油井產(chǎn)量預(yù)測(cè)上的人工智能應(yīng)用

前言：想要寫(xiě)出一篇引人入勝的文章？我們特意為您整理了油井產(chǎn)量預(yù)測(cè)上的人工智能應(yīng)用范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

摘要：近年來(lái)，人工智能在人臉識(shí)別、自動(dòng)駕駛等多個(gè)領(lǐng)域得到了廣泛應(yīng)用，與其他學(xué)科交叉融合的相關(guān)研究發(fā)展迅速。主要綜述了人工智能的發(fā)展歷史及其在油井產(chǎn)量預(yù)測(cè)上的研究進(jìn)展，目的是為了跟蹤最新的科學(xué)研究進(jìn)展，體現(xiàn)人工智能在油井產(chǎn)量預(yù)測(cè)上的可行性和有效性，為該領(lǐng)域的科學(xué)研究工作者提供思路和新的啟發(fā)，為實(shí)現(xiàn)智慧化油田提供新的科學(xué)支撐手段。

關(guān)鍵詞：人工智能；油井產(chǎn)量預(yù)測(cè)；智慧化油田

石油資源作為國(guó)家工業(yè)發(fā)展和人們?nèi)粘Ｉ钪械闹匾Ｕ?，具有非凡的意義，因此，優(yōu)化油田開(kāi)采的管理模式，將油田開(kāi)發(fā)效益實(shí)現(xiàn)最大化非常重要[1–2]。然而，油田的地下條件十分復(fù)雜，石油的產(chǎn)量依賴于許多參數(shù)，其中主要包括測(cè)井?dāng)?shù)據(jù)和壓裂數(shù)據(jù)[3-5]，這些參數(shù)之間往往存在非線性的關(guān)系，且通常會(huì)有大量缺失，因此建立準(zhǔn)確的數(shù)學(xué)模型對(duì)油井產(chǎn)量進(jìn)行預(yù)測(cè)分析并不容易。回顧油井產(chǎn)量預(yù)測(cè)的研究歷史，發(fā)現(xiàn)傳統(tǒng)的油井產(chǎn)量預(yù)測(cè)方法，主要依賴經(jīng)驗(yàn)?zāi)Ｐ蛠?lái)預(yù)測(cè)油井產(chǎn)量的未來(lái)趨勢(shì)[6-8]，比如基于Arps遞減曲線的傳統(tǒng)油井產(chǎn)量預(yù)測(cè)方法，在油藏工程中作為預(yù)測(cè)和分析油藏產(chǎn)油動(dòng)態(tài)的典型代表方法，有眾多實(shí)例證明其可行性。然而，由于石油在生產(chǎn)過(guò)程中會(huì)受到如采取壓裂等增產(chǎn)增注的手段措施進(jìn)行技術(shù)干預(yù)，Arps遞減模型是通過(guò)歷史產(chǎn)量的變化數(shù)據(jù)和對(duì)產(chǎn)量遞減規(guī)律作出的判斷，進(jìn)行未來(lái)產(chǎn)量的預(yù)測(cè)，存在一定的局限性。近幾年來(lái)，人工智能在各行各業(yè)的火爆熱度，機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法都體現(xiàn)出了其處理分析數(shù)據(jù)的優(yōu)秀能力，本文將對(duì)近年來(lái)國(guó)內(nèi)外人工智能應(yīng)用于油井產(chǎn)量預(yù)測(cè)上的研究進(jìn)行文獻(xiàn)綜述整理，以幫助相關(guān)研究工作者了解最新的研究進(jìn)展。

