人工智能在油氣壓裂增產中的研究現狀與展望

盛 茂, 李根生(中國工程院院士), 田守嶒, 廖勤拙, 王天宇, 宋先知

油氣資源與探測國家重點實驗室·中國石油大學(北京)

0 引言

人工智能作為引領新一輪科技革命和產業變革的戰略性通用技術，被世界各國重視并大力發展，在我國已上升到國家戰略高度，研究意義重大。在人工智能國家戰略目標的時代背景下，智能化已成為我國油氣能源領域技術創新的主攻方向之一[1]。通過人工智能技術與油氣業務深度融合，利用智能算法從石油勘探開發海量數據中挖掘規律，實現全流程智能調控和智能優化，逐步成為油氣人工智能創新發展范式[1- 5]

壓裂增產作為石油勘探開發重點研究領域，早在20世紀90年代就試圖與人工智能技術深入融合，萌生形成了壓裂人工智能研究方向，率先應用在壓裂設計優化中并取得了初步成效,然而受限于當時數據質量、算力和智能算法的先進性，未能實現規模應用[6]。近年來，以大數據、機器學習、超強算力為基礎的新一代人工智能技術蓬勃興起[7- 8]，壓裂人工智能重獲新生，正在經歷井噴式發展，被應用于壓裂設計優化、施工過程管控、壓裂返排控制。然而部分關鍵基礎理論與核心技術尚待突破，應用場景設計仍需統籌規劃，特別是如何融合壓裂多源跨尺度數據并有效提取特征、怎樣實現機理—數據聯合驅動、如何解決模型可解釋性差等共性難題亟需開展系統深入的理論與技術研究。

本文在總結國內外壓裂人工智能發展歷程與研究現狀的基礎上，剖析了壓裂人工智能發展面臨的難題與挑戰，展望了壓裂人工智能研究的主攻方向，并給出了典型應用場景的設計建議，以期為壓裂人工智能理論與技術更好更快的發展提供借鑒。

1 壓裂人工智能發展歷程與研究現狀

1.1 壓裂人工智能發展歷程

壓裂人工智能的內涵豐富，仍未形成統一的定義。筆者認為其是在人工智能理論框架下，構建地質—地球物理—鉆完井—壓裂—生產全鏈接數據倉庫，利用機器學習、深度學習和強化學習等智能算法，以“高質量均衡造縫、安全壓裂”為目標，綜合應用于壓裂設計、施工管控、返排控制等壓裂增產全流程，實現壓裂設計“全局優化”、壓裂施工“無人/少人值守”、壓裂返排“自主控制”，大幅降低人員勞動強度和事故風險、提升儲層改造投入產出比。壓裂人工智能發展歷程可劃分為三個階段。

(1)思想萌芽階段(1990年～2000年)。早在20世紀90年代，國內外學者幾乎同時萌生了壓裂人工智能思想，嘗試將模糊邏輯、自動邏輯推理等早期智能算法用于壓裂設計優化，由此開辟了基于數據驅動優化壓裂設計的新途徑。其中，1989年，李賓元[9]率先建立了基于模糊數學理論的壓裂選井選層模型；1993年，Holditch等[10]研制了基于自動邏輯推理的壓裂專家系統。此后BP神經網絡、灰色關聯分析、遺傳算法等智能算法被應用于壓裂選井選層、產能預測及參數優化并取得初步成效[11- 13]。但受限于當時數據質量、算力和智能算法的先進性，特別是所用神經網絡層次少(僅3～5層)且樣本數量有限，數據過擬合問題突出，客觀上制約了模型預測精度，未能規模應用。

(2)初步發展階段(2000年～2015年)。該階段機器學習算法性能不斷提升，一定程度解決了數據過擬合問題，模型預測精度得到改善[14- 16]。與此同時，非常規頁巖油氣資源規模開發，由此積累了海量數據并構建形成大數據倉庫，為提高機器學習訓練效果奠定了數據基礎。通過大數據深度挖掘優化壓裂設計的理念被油氣行業接受，在北美Bakken、Eagle Ford和中國涪陵等頁巖油氣田應用并取得一定成效[17- 18]。

