人工智能在儲層損害診斷及預測中的應用與展望

楊兆中，高晨軒，李小剛，馬高峰，馬薛麗

（油氣藏地質及開發工程國家重點實驗室，西南石油大學，四川成都 610500）

從油氣井打開儲層到整個油氣開采結束的整個過程中都可能給儲層帶來損害。因此，診斷和預測儲層損害就對油氣增產、提高采收率和節約成本有著至關重要的意義。儲層損害主要可分為物理損害、化學損害、生物損害和熱力損害四大類，它可能由儲層內部因素和儲層外部因素相互作用而產生。由于儲層損害類型眾多、機理復雜，因此運用一定的方法快速、準確地診斷和預測儲層損害，對制定油氣藏開發方案以及增產解堵措施有著重要意義。

目前，常用的儲層損害預測方法主要包括統計分析法、數值模擬法以及人工智能法。但無論統計分析法還是數值模擬法都存在一定缺點（見表1）。自20 世紀90 年代以來，人們開始運用人工智能方法診斷和預測儲層損害。由于其在分析和處理大量且復雜的不確定性因素，識別和解決非數值、不完善、模糊甚至是多義的問題上具有獨特優勢，可以避免復雜的數學模型的求解和假設條件引起的誤差。近年來，隨著人工智能再次掀起的熱潮，基于人工智能方法診斷和預測儲層損害又再次受到人們關注。

1 人工智能簡介及其在石油工程中的應用

1.1 人工智能簡介

“人工智能”這一術語由麥卡賽等一批科學家于1956 年首次提出，標志著“人工智能”這門新興學科的正式誕生。人工智能是計算機科學、神經生理學、信息論、控制論、語言學等多種學科交叉的復合學科[1]。按照人工智能所實現的功能來描述，它通常指具有智能的機器所執行的、與人類智能有關的功能，例如推理判斷、問題求解和識別學習功能[2]。

20 世紀60 年代，自然語言通訊嘗試使用標志著人工智能發生了巨大突破，由此AI 的研究進入了第二階段。這之后的70 年代，知識專家系統在全世界得到了迅速發展，一批具有專家水平的程序系統相繼問世，它的應用范圍延伸到了各個領域，并產生了巨大的經濟效益。80 年代，人工智能的發展主題變為以知識為基礎，知識在模擬智能中的重要性深入人心。人們基于知識的表達、推理和結合問題相關領域知識的認知模式開展了持續的研究[3]。

目前，人工智能技術正在向大型分布式人工智能、多專家協同系統、并行推理、多種專家系統開發工具、人工智能開發環境和分布式環境下的多智能體協同系統等方向發展。

1.2 人工智能在石油工程中的應用

近年來，人工智能技術從神經網絡、專家系統、遺傳算法到模糊邏輯，取得了諸多進展，其獨特的應用優勢已越來越為石油行業所接受。具體應用來講，有以下類型（見表2）。

2 人工智能方法簡介

2.1 神經網絡

人工神經網絡（ANN）是在現代神經科學研究成果的基礎上形成的，在解決事物的模糊及非線性關系方面具有很強智能化的一種方法。它是由大量類似于人腦神經元的簡單處理單元廣泛連接而構成的一個復雜的、非線性網絡系統，是從微觀上對人腦的智能行為描述[25，26]。

表1 統計分析方法與數值模擬方法在儲層損害預測上的優缺點Tab.1 Advantages and disadvantages of statistical analysis methods and numerical simulation methods in reservoir damage prediction

表2 神經網絡和專家系統在石油工程中的應用Tab.2 Application of neural network and expert system in petroleum engineering

1943 年，W.S.McCulloch 和W.Pitts 研究并提出了M-P 神經元模型[27]，形成了神經網絡的發展基礎。60年代，Bernard Widrow 提出了主要適用于自適應系統的自適應元件（Adalnie）網絡，并用LMS 學習規則來訓練。神經網絡的研究至此進入了一個高潮。

但是隨后的70 年代里，神經網絡理論并無相關性的研究突破。直到1982 年，物理學家Hopfield 創造性地提出了Hopfield 網絡模型，并將網絡能量函數概念首次引入該項研究，使網絡穩定性研究有了明確的判據[28]。1986 年，Rumelhart 和McCelland 等研究提出了并行分布式處理模型（PDP）的網絡思想和誤差逆傳播的多層感知器訓練算法，該算法成為在網絡學習方面至今影響最大的方法[29]。

通過國內外的應用可以看出，伴隨著人工神經網絡理論的發展、完善，其在應對非線性問題時獲得了較好的應用[30]。近年來，隨著人工神經網絡技術被引入石油行業，部分生產過程中的非線性問題得到了很好的解決。但其在開發時間、數據量和計算成本方面，尚有存在弊端。

2.2 專家決策支持系統

專家系統（ES）是人工智能技術的一個重要應用領域，它可以理解為一個利用專家處理問題的智能計算機程序系統。該系統具有一個或多個某一領域專家的經驗和知識，可以根據專家系統中積累的經驗和知識去解決實際問題。換言之，專家系統能夠應用專門的知識和經驗，結合人工智能、計算機技術，模擬專家的思考過程來解決問題，具有一定的知識處理能力。

同時，專家系統在石油工程中不僅可以用來保存、模擬專家們的知識和經驗，它還擁有在積累的知識、經驗的基礎上，對這些知識體系持續地進行更新和完善。因此，專家系統在油田勘探開發領域的應用推廣具有十分重要的現實意義[31]。