1人工智能的發(fā)展

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，大多數(shù)指的是利用計(jì)算機(jī)及其系統(tǒng)模仿人類神經(jīng)網(wǎng)的工作狀態(tài)，以達(dá)到計(jì)算機(jī)及其系統(tǒng)能夠擁有推理、分析和判斷等學(xué)習(xí)行為的目的。人工智能集合了計(jì)算機(jī)科學(xué)、邏輯學(xué)、生物學(xué)、心理學(xué)和哲學(xué)等眾多學(xué)科，在語(yǔ)音識(shí)別、圖像處理、自然語(yǔ)言處理、自動(dòng)定理證明及智能機(jī)器人等應(yīng)用領(lǐng)域取得了顯著成果[9]。通常人工智能的算法主要是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩個(gè)方面。機(jī)器學(xué)習(xí)是指計(jì)算機(jī)系統(tǒng)依賴于模式和分析使用的算法和數(shù)學(xué)統(tǒng)計(jì)模型的科學(xué)研究，目的是為了高效完成指定的特殊任務(wù)，而不使用直接明確的命令。深度學(xué)習(xí)（也稱為深度結(jié)構(gòu)化學(xué)習(xí)或分層學(xué)習(xí)）是基于人工神經(jīng)網(wǎng)絡(luò)更廣泛的機(jī)器學(xué)習(xí)方法的一部分，學(xué)習(xí)可以是有監(jiān)督的、半監(jiān)督的或無(wú)監(jiān)督深度學(xué)習(xí)[10]。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)并沒(méi)有明顯的區(qū)別界限。1956年，由眾多科學(xué)研究學(xué)者主導(dǎo)的達(dá)特茅斯會(huì)議第一次將“人工智能”作為討論重點(diǎn)，標(biāo)志著人工智能作為一門(mén)新興學(xué)科的誕生[11]。同年，阿瑟•塞繆爾創(chuàng)造了機(jī)器學(xué)習(xí)這一概念，并利用機(jī)器學(xué)習(xí)編寫(xiě)了一種和人類對(duì)弈下棋的智能程序，該程序在1962年戰(zhàn)勝了人類下棋大師。之后，開(kāi)始了機(jī)器學(xué)習(xí)熱潮，機(jī)器學(xué)習(xí)理論逐漸豐富。機(jī)器學(xué)習(xí)分析和解決問(wèn)題的主要過(guò)程被分為訓(xùn)練和預(yù)測(cè)兩個(gè)階段，在訓(xùn)練的過(guò)程中獲得目標(biāo)模型，通過(guò)目標(biāo)模型得到程序的預(yù)測(cè)結(jié)果。隨后，由于當(dāng)時(shí)的機(jī)器學(xué)習(xí)算法能力的一些不足，人工智能在實(shí)際生活生產(chǎn)的運(yùn)用上迎來(lái)了發(fā)展低谷。直到1997年，IBM公司的“深藍(lán)”計(jì)算機(jī)在國(guó)際象棋比賽中的勝利，為人工智能的發(fā)展獲得新的契機(jī)，以符號(hào)為主的研究趨勢(shì)走向低谷，以仿人類神經(jīng)為基礎(chǔ)的研究逐漸火熱。研究學(xué)者們提出了更適于大數(shù)據(jù)挖掘的深度學(xué)習(xí)概念，人工智能再次出現(xiàn)研究熱潮，大量?jī)?yōu)秀算法問(wèn)世，如前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)等，在圖像識(shí)別分類和數(shù)據(jù)分析預(yù)測(cè)上發(fā)揮重要作用。至今為止，對(duì)于人工智能的研究在科學(xué)界依然如火如荼，發(fā)展迅猛，各行各業(yè)的研究學(xué)者開(kāi)始重視人工智能與其他學(xué)科的交叉融合應(yīng)用，如機(jī)器學(xué)習(xí)與自動(dòng)駕駛緊密結(jié)合，不斷提升行業(yè)的發(fā)展?jié)摿?，深度學(xué)習(xí)強(qiáng)化學(xué)習(xí)的算法提高無(wú)人汽車的自動(dòng)駕駛能力，使得訓(xùn)練出的模型在基本路測(cè)環(huán)境中保持穩(wěn)定[12]?？梢灶A(yù)見(jiàn)，在未來(lái)，人工智能技術(shù)將更加緊密地與人們的生活相結(jié)合，滲透入生活中的方方面面，且與各學(xué)科領(lǐng)域融合交叉，促進(jìn)時(shí)代的發(fā)展。