(3)快速發展階段(2016年后)。該階段隨著新一代智能算法與超強算力的蓬勃興起，壓裂人工智能開啟井噴式發展。此時機器學習不再單純依賴數據驅動，而是尋求數據與機理聯合驅動，進一步提升模型合理性和預測精度，為單井產能和最終采收率預測、完井參數優化等提供了有力支撐[19- 21]。2018年后，以深層神經網絡為代表的深度學習逐步應用于壓裂增產中的時序數據處理[22- 23]，將應用場景從壓裂設計優化拓展到施工過程管控和壓裂返排調控。但總體仍處于解決單個具體的場景應用問題，未達到工業級應用所要求的全流程、貫通式的優化和閉環調控。

1.2 壓裂人工智能應用研究現狀

壓裂人工智能發展至今，已在壓裂設計、施工管控、返排控制等方面進行了有益嘗試和研究，特別在壓裂設計智能優化、施工過程工況診斷與風險預警、壓裂返排優化控制等方面取得了一定的進展和應用效果。

1.2.1 壓裂設計智能優化

壓裂設計智能優化是基于地質—工程大數據，利用智能算法優化壓裂工藝參數和完井參數，達到高質量均衡造縫和大幅增產的目的，主要體現在產能預測與完井參數優化和壓裂布縫參數優選等方面。

在壓裂產能預測與完井參數優化方面，基本思想是建立地質、工程參數與產能的映射關系，采用最優化算法獲得完井最優參數組合，目前研究聚焦在如何提高模型預測精度上。Wang等[24]對比發現長短期記憶神經網絡算法可有效預測頁巖氣壓裂井產能，在測試集數據中獲得了較高預測精度，但在現場應用中仍需提高精度。為提高模型預測精度，部分學者研究了多模型組合和數據—機理聯合驅動的方式。Yang等[25]基于循環神經網絡和多層感知機的組合方式建立了煤層氣壓裂井產能預測模型，基于本構機理和數值模型構建數據集，對神經網絡模型施加物理約束。董銀濤等[26]基于XGBoost算法建立了壓裂井產能預測模型，通過改進損失函數引入物理約束，將預測誤差從11.68%降低至9.68%。周濟民等[27]將BP神經網絡和長短記憶神經網絡組合應用，同時在損失函數中嵌入Arps經驗模型，將模型平均預測誤差由19.66%降低至7.61%。但是目前體現儲層物性的數據來源主要依賴近井筒測井數據，缺乏遠井儲層和裂縫等信息數據，亟需融入地震解釋、微地震監測等遠井特征數據。

在壓裂布縫參數優選方面，有監督和無監督聚類算法被用于區分水平井段巖石力學性質的差異性，同時考慮縫間應力干擾作用，優選巖石力學性質相近的井段布置裂縫，達到裂縫均衡起裂與擴展的目的。Palmer[28]利用聲波和微電阻率測井判斷巖石力學強度和天然裂縫分布密度，利用模糊C-Means無監督聚類算法沿井筒聚類。Tran等[29]綜合利用鉆頭破巖數據和測井數據反映巖石力學性質差異性，建立了基于有監督聚類算法的水平井段巖石強度差異性評價模型，優化了水平段軌跡和壓裂布縫位置。Drill2Frac公司[30- 31]通過計算鉆頭破巖所需的機械比能，采用無監督聚類算法，實現了儲層可壓性評價和布縫位置優選，在北美6個頁巖氣盆地開展108口井現場應用，結果表明優化井產量同比鄰井提高約27%，增產效果顯著。

1.2.2 壓裂工況智能診斷與風險預警

近年來，以深層神經網絡為代表的深度學習逐步應用在施工過程工況智能診斷與風險預警。主要利用地面或井下實時監測數據，結合專家經驗標簽形成訓練數據集，通過建立循環神經網絡和分類算法診斷各類復雜工況和預警潛在施工風險。

