人工智能与油气那些事儿
2020年是非常玄幻的一年，相信许多人对沙特和俄罗斯的石油战争还记忆犹新，原油交易甚至一度触发了熔断机制，虽然目前双方已经达成新共识，稳定了世界原油市场。
但是！目前石油的三大出口国，沙特、俄罗斯、美国以及其他石油工程领域的参与者为了提升竞争力和抗风险能力，都希望通过数据分析、实时监测和自动化来寻求可持续性发展，随着计算机科学的飞速发展，将人工智能（Artificial Intelligence）应用到油气领域成为行业发展势在必行的选择。
就目前的技术发展而言，认知智能、大数据、云计算、机器学习、深度学习、自然语言处理和计算机视觉是石油工业上常用的一些算法和模式，将其综合应用于从管理到勘探开发的各个环节。
现状到底如何呢？让我们来一起看看。
认知智能
认知智能是指机器具有主动思考和理解的能力，不用人类事先编程就可以实现自我学习，是人工智能的最高阶段。
例如，当我们思考苹果和鸡蛋哪个大的时候，思维方式可以有以下两种：
①估算苹果长约10cm，鸡蛋长约5cm，得出结论：苹果大。
②基于生活经验常识，我们在脑中有鸡蛋和苹果的印象，自然而然基于多模态甚至物理层面上的印象就直接判断出来。
认知智能与人的语言、知识、逻辑相关，可以将大量繁琐却重要的工作变得更加高效准确，更人性化。
认知智能被应用于油藏开发预测上。比如英国BP石油公司和Beyond Limits公司合作开发人工智能软件，可以根据本地已有钻井地质特征以及生产参数为依据，精确预测油藏地质甜点，优选井位，降低油气勘探成本。
AI钻井井位优化（Lin, 2019），白线为预测井位
大数据&云计算
关于大数据的应用我相信每个人都深有体会，经常在国内某引擎搜索后，打开购物软件，广告即可精准投送到你的手机，有网友打趣说到：“大数据比你男/女朋友还懂你”，大数据是把双刃剑，还需要严格把关。
在工程领域，钻井井壁失稳是危及到井下施工人员生命安全的一大安全隐患，但人工智能可作为桥梁，搭建自动化与最优化的通道，为钻井现场施工提供优化分析后的决策意见，并通过预测性分析减轻钻井事故的影响。
例如通过大数据分析和强大的云计算功能，可以通过现场传感器监测的数据实时返回到云端进行处理分析，以实时快捷方式预测井壁失稳风险，有效缩短钻井周期，减少井下事故发生的几率。
机器学习
机器学习是计算机通过模拟或实现人类的学习行为以获取新的知识或技能，重新组织已有的知识结构并使之不断改善自身的性能深度学习，传统的机器学习包括决策树、随机森林、人工神经网络、贝叶斯等方面的研究。
泰国国家石油公司PTTEP的工程师采用决策树(Decision Tree)算法，分析考虑多因素(包括井的参数、生产条件、流体参数、油藏参数、地面设施、利润来源、供应商条件、HSE要求)的情况下，优选举升系统，优化结果与人工决策相比，明显地降低了成本并且提高了产量。
钻井决策系统（NOV, 2016）
另外，在钻井设计的应用中，机器学习也发挥着巨大作用。国民油井华高公司(National Oilwell Varco)应用人工神经网络方法，对钻头选择数据库的数据进行训练，形成优化钻头选型的人工智能方法。
数据库中的信息包括：在特定岩层中使用的钻头、岩石强度数据、地质特性和钻头在该类岩石的常规钻速。应用经过训练后的人工神经网络，用户输入地理位置数据、地质数据、岩石力学数据和已钻井数据后，即可输出选择的钻头类型、该钻头的性能预测及使用指南。与此同时，用户输入的数据会进入到数据库中，继续参加数据训练。
机器学习PLUS+—深度学习
深度学习是指强化的机器学习，通常依靠优化后的人工神经网络算法来实现。人工神经网络是仿生人脑的神经网络开发的深度学习算法。虽然人脑的运算速度远不及计算机，但其生物神经网络的复杂程度远高于后者，因此可以轻易指导、指令、处理自主性的活动。
在油气领域中，通过人工神经网络方法训练大量已有高产页岩气层的测井资料与含气量的数据关联特征，可以根据测井数据更加精准的优选高产页岩气藏，降低成本。另外，也可以从随钻测井获得的测井资料解释各种岩石物理、力学参数。
例如Nervana公司，基于地震资料的深度学习方法，训练数据根据地震资料发现油气资源，在其云端开发的油气勘探解决方案，可在没有人工干预的情况下从三维地震图像中识别大量地下断层。
另外，对于页岩气勘探开发而言，定向钻井技术是能否达成高产气流的重中之重，这一技术需要耗费大量的人力物力，特别是需要高技能的工程师在工作过程中应对各种突发状况，不断进行决策。为了应对这一情况，壳牌和微软联合研发推出的Shell Geodesic可以实时收集钻井数据并自动做出决策，并且可以通过机器学习和控制算法软件，给地质学家和钻井人员绘制出更为逼真的油气层图像。
斯伦贝谢DELFI软件
世界著名油服公司—斯伦贝谢的DELFI多维环境软件，更是将深度学习、数据分析、自动化等多个技术优势整合，使得勘探开发工作更加智能化，该软件集成几乎所有石油工业的通用性的现有专业知识，可用于解决复杂的油气行业技术问题。
自然语言处理&计算机视觉
计算机视觉是一门研究如何使机器“看”的科学，即用摄影设备代替人眼对目标进行识别、跟踪和测量等机器视觉，并结合python等编程语言对图形进一步处理，例如汽车的自动驾驶功能就是典型的应用之一。
对于一些海上油井平台，仪表数据的实时监测往往需要投入人力成本进行读取，计算机图形学的引入，可通过图像识别对仪表数据进行实时的拍摄读取、分析，更加高效便捷。
裂缝优化示意图（Du et al., 2017）
对于动辄三四千米深的页岩气藏，借助地震勘探反演储层缝网发展状况，并且结合数值模拟方法探究页岩储层压裂效果是目前的主流研究思路。通过自然语言和图像分析处理，研究人员可以设定一定的图像阈值，对已有的数据进行优化。
例如上图的原始缝网数据，包含了噪点信息，用于模拟计算需要耗费大量时间成本，应用人工智能可以对原始数据优化分析，提高模拟计算效率。
数字岩心（图片来自石油圈）
另外在岩石CT断层扫描技术中，需要对得到的三维重构图像缝网进行二次处理，运用图像信息化处理可快速进行分析判断继而完成重构。
另外，科技巨头与石油行业的强强联合也不断促进着人工智能在石油领域的蓬勃发展。道达尔和谷歌合作开发了一套能够解释地层图像的人工智能程序，该程序能够利用计算机成像技术实现地震数据的机器学习，并利用自然语言处理技术自动分析数据文件，建立更加精确的地质模型。
后记
相信很多人对人工智能时代的来临都取决于AlphaGo和柯洁的围棋大战，原本被认为计算机难以超于人类的围棋游戏，终于在芯片算力不断爆炸式增幅的今天，人类败北了，可能对于某些业内人士，做到理解AlphaGo基本原理是没问题的，但是人类却很难理解为什么AlphaGo会做出此种决定，这就是量变引起质变的过程。
如何跟上时代的步伐，使AI成为我们工作的得力辅助，值得我们每个人思考！