2人工智能在油井產(chǎn)量預(yù)測(cè)上的應(yīng)用

2005年，NguyenHH等介紹了決策支持系統(tǒng)（DSS）中采用的兩種數(shù)據(jù)分析技術(shù)，幫助用戶預(yù)測(cè)加密井的產(chǎn)油量，該系統(tǒng)以加密井可能的累計(jì)產(chǎn)量范圍和生產(chǎn)壽命長(zhǎng)度的形式進(jìn)行了預(yù)測(cè)，并提供了數(shù)字化結(jié)果和可視化說(shuō)明。2010年，金寶強(qiáng)等研究分析，由于油井產(chǎn)量隨時(shí)間的變化關(guān)系受多種因素的影響，它們之間是一種極其復(fù)雜的非線性關(guān)系，利用支持向量機(jī)（SVM）方法，構(gòu)建了具有時(shí)變特性的混沌-SVM耦合模型[13]，取得了較好的預(yù)測(cè)效果。隨后，LiXiongmin等提出了一種改進(jìn)的決策樹(shù)學(xué)習(xí)方法，即基于神經(jīng)網(wǎng)絡(luò)的決策樹(shù)（NDT）模型，該模型的主要優(yōu)點(diǎn)是它可以捕獲屬性之間的依賴關(guān)系，因此，它可能提供改進(jìn)的或更準(zhǔn)確的預(yù)測(cè)。2011年，李春生等針對(duì)油田單井產(chǎn)量提出了基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練算法進(jìn)行了研究，發(fā)現(xiàn)它存在易于陷入局部極小，收斂速度慢等問(wèn)題，從而提出了使用算法的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)，最后給出了基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的單井產(chǎn)量預(yù)測(cè)模型仿真實(shí)驗(yàn)，結(jié)果證明了該算法的實(shí)用性和可行性，在油井產(chǎn)量預(yù)測(cè)方面有一定的實(shí)用價(jià)值。次年，Mirzaei-PaiamanA以一種利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)井口氣液兩相流流量的新方法，所建立的模型根據(jù)油嘴上游壓力、油嘴尺寸和產(chǎn)油比來(lái)預(yù)測(cè)油流率，通過(guò)實(shí)例表明，所建立的神經(jīng)網(wǎng)絡(luò)模型具有較好的預(yù)測(cè)效果和較高的計(jì)算精度，與經(jīng)驗(yàn)相關(guān)系數(shù)相比，ANN模型給出了最優(yōu)的系數(shù)值，與包含三個(gè)以上輸入?yún)?shù)的經(jīng)驗(yàn)關(guān)聯(lián)模型相比，該模型預(yù)測(cè)油流率的時(shí)間更短。2013年，AhmadiMA等又提出了一種基于模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)和帝國(guó)主義競(jìng)爭(zhēng)算法的油井產(chǎn)油率預(yù)測(cè)新方法。網(wǎng)絡(luò)的輸入變量為線路的溫度和壓力，輸出變量為油流量，基于人工智能的模型做一種最有利的數(shù)值反演策略。2016年，MaXin利用了核函數(shù)方法將Arps遞減模型擴(kuò)展為非線性多變量預(yù)測(cè)模型，對(duì)中國(guó)和印度兩個(gè)油田的歷史生產(chǎn)數(shù)據(jù)進(jìn)行了分析預(yù)測(cè)，結(jié)果顯示該模型方法在油田產(chǎn)量預(yù)測(cè)上具有可行性。2018年，谷建偉等針對(duì)常規(guī)產(chǎn)量預(yù)測(cè)方法無(wú)法考慮時(shí)序影響因素的非同步性以及滯后性，應(yīng)用時(shí)間序列分析方法，結(jié)合卡爾曼濾波器（Kalmanfilter），建立考慮因素動(dòng)態(tài)關(guān)系的產(chǎn)量ARIMA-Kalman濾波器時(shí)間序列模型，以實(shí)例油田資料開(kāi)展機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘，并采用數(shù)據(jù)擬合及預(yù)測(cè)檢驗(yàn)評(píng)價(jià)算法合理性，實(shí)現(xiàn)最終產(chǎn)量數(shù)據(jù)預(yù)測(cè)，具備精準(zhǔn)的預(yù)測(cè)能力。