在壓裂工況診斷方面，以哈里伯頓公司Smart Fleet智能壓裂系統[32]為代表，綜合運用光纖監測、井下微地震、壓力計等多源實時數據和智能算法，實現了壓裂射孔簇均衡起裂、裂縫擴展可視化和泵注參數實時調控，在北美二疊系盆地應用，單井產量平均增產20%。Ramirez等[33]結合分類算法、泵壓曲線變化特征和專家經驗標簽，實現了壓裂作業起始與終止時刻的識別，在驗證集上識別精度達90%。Shen等[22]建立了基于卷積神經網絡和U-Net架構深度學習的壓裂工況實時診斷模型，實現了壓裂作業起始與終止時刻、橋塞坐封、壓裂分階段工況的自動標注、模型訓練和工況自主診斷，通過混淆矩陣評價模型，準確度達95%。同時，信號小波變換作為一種重要的時序數據特征提取方法，在壓裂裂縫閉合壓力判識和裂縫擴展事件診斷方面起到了積極作用。Unal等[34]、Eltaleb等[35]基于小壓測試DFIT數據，采用小波離散變換分解細節信號，聯合能量譜密度判別裂縫閉合壓力及其時間，與傳統G函數分析方法相比,驗證了該方法可獲得更加準確的裂縫閉合壓力值。Mohamed等[36]利用小波變換方法，將從施工泵壓數據提取的能量信息與裂縫擴展物理過程相關聯，定量表征單位時間內裂縫擴展事件數，為實時診斷裂縫擴展信息提供了重要手段。

在壓裂風險預警方面，砂堵風險預警研究進展突出。2017年，方博濤[37]建立了壓裂砂堵風險預警BP神經網絡模型，選取12個特征參數作為神經網絡輸入參數，對比Nolte-Smith圖版砂堵判識方法可超前1.5 min預警。2020年，Sun等[38]通過搭建卷積神經網絡和長短記憶神經網絡融合動靜態數據特征，采用反斜率法判別砂堵特征數據，實現了砂堵實時診斷。Hu等[39]提出了泵壓超前預測和砂堵風險超前預警的方法思路，通過建立整合滑動平均自回歸模型和經驗規則約束，實現了砂堵風險超前37 s預警。2021年，Hou等[40]提出了砂堵概率表征參數，建立了基于循環神經網絡的砂堵概率預測模型，實現壓裂過程中砂堵風險概率的實時評估。套管變形風險實時診斷研究開始起步。2020年，Hoffman等[41]基于專家經驗形成的套管變形異常壓力顯示標簽數據集，采用隨機森林算法建立分類模型，用于診斷套管變形引起的異常壓力事件，獲得套管變形概率，為套管變形風險實時診斷提供了一種新的解決方案。目前仍缺乏風險預警后如何調控參數規避風險的強化學習模型研究。

1.2.3 壓裂返排智能優化

壓裂返排工藝與參數優化將直接影響壓裂增產效果。基本思想是基于返排生產動態數據和地質工程靜態數據，利用智能算法優化返排壓差與流量等工作制度，實現控制支撐劑回流量和優化壓裂液返排率。

Zhou等[42]通過大數據分析Marcellus頁巖631口井的井位、完井數據、壓裂工藝和生產數據，研究了壓裂液返排與完井屬性和地質環境之間的相關性，發現影響返排水采收率的重要因素包括壓裂段數、水平段長度、垂向深度等。Fu等[43]研究了Anadarko盆地7口致密油氣壓裂井返排數據，發現總注入水量、總射孔間隔、壓裂簇的數量是關鍵設計參數。Maity和Ciezobka[44]基于K近鄰、貝葉斯分類器和支持向量機等智能算法，建立了識別支撐劑顆粒位置和支撐劑分類的工作流，并在Permian盆地現場應用。Niu等[45]利用早期返排數據預測最終可采儲量，對比發現支持向量機是最優算法。Guo等[46]研究了威遠頁巖氣區塊214口水平井特征返排系數與地質、工程參數的相關性，建立了一種用于預測頁巖氣水平井返排曲線的機器學習方法。郭建成[47]基于四川龍馬溪組頁巖儲層250口井的地質和工程數據，建立了基于BP神經網絡的壓裂液返排率預測模型，以此確定返排率的最優區間。劉可等[48]結合相關性分析和主成分分析，建立了壓裂井產能與其影響因素的支持向量機模型，并交叉驗證優選最優返排率。目前仍缺乏以多目標協同優化為基礎的返排工作制度實時控制研究。

綜述表明，前人在壓裂人工智能單項技術、算法提升、模型預測精度等方面取得了一定研究進展，但總體處于從學術型研究向工業級應用的過渡階段，仍需發展壓裂全流程、貫通式的優化和閉環調控。

2 壓裂人工智能關鍵理論問題

為達到壓裂人工智能工業級應用水平，實現高質量數據集構建與建模，全流程、貫通式優化和閉環調控，仍面臨小樣本少標簽數據問題、數據驅動與機理模型深度融合問題、模型可解釋性差等關鍵理論問題。

