中对随机噪声的压制一直备受关注。现有算法无法较好实现对噪声的有效压制和对有效信号的极大保留,为此,将传统方法和深度学习相结合,提出了基于自适应动态滤波网络(Adaptive Dynamic Filtering Net,ADFNet)的方法压制地震资料中的随机噪声。该网络以编码器—解码器为架构,首先引入通道注意力机制(Attention Mechanism,AM)的思想,通过通道AM对空洞卷积多尺度数据特征集成,为网络提供了精准且丰富的特征表示;然后,引入动态卷积,以较低的计算复杂度实现对地震资料高频特征的学习,从而保留更丰富的细节信息。合成数据和实际数据的实验结果均表明,ADFNet可有效压制地震资料中的随机噪声,同时保留更丰富的地震数据细节,处理后的地震数据信噪比得到显著提升。

CCUS-EOR监测预警技术进展及发展趋势

碳捕集、利用与封存—提高油藏采收率(Carbon Capture, Utilization and Storage-Enhanced Oil Recovery, CCUS-EOR)技术是目前最现实、有效、可行的碳减排技术,但在项目实际运行过程中存在CO_(2)泄漏的风险。为保障CO_(2)驱油效果和系统安全,需要对包括CO_(2)注入、驱油、埋存、采出、集输、回注等全流程进行监测、评价、预警。通过对国内外百余个CCUS-EOR项目的文献调研,系统分析了各种监测技术的特点、应用场景、应用问题,从监测体系和关键技术两方面综述了国内外CCUS监测预警技术进展。同时,指出了CCUS-EOR监测预警技术的发展趋势,最后针对推动CCUS-EOR发展提出了健全完善监测体系、研制关键装备、深化数智技术研究、打造工业互联网平台的建议。