油井产量预测上的人工智能应用

摘要：近年来，人工智能在人脸识别、自动驾驶等多个领域得到了广泛应用，与其他学科交叉融合的相关研究发展迅速。主要综述了人工智能的发展历史及其在油井产量预测上的研究进展，目的是为了跟踪最新的科学研究进展，体现人工智能在油井产量预测上的可行性和有效性，为该领域的科学研究工作者提供思路和新的启发，为实现智慧化油田提供新的科学支撑手段。

关键词：人工智能；油井产量预测；智慧化油田

石油资源作为国家工业发展和人们日常生活中的重要保障，具有非凡的意义，因此，优化油田开采的管理模式，将油田开发效益实现最大化非常重要[1–2]。然而，油田的地下条件十分复杂，石油的产量依赖于许多参数，其中主要包括测井数据和压裂数据[3-5]，这些参数之间往往存在非线性的关系，且通常会有大量缺失，因此建立准确的数学模型对油井产量进行预测分析并不容易。回顾油井产量预测的研究历史，发现传统的油井产量预测方法，主要依赖经验模型来预测油井产量的未来趋势[6-8]，比如基于Arps递减曲线的传统油井产量预测方法，在油藏工程中作为预测和分析油藏产油动态的典型代表方法，有众多实例证明其可行性。然而，由于石油在生产过程中会受到如采取压裂等增产增注的手段措施进行技术干预，Arps递减模型是通过历史产量的变化数据和对产量递减规律作出的判断，进行未来产量的预测，存在一定的局限性。近几年来，人工智能在各行各业的火爆热度，机器学习算法和深度学习算法都体现出了其处理分析数据的优秀能力，本文将对近年来国内外人工智能应用于油井产量预测上的研究进行文献综述整理，以帮助相关研究工作者了解最新的研究进展。

1人工智能的发展

人工智能是计算机科学的一个分支，大多数指的是利用计算机及其系统模仿人类神经网的工作状态，以达到计算机及其系统能够拥有推理、分析和判断等学习行为的目的。人工智能集合了计算机科学、逻辑学、生物学、心理学和哲学等众多学科，在语音识别、图像处理、自然语言处理、自动定理证明及智能机器人等应用领域取得了显著成果[9]。通常人工智能的算法主要是机器学习和深度学习两个方面。机器学习是指计算机系统依赖于模式和分析使用的算法和数学统计模型的科学研究，目的是为了高效完成指定的特殊任务，而不使用直接明确的命令。深度学习（也称为深度结构化学习或分层学习）是基于人工神经网络更广泛的机器学习方法的一部分，学习可以是有监督的、半监督的或无监督深度学习[10]。机器学习和深度学习并没有明显的区别界限。1956年，由众多科学研究学者主导的达特茅斯会议第一次将“人工智能”作为讨论重点，标志着人工智能作为一门新兴学科的诞生[11]。同年，阿瑟•塞缪尔创造了机器学习这一概念，并利用机器学习编写了一种和人类对弈下棋的智能程序，该程序在1962年战胜了人类下棋大师。之后，开始了机器学习热潮，机器学习理论逐渐丰富。机器学习分析和解决问题的主要过程被分为训练和预测两个阶段，在训练的过程中获得目标模型，通过目标模型得到程序的预测结果。随后，由于当时的机器学习算法能力的一些不足，人工智能在实际生活生产的运用上迎来了发展低谷。直到1997年，IBM公司的“深蓝”计算机在国际象棋比赛中的胜利，为人工智能的发展获得新的契机，以符号为主的研究趋势走向低谷，以仿人类神经为基础的研究逐渐火热。研究学者们提出了更适于大数据挖掘的深度学习概念，人工智能再次出现研究热潮，大量优秀算法问世，如前馈神经网络、卷积神经网络和长短期神经网络等，在图像识别分类和数据分析预测上发挥重要作用。至今为止，对于人工智能的研究在科学界依然如火如荼，发展迅猛，各行各业的研究学者开始重视人工智能与其他学科的交叉融合应用，如机器学习与自动驾驶紧密结合，不断提升行业的发展潜力，深度学习强化学习的算法提高无人汽车的自动驾驶能力，使得训练出的模型在基本路测环境中保持稳定[12]。可以预见，在未来，人工智能技术将更加紧密地与人们的生活相结合，渗透入生活中的方方面面，且与各学科领域融合交叉，促进时代的发展。