2.1 小樣本少標簽數據問題制約模型預測精度

深度學習模型已在油氣井壓裂產能預測、參數優化等任務中取得了長足進步，但其成功應用很大程度上依賴于大量訓練數據，對于小樣本數據的訓練容易出現過擬合現象[49]。在數據規模上，油田數據庫難以像商業數據庫迅速擴充；而且在實際壓裂場景中存在多種數據類型，某些類型只有少量樣本或少量標簽，難以收集到較為準確的大量數據。因此，油田數據樣本有限且存在多個維度，數據部分缺失且齊整性較差，不能直接套用基于大規模數據的數據挖掘方法進行研究。

2.2 數據驅動與壓裂機理模型有待深度融合

數據驅動與機理模型融合是人工智能發展的熱點之一[7]。在壓裂流固耦合理論研究中，前人積累了大量領域知識和機理模型，通常以表征參數之間的數學關系來表示。當涉及到多尺度、多場耦合等問題時，因為輸入與輸出之間的映射關系過于復雜，探索機理模型將變得極其困難。此時，如果有足夠多的數據和標簽，可以通過數據驅動的機器學習建立起所需的映射關系和模型。但這種單純通過數據驅動學習得到的模型往往忽視了物理過程的內在機理，可能給出不符合常理的預測結果。因此，發展物理機理與數據驅動相結合的模型方法，是壓裂人工智能研究的發展趨勢和必然選擇。近年來，關于融合數據驅動與機理模型的研究引起了學界的廣泛興趣，尤其是在科學計算領域，比如物理信息神經網絡方法[50]。盡管如此，壓裂增產機理復雜，同時壓裂效果難以直接觀測，如何將數據驅動與壓裂機理模型深度融合，仍然是一個極富挑戰的問題。

2.3 人工智能模型可解釋性問題有待突破

油氣壓裂增產屬于典型的高投入、高風險作業，這對模型決策判斷的可靠性要求很高。因而，壓裂人工智能必須突破模型的可解釋性，使得人工智能系統的行為更透明、易懂、可信。模型可解釋性問題也是人工智能理論所面臨的共性核心問題[7]，目前可解釋性建模方法包括知識發現和知識嵌入等。知識發現是指從數據中挖掘具有物理含義的控制方程，重點在于確定控制方程結構和系數，有望用于建立裂縫擴展和油氣產出過程的力學控制方程，可針對不同儲層特征和壓裂方式建立個性化控制方程。知識嵌入是將領域知識整合到數據驅動模型中，創建具有物理常識的模型，并創建機器學習模型的過程。知識發現和知識嵌入相結合，可望為模型提供更豐富的信息，提高模型的準確性和魯棒性，并減少數據需求，為聯合壓裂專家經驗和機理模型提供重要的方法基礎。

3 壓裂人工智能研究的主攻方向

針對上述關鍵理論問題，從高質量數據構建、小樣本數據深度挖掘、可解釋性智能算法和壓裂閉環調控方法等方面提出未來主攻方向。

3.1 壓裂增產數據治理與特征工程研究

數據治理與特征工程是控制數據質量的兩個重要方面。壓裂增產數據具有跨學科、跨時空尺度、數據類型多樣等突出特點，亟需解決多源異構數據融合治理問題，構建以壓裂為中心的地質—地球物理—鉆完井—壓裂—生產全鏈接數據倉庫。同時，影響壓裂增產效果的因素繁多，疊加上小樣本少標簽數據問題，使得主成分分析中難以區分高權重參數，亟需解決壓裂增產弱關聯數據的特征工程問題，形成高質量的標簽數據。

3.2 小樣本學習場景下的壓裂數據深度挖掘

受限于油田數據的小樣本問題，常見的機器學習和深度學習模型都易產生過擬合現象，因此亟需研究數據增強和遷移學習等小樣本學習方法，提高模型的泛化性能和預測精度[49]。數據增強方法借助輔助數據或輔助信息對原有小樣本數據進行數據擴充和特征增強，可分為基于無標簽數據、基于數據合成和基于特征增強的三種方法。通過遷移學習方法將壓裂領域的傳統方法和專家經驗嵌入到機器學習模型中。