同年，ChithraChakraN發(fā)現(xiàn)了一種基于神經(jīng)網(wǎng)絡(luò)的累積產(chǎn)油量預(yù)測(cè)方法，利用HONN通過(guò)表示神經(jīng)輸入變量的線性和非線性相關(guān)，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性，發(fā)現(xiàn)如果沒(méi)有足夠的訓(xùn)練數(shù)據(jù)，HONN在預(yù)測(cè)油氣藏產(chǎn)量方面具有很大的潛力。隨后周于皓等利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性映射和擬合能力，構(gòu)建神經(jīng)網(wǎng)絡(luò)產(chǎn)量預(yù)測(cè)模型，并針對(duì)油田生產(chǎn)數(shù)據(jù)的高誤差、易缺省等特性和曲線擬合預(yù)測(cè)不易收斂的情況，提出了訓(xùn)練數(shù)據(jù)集擴(kuò)充方法和改良的均方誤差損失函數(shù)。LeylaMuradkhanli在2018年提出一個(gè)預(yù)測(cè)阿塞拜疆國(guó)有石油公司石油產(chǎn)量的人工神經(jīng)網(wǎng)絡(luò)，選擇了多層感知器神經(jīng)網(wǎng)絡(luò)作為學(xué)習(xí)規(guī)則反向傳播算，應(yīng)用于石油產(chǎn)量預(yù)測(cè)，所建立的神經(jīng)網(wǎng)絡(luò)模型擬合良好，具有較好的預(yù)測(cè)能力和較高的精度。WangYang針對(duì)當(dāng)前油氣產(chǎn)量預(yù)測(cè)的需求，提出了一種基于AlexNet的多輸入卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并與反向傳播神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、k近鄰和決策樹(shù)方法進(jìn)行了對(duì)比，發(fā)現(xiàn)該模型對(duì)實(shí)際油田數(shù)據(jù)的預(yù)測(cè)效果更好。近年來(lái)，谷建偉又提出了利用長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）深度學(xué)習(xí)的時(shí)間序列分析能力，選取7口油井作為研究樣本對(duì)象，考慮樣本參數(shù)特征，選取排量、泵深、生產(chǎn)天數(shù)、含水率、動(dòng)液面、氣油比、周圍油井產(chǎn)液量、周圍注水井注水量等8個(gè)指標(biāo)來(lái)預(yù)測(cè)油井產(chǎn)量變化[14]，效果優(yōu)異。20世紀(jì)以來(lái)，國(guó)內(nèi)外眾多學(xué)者嘗試將人工智能中的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法融合到油井產(chǎn)量預(yù)測(cè)研究當(dāng)中，綜上所述，這些方法研究均取得了有效的成果，為科學(xué)管理油氣開(kāi)發(fā)提供了一種全新的思路。

3結(jié)束語(yǔ)

本文梳理了人工智能的發(fā)展歷史和人工智能在油井產(chǎn)量預(yù)測(cè)上的應(yīng)用。隨著人工智能的快速發(fā)展，與其他行業(yè)的學(xué)科交叉融合嘗試得到了越來(lái)越多的實(shí)踐應(yīng)用，相信在不久的未來(lái)，人工智能會(huì)進(jìn)一步推動(dòng)油田產(chǎn)量的科學(xué)預(yù)測(cè)分析，進(jìn)一步提高對(duì)未來(lái)油井產(chǎn)量預(yù)測(cè)的準(zhǔn)確性，輔助石油工作者實(shí)現(xiàn)更加智能的“可持續(xù)發(fā)展”油田規(guī)劃管理。

作者：程悅菲 楊洋 單位：西南石油大學(xué)