2人工智能在油井产量预测上的应用

2005年，NguyenHH等介绍了决策支持系统（DSS）中采用的两种数据分析技术，帮助用户预测加密井的产油量，该系统以加密井可能的累计产量范围和生产寿命长度的形式进行了预测，并提供了数字化结果和可视化说明。2010年，金宝强等研究分析，由于油井产量随时间的变化关系受多种因素的影响，它们之间是一种极其复杂的非线性关系，利用支持向量机（SVM）方法，构建了具有时变特性的混沌-SVM耦合模型[13]，取得了较好的预测效果。随后，LiXiongmin等提出了一种改进的决策树学习方法，即基于神经网络的决策树（NDT）模型，该模型的主要优点是它可以捕获属性之间的依赖关系，因此，它可能提供改进的或更准确的预测。2011年，李春生等针对油田单井产量提出了基于改进型BP神经网络的预测模型，对传统的BP神经网络的结构和训练算法进行了研究，发现它存在易于陷入局部极小，收敛速度慢等问题，从而提出了使用算法的改进型BP神经网络，最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验，结果证明了该算法的实用性和可行性，在油井产量预测方面有一定的实用价值。次年，Mirzaei-PaiamanA以一种利用人工神经网络技术预测井口气液两相流流量的新方法，所建立的模型根据油嘴上游压力、油嘴尺寸和产油比来预测油流率，通过实例表明，所建立的神经网络模型具有较好的预测效果和较高的计算精度，与经验相关系数相比，ANN模型给出了最优的系数值，与包含三个以上输入参数的经验关联模型相比，该模型预测油流率的时间更短。2013年，AhmadiMA等又提出了一种基于模糊逻辑、人工神经网络和帝国主义竞争算法的油井产油率预测新方法。网络的输入变量为线路的温度和压力，输出变量为油流量，基于人工智能的模型做一种最有利的数值反演策略。2016年，MaXin利用了核函数方法将Arps递减模型扩展为非线性多变量预测模型，对中国和印度两个油田的历史生产数据进行了分析预测，结果显示该模型方法在油田产量预测上具有可行性。2018年，谷建伟等针对常规产量预测方法无法考虑时序影响因素的非同步性以及滞后性，应用时间序列分析方法，结合卡尔曼滤波器（Kalmanfilter），建立考虑因素动态关系的产量ARIMA-Kalman滤波器时间序列模型，以实例油田资料开展机器学习和数据挖掘，并采用数据拟合及预测检验评价算法合理性，实现最终产量数据预测，具备精准的预测能力。同年，ChithraChakraN发现了一种基于神经网络的累积产油量预测方法，利用HONN通过表示神经输入变量的线性和非线性相关，克服了传统神经网络的局限性，发现如果没有足够的训练数据，HONN在预测油气藏产量方面具有很大的潜力。随后周于皓等利用神经网络的强大非线性映射和拟合能力，构建神经网络产量预测模型，并针对油田生产数据的高误差、易缺省等特性和曲线拟合预测不易收敛的情况，提出了训练数据集扩充方法和改良的均方误差损失函数。LeylaMuradkhanli在2018年提出一个预测阿塞拜疆国有石油公司石油产量的人工神经网络，选择了多层感知器神经网络作为学习规则反向传播算，应用于石油产量预测，所建立的神经网络模型拟合良好，具有较好的预测能力和较高的精度。WangYang针对当前油气产量预测的需求，提出了一种基于AlexNet的多输入卷积神经网络预测模型，并与反向传播神经网络、支持向量机、径向基函数神经网络、k近邻和决策树方法进行了对比，发现该模型对实际油田数据的预测效果更好。近年来，谷建伟又提出了利用长短期记忆网络（LSTM）深度学习的时间序列分析能力，选取7口油井作为研究样本对象，考虑样本参数特征，选取排量、泵深、生产天数、含水率、动液面、气油比、周围油井产液量、周围注水井注水量等8个指标来预测油井产量变化[14]，效果优异。20世纪以来，国内外众多学者尝试将人工智能中的机器学习算法和深度学习算法融合到油井产量预测研究当中，综上所述，这些方法研究均取得了有效的成果，为科学管理油气开发提供了一种全新的思路。

3结束语

本文梳理了人工智能的发展历史和人工智能在油井产量预测上的应用。随着人工智能的快速发展，与其他行业的学科交叉融合尝试得到了越来越多的实践应用，相信在不久的未来，人工智能会进一步推动油田产量的科学预测分析，进一步提高对未来油井产量预测的准确性，辅助石油工作者实现更加智能的“可持续发展”油田规划管理。

作者：程悦菲 杨洋 单位：西南石油大学