3.3 基于知識嵌入和知識發現的可解釋性壓裂智能算法研究

可解釋性人工智能方法對了解壓裂智能算法的優缺點和評估其風險具有重要意義。壓裂機理的復雜性使得常規模型方法普遍缺乏決策邏輯的透明度和計算結果的可解釋性，特別是圍繞壓裂產能優化、裂縫診斷與效果評價等方向的探索，亟需針對壓裂增產應用場景開展壓裂可解釋性人工智能理論研究，具體包括裂縫擴展流固耦合過程的知識嵌入大數據模型、裂縫擴展流固耦合機理的符號回歸與知識發現、水力壓裂復雜非線性產能評價智能表征等。

3.4 基于強化學習的壓裂參數動態優化與風險預警閉環調控方法研究

壓裂改造是一個極其復雜的地面裝備—井筒—裂縫間多參數耦合問題，常規壓裂監測技術能夠實現壓裂泵注實時監測和初步風險預警，但無法滿足壓裂泵注實時控制和實時優化調整，地面—井下傳感數據與智能算法有待深入融合，亟需建立壓裂多參數全局優化與風險控制理論，開展基于深度強化學習的壓裂參數動態優化與風險預警調控研究。

4 壓裂人工智能應用場景設計建議

合理設計應用場景是實現壓裂人工智能工業化應用的重要環節。圍繞高質量造縫和安全壓裂的目標需求，綜合考慮數據質量、算法適用性和算力等因素，建議構建如圖1所示的三類壓裂人工智能應用場景。

圖1 壓裂人工智能應用場景示意圖

4.1 壓裂設計智能優化應用場景

壓裂設計質量決定壓裂井產能和經濟效益。基于特征工程明確影響壓裂井產能的特征參數；利用機器學習算法，建立地質和工程等特征參數與壓裂井產能的映射關系；以產能或經濟效益最大化、壓裂作業安全等為目標，利用尋優算法建立壓裂設計參數多目標協同優化模型，實現壓裂設計關鍵參數多目標協同優化。

4.2 壓裂施工過程閉環調控應用場景

過程閉環調控是實現壓裂施工“無人/少人值守”的重要前提。融合地面參數采集、井筒光纖監測、井間微地震定位等物聯網數據，為工況智能診斷與風險調控提供標簽數據基礎。以深度學習和強化學習理論為基礎，利用循環神經網絡獲取時序數據特征，實現壓裂工序、橋塞坐封、暫堵封隔等井筒復雜工況診斷和砂堵、套管變形、井間壓竄、地面設備故障等風險預警；建立專家獎懲決策機制和協同控制算法，實現壓裂參數動態優化與風險預警實時調控，最終構建智能壓裂泵注實時控制系統，大幅提升裂縫均衡擴展和高效支撐，同時降低設備故障與工程風險。

4.3 壓裂返排實時優化控制應用場景

壓裂返排實時參數優化與控制是大幅提高壓裂效果的重要保障。采用深度神經網絡算法，聯合裂縫閉合支撐力學分析、壓裂液回流動力和阻力分析等物理機理，構建數據—機理聯合驅動的裂縫閉合與壓裂液返排預測模型；采用主成分分析、機器學習、最優化算法等大數據智能分析方法，評估不同地層參數、裂縫幾何形態參數、支撐劑參數和返排工程參數對壓裂液返排率和支撐劑回流量的影響，明確返排主控因素；采用深度強化學習算法，以降低支撐劑回流量同時提高壓裂液返排率為目標，進行多目標協同優化，實時控制調整不同返排制度，以期實現裂縫高質量支撐、最大化累計產量和經濟效益。

5 結束語

(1)壓裂人工智能是油氣行業智能化發展的核心技術之一，反映了一個國家的油氣科技發展水平。壓裂人工智能總體處于從學術型研究向工業級應用的過渡階段，部分關鍵基礎理論與核心技術尚待突破，亟需制定我國壓裂智能化發展規劃與技術路線，系統開展壓裂人工智能理論與技術研究。

(2)壓裂人工智能技術涉及大數據、人工智能、物聯網等關鍵基礎理論與技術，有必要推進多學科交叉，加強油氣壓裂增產與前沿理論及技術的跨界融合。同時加強協同創新，搭建產學研用合作平臺，完善人才培養和團隊建設機制，進一步推動壓裂人工智能技術的快速發展，為復雜油氣資源高效勘探開發提供關鍵技術支撐。