油井產(chǎn)量預測上的人工智能應用
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了油井產(chǎn)量預測上的人工智能應用范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：近年來，人工智能在人臉識別、自動駕駛等多個領域得到了廣泛應用，與其他學科交叉融合的相關研究發(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)量預測上的研究進展，目的是為了跟蹤最新的科學研究進展，體現(xiàn)人工智能在油井產(chǎn)量預測上的可行性和有效性，為該領域的科學研究工作者提供思路和新的啟發(fā)，為實現(xiàn)智慧化油田提供新的科學支撐手段。
關鍵詞：人工智能；油井產(chǎn)量預測；智慧化油田
石油資源作為國家工業(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)化油田開采的管理模式，將油田開發(fā)效益實現(xiàn)最大化非常重要[1–2]。然而，油田的地下條件十分復雜，石油的產(chǎn)量依賴于許多參數(shù)，其中主要包括測井數(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系，且通常會有大量缺失，因此建立準確的數(shù)學模型對油井產(chǎn)量進行預測分析并不容易?；仡櫽途a(chǎn)量預測的研究歷史，發(fā)現(xiàn)傳統(tǒng)的油井產(chǎn)量預測方法，主要依賴經(jīng)驗模型來預測油井產(chǎn)量的未來趨勢[6-8]，比如基于Arps遞減曲線的傳統(tǒng)油井產(chǎn)量預測方法，在油藏工程中作為預測和分析油藏產(chǎn)油動態(tài)的典型代表方法，有眾多實例證明其可行性。然而，由于石油在生產(chǎn)過程中會受到如采取壓裂等增產(chǎn)增注的手段措施進行技術干預，Arps遞減模型是通過歷史產(chǎn)量的變化數(shù)據(jù)和對產(chǎn)量遞減規(guī)律作出的判斷，進行未來產(chǎn)量的預測，存在一定的局限性。近幾年來，人工智能在各行各業(yè)的火爆熱度，機器學習算法和深度學習算法都體現(xiàn)出了其處理分析數(shù)據(jù)的優(yōu)秀能力，本文將對近年來國內(nèi)外人工智能應用于油井產(chǎn)量預測上的研究進行文獻綜述整理，以幫助相關研究工作者了解最新的研究進展。
1人工智能的發(fā)展
人工智能是計算機科學的一個分支，大多數(shù)指的是利用計算機及其系統(tǒng)模仿人類神經(jīng)網(wǎng)的工作狀態(tài)，以達到計算機及其系統(tǒng)能夠擁有推理、分析和判斷等學習行為的目的。人工智能集合了計算機科學、邏輯學、生物學、心理學和哲學等眾多學科，在語音識別、圖像處理、自然語言處理、自動定理證明及智能機器人等應用領域取得了顯著成果[9]。通常人工智能的算法主要是機器學習和深度學習兩個方面。機器學習是指計算機系統(tǒng)依賴于模式和分析使用的算法和數(shù)學統(tǒng)計模型的科學研究，目的是為了高效完成指定的特殊任務，而不使用直接明確的命令。深度學習（也稱為深度結構化學習或分層學習）是基于人工神經(jīng)網(wǎng)絡更廣泛的機器學習方法的一部分，學習可以是有監(jiān)督的、半監(jiān)督的或無監(jiān)督深度學習[10]。機器學習和深度學習并沒有明顯的區(qū)別界限。1956年，由眾多科學研究學者主導的達特茅斯會議第一次將“人工智能”作為討論重點，標志著人工智能作為一門新興學科的誕生[11]。同年，阿瑟•塞繆爾創(chuàng)造了機器學習這一概念，并利用機器學習編寫了一種和人類對弈下棋的智能程序，該程序在1962年戰(zhàn)勝了人類下棋大師。之后，開始了機器學習熱潮，機器學習理論逐漸豐富。機器學習分析和解決問題的主要過程被分為訓練和預測兩個階段，在訓練的過程中獲得目標模型，通過目標模型得到程序的預測結果。隨后，由于當時的機器學習算法能力的一些不足，人工智能在實際生活生產(chǎn)的運用上迎來了發(fā)展低谷。直到1997年，IBM公司的“深藍”計算機在國際象棋比賽中的勝利，為人工智能的發(fā)展獲得新的契機，以符號為主的研究趨勢走向低谷，以仿人類神經(jīng)為基礎的研究逐漸火熱。研究學者們提出了更適于大數(shù)據(jù)挖掘的深度學習概念，人工智能再次出現(xiàn)研究熱潮，大量優(yōu)秀算法問世，如前饋神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和長短期神經(jīng)網(wǎng)絡等，在圖像識別分類和數(shù)據(jù)分析預測上發(fā)揮重要作用。至今為止，對于人工智能的研究在科學界依然如火如荼，發(fā)展迅猛，各行各業(yè)的研究學者開始重視人工智能與其他學科的交叉融合應用，如機器學習與自動駕駛緊密結合，不斷提升行業(yè)的發(fā)展?jié)摿?，深度學習強化學習的算法提高無人汽車的自動駕駛能力，使得訓練出的模型在基本路測環(huán)境中保持穩(wěn)定[12]?？梢灶A見，在未來，人工智能技術將更加緊密地與人們的生活相結合，滲透入生活中的方方面面，且與各學科領域融合交叉，促進時代的發(fā)展。
2人工智能在油井產(chǎn)量預測上的應用