L.Alegre 和E.L.Dougherty 在1988 年論述了儲層保護智能專家系統的可行性，這形成了該理論基礎發展方向[32]。儲層保護智能專家系統可以采用多庫協同的方式，使互相關聯的領域問題用一個系統解決。王江萍和張寧生（2006 年）給出了信息融合模型，應用信息融合技術與不確定性決策理論，建立了具有對油氣儲層損害進行識別、診斷、評價和預測功能的信息模型，提高了預測準確性[33]。

專家決策支持系統可復合專家知識，在全面性、適應性上存在一定的優勢，且使用成本較低，但存在著獲取知識相對困難，推理能力弱，靈活性差的缺點。

3 人工智能在儲層損害診斷和預測中的應用

自20 世紀80 年代末起，西安石油學院的郭建明、李棋、薄春生等[34]開始應用人工智能技術研究保護儲層。他們針對塔里木油田建立了保護儲層多庫協同式專家系統（PFICS）和保護儲層綜合集成智能化系統（MDSSPF）。這兩個系統均綜合了儲層傷害識別、預測、診斷和處理等應用技術。但其知識表示方法單一，在對生產中復雜的知識鏈描述存在一定局限性。從系統角度來說，因其不具有模糊推理功能，故數據信息的準確性對推理結論的準確性影響很大。此外，由于系統沒有引入知識的學習機制，而使用了人機對話方式和人機交互方式對給定的知識庫進行規則的增刪和修改，故知識庫更新困難。

上述系統在一定程度上為應用專家系統診斷儲集層損害進行了先導探索，為后期研究奠定了基礎。然而，上述系統僅在塔里木油田的某個具體區塊適用，如果要提高其普適性，則必須獲得大量的實驗數據，改變知識庫內容。其通用性和可移植性差，具有一定的局限性。

國內的梅文榮和張紹槐[35]在1995 年最早利用BAM神經網絡方法，研究地層損害識別。雙向互聯想記憶（BAM）神經網絡模型是對Hopfield 神經網絡的擴充。在只能自聯想的Hopfield 單層反饋神經網絡的基礎上，通過改進得到可以進行兩個不同記憶樣本間相互聯想的BAM 雙層互反饋神經網絡。BAM 模型雖然比其他神經網絡模型具有結構清晰、操作直觀、學習速度快的特點，但由于其推理方式和算法都太過簡單，只考慮了7 個損害類型，覆蓋面較窄。在此次儲集層損害診斷的初步嘗試之后，鮮有人再應用BAM 神經網絡方法進行嘗試。

這之后的2010 年，Rezaian A.和Kordestany A.等[36]將實驗數據作為輸入數據，將傷害后的滲透率與原始滲透率的比值作為目標函數，應用MSE 性能函數、TRAINLM 訓練函數和TANSIG 轉換函數建立了一個隱含層和一個輸出層，共兩層的BP 神經網絡模型。作者應用該模型預測了由瀝青沉積引起的儲層損害。3 年之后，SPE 協會的Sadra Foroutan 和Jamshid Moghadasi 等[37]主要針對注水井產生的硫酸鈣等無機垢帶來的儲層損害，應用TRAINLM 訓練函數、LEARNGDM 學習函數和MSE 性能函數，建立了3 個顯層和2 個隱層的BP 神經網絡模型，取得了較好的預測精度。

4 人工智能在儲層損害診斷和預測中的展望

目前，基于人工智能的儲層傷害診斷與預測仍存在著魯棒性不足，解決多分類問題時精度不高，適用范圍有待提高等問題。對于這些問題的探索，可能集中于以下幾個方面：

（1）決策方法的綜合與知識的融合[38]：人工智能發展迅猛，在進行決策診斷時，應不僅局限于專家系統、遺傳算法等傳統方法，可以尋求參數尋優方法，例如魚群算法，蟻群算法等應用于現有模型的優化，尋求更具一般性的知識表示和推理算法，以達更佳的預測效果。

（2）分布式與協同式求解：在實際預測中，往往會面臨具有較高復雜性的問題，以至于超出現有的求解能力。這就要求研究者拋開傳統模型求解，探尋新型求解方法。為解決在網絡環境下的分布或分布再加上并行的方式等復雜問題，分布式數據庫、分布式決策的研究以及分布式人工智能技術的應用、并行決策計算等是當前人工智能領域的研究熱點[39]。

（3）大數據診斷與預測：大數據是當今的熱點，是計算機技術發展到現今階段的一種表象或特征。大數據技術的重點不在于擁有豐富的數據信息，而在于對數據的深度挖掘。借助充分的動態數據分析手段，大數據為研究者提供了理解事物間相互作用的巨大可能性[40]。

5 結論

（1）儲層保護是一個系統性工程，貫穿鉆井、完井與采油各個階段，由于其影響因素多，關聯復雜的特點，利用人工智能方法進行診斷與預測必將成為日后的趨勢。

（2）隨著人工智能方法的發展，人們也越來越重視將多種人工智能方法有機的結合在一起，充分發揮各自方法的優勢來減少自身缺陷。越來越多的研究都將多種人工智能方法有機結合運用于儲層損害的診斷和預測上。

（3）智能決策支持系統由決策支持系統和其他人工智能方法相結合，利用人工神經網絡強大的并行運算和聯想能力非常適合于決策支持與推理。對決策過程進行充分優化，是未來診斷和預測儲層損害因素的一個方向。