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，幫助用戶預測加密井的產(chǎn)油量，該系統(tǒng)以加密井可能的累計產(chǎn)量范圍和生產(chǎn)壽命長度的形式進行了預測，并提供了數(shù)字化結果和可視化說明。2010年，金寶強等研究分析，由于油井產(chǎn)量隨時間的變化關系受多種因素的影響，它們之間是一種極其復雜的非線性關系，利用支持向量機（SVM）方法，構建了具有時變特性的混沌-SVM耦合模型[13]，取得了較好的預測效果。隨后，LiXiongmin等提出了一種改進的決策樹學習方法，即基于神經(jīng)網(wǎng)絡的決策樹（NDT）模型，該模型的主要優(yōu)點是它可以捕獲屬性之間的依賴關系，因此，它可能提供改進的或更準確的預測。2011年，李春生等針對油田單井產(chǎn)量提出了基于改進型BP神經(jīng)網(wǎng)絡的預測模型，對傳統(tǒng)的BP神經(jīng)網(wǎng)絡的結構和訓練算法進行了研究，發(fā)現(xiàn)它存在易于陷入局部極小，收斂速度慢等問題，從而提出了使用算法的改進型BP神經(jīng)網(wǎng)絡，最后給出了基于改進型BP神經(jīng)網(wǎng)絡的單井產(chǎn)量預測模型仿真實驗，結果證明了該算法的實用性和可行性，在油井產(chǎn)量預測方面有一定的實用價值。次年，Mirzaei-PaiamanA以一種利用人工神經(jīng)網(wǎng)絡技術預測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)油比來預測油流率，通過實例表明，所建立的神經(jīng)網(wǎng)絡模型具有較好的預測效果和較高的計算精度，與經(jīng)驗相關系數(shù)相比，ANN模型給出了最優(yōu)的系數(shù)值，與包含三個以上輸入?yún)?shù)的經(jīng)驗關聯(lián)模型相比，該模型預測油流率的時間更短。2013年，AhmadiMA等又提出了一種基于模糊邏輯、人工神經(jīng)網(wǎng)絡和帝國主義競爭算法的油井產(chǎn)油率預測新方法。網(wǎng)絡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遞減模型擴展為非線性多變量預測模型，對中國和印度兩個油田的歷史生產(chǎn)數(shù)據(jù)進行了分析預測，結果顯示該模型方法在油田產(chǎn)量預測上具有可行性。2018年，谷建偉等針對常規(guī)產(chǎn)量預測方法無法考慮時序影響因素的非同步性以及滯后性，應用時間序列分析方法，結合卡爾曼濾波器（Kalmanfilter），建立考慮因素動態(tài)關系的產(chǎn)量ARIMA-Kalman濾波器時間序列模型，以實例油田資料開展機器學習和數(shù)據(jù)挖掘，并采用數(shù)據(jù)擬合及預測檢驗評價算法合理性，實現(xiàn)最終產(chǎn)量數(shù)據(jù)預測，具備精準的預測能力。同年，ChithraChakraN發(fā)現(xiàn)了一種基于神經(jīng)網(wǎng)絡的累積產(chǎn)油量預測方法，利用HONN通過表示神經(jīng)輸入變量的線性和非線性相關，克服了傳統(tǒng)神經(jīng)網(wǎng)絡的局限性，發(fā)現(xiàn)如果沒有足夠的訓練數(shù)據(jù)，HONN在預測油氣藏產(chǎn)量方面具有很大的潛力。隨后周于皓等利用神經(jīng)網(wǎng)絡的強大非線性映射和擬合能力，構建神經(jīng)網(wǎng)絡產(chǎn)量預測模型，并針對油田生產(chǎn)數(shù)據(jù)的高誤差、易缺省等特性和曲線擬合預測不易收斂的情況，提出了訓練數(shù)據(jù)集擴充方法和改良的均方誤差損失函數(shù)。LeylaMuradkhanli在2018年提出一個預測阿塞拜疆國有石油公司石油產(chǎn)量的人工神經(jīng)網(wǎng)絡，選擇了多層感知器神經(jīng)網(wǎng)絡作為學習規(guī)則反向傳播算，應用于石油產(chǎn)量預測，所建立的神經(jīng)網(wǎng)絡模型擬合良好，具有較好的預測能力和較高的精度。WangYang針對當前油氣產(chǎn)量預測的需求，提出了一種基于AlexNet的多輸入卷積神經(jīng)網(wǎng)絡預測模型，并與反向傳播神經(jīng)網(wǎng)絡、支持向量機、徑向基函數(shù)神經(jīng)網(wǎng)絡、k近鄰和決策樹方法進行了對比，發(fā)現(xiàn)該模型對實際油田數(shù)據(jù)的預測效果更好。近年來，谷建偉又提出了利用長短期記憶網(wǎng)絡（LSTM）深度學習的時間序列分析能力，選取7口油井作為研究樣本對象，考慮樣本參數(shù)特征，選取排量、泵深、生產(chǎn)天數(shù)、含水率、動液面、氣油比、周圍油井產(chǎn)液量、周圍注水井注水量等8個指標來預測油井產(chǎn)量變化[14]，效果優(yōu)異。20世紀以來，國內(nèi)外眾多學者嘗試將人工智能中的機器學習算法和深度學習算法融合到油井產(chǎn)量預測研究當中，綜上所述，這些方法研究均取得了有效的成果，為科學管理油氣開發(fā)提供了一種全新的思路。
3結束語
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)量預測上的應用。隨著人工智能的快速發(fā)展，與其他行業(yè)的學科交叉融合嘗試得到了越來越多的實踐應用，相信在不久的未來，人工智能會進一步推動油田產(chǎn)量的科學預測分析，進一步提高對未來油井產(chǎn)量預測的準確性，輔助石油工作者實現(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