人工智能在全球油气工业领域的应用现状与前景展望

窦宏恩 张蕾 米兰 彭翼 王洪亮

中国石油勘探开发研究院

AI)推向了数字化浪潮的顶峰，使AI风靡全球［1］。事实上，早在30年前AI就已经进入了复杂环境、重复性作业环境下的工业应用领域，如用于制造业的工业机器人、海洋深水作业的机器人等。如今，服务业中的机器人服务员、运输业中的无人驾驶汽车

0 引言

近年来，智能机器人AlphaGo和AlphaGozero在与人的对弈中，分别战胜了韩国的围棋九段李世石和中国的柯洁，将人工智能(Artificial Intelligence,及各个工业领域的多种故障诊断等都已获得较大突破，AI在教育、金融、军工、农业、管理等行业也相继得到了较广泛应用［2］。随着AI成为国际科技竞争的新焦点，世界主要发达国家将发展AI作为提升国力、维护国家安全的重大战略，从国家战略层面强化AI布局，竞相加大研发投入，组建新的研发机构，加紧推动AI治理体系建设，力图在新一轮国际科技竞争中掌握主导权。

在数字化浪潮席卷石油行业之际，国际石油巨头纷纷与IT业界巨头联合。目前加入到油气行业的IT业界巨头主要有谷歌、思科、微软、英特尔、IBM以及Facebook等。石油巨头选择跨界与这些IT业界巨头携手合作，将AI成功应用到了地震勘探与地震数据解释处理、测井解释、油气层识别、钻完井及采油作业等业务领域，并取得了好的研究成果和实际应用成果。除此之外，机器人在油罐清洁、井站巡检、无人机在管道检测中都得到不同程度的应用。

1 AI发展回顾

1946年图灵(Alan Turing)设计制造了人类第1台计算机艾尼阿克(Eniac)。此后，他就提出了发问:机器能否产生智能？1952年，图灵提出了后来被科学界广泛认可的著名 “图灵实验”：如果一台机器能够与人类展开对话，而不能被辨别出其机器身份，进行多次测试后，如果机器能让真正的人平均做出超过30%的误判，那么这台机器就通过了测试，这台机器可被认为具有人类智能［3］。图灵关于机器能否产生智能的发问孕育了 AI新学科。

经过分析研究，笔者将AI的发展划分为7个阶段［4-6］。

第1阶段：AI的诞生。图灵实验成功以后，1956年，麦卡锡(John Macarthy)、明斯基(Marvin Minsky)、罗切斯特(Nathaniel Rochester)、香农(Claude Shannon)等10人在美国新罕布什尔州汉诺威镇的达特茅斯学院召开会议，共同研究和探讨机器如何具有智能的一系列问题，并首次将这一领域命名为 “AI”，标志着AI正式诞生。

第2阶段：AI发展期(1956—1970年)。1959年塞尔夫里奇推出了一个模式识别程序，此后AI领域开始换发出蓬勃的生机。麦卡锡研制出了人工智能语言；塞缪尔开发的跳棋程序击败了州冠军；首台人工智能机器人诞生；专家系统首次亮相；美国斯坦福大学计算机教授维诺格拉德开发人机对话系统SHRDLU，由于它能够正确理解语言，被视为AI研究的一次巨大成功。

第3阶段：AI进入第1次低谷(1971—1976年)。主要在美国，科学家在AI研究中，对没有足够的数据库、算力及完备的解决复杂问题的算法等3大挑战预估不足，大学、研究机构与美国国防部高级研究计划署的多个AI合作研发计划失败，使大家对AI的前景产生了怀疑。1973年，英国著名数学家Lighthill针对英国AI研究状况的报告，批评了AI的失败。由此，AI遭遇了长达6年的科研深渊，导致其停滞不前。

第4阶段：AI的第2次崛起(1977—1986年)。费根鲍姆在第5届国际AI联合会议上提出“知识工程”的概念。此后，AI研究又迎来了以知识工程研究为中心的蓬勃发展期。英美等国也开始为AI和信息技术领域的研究提供大量资金，不仅神经网络等算法得到发展，而且随着第5代计算机的发展，人机对话、翻译语言、图像解释、推理机器人等也得到了研制和发展。卡内基梅隆大学采用AI程序设计成功XCON专家系统，1986年之前，专家系统产业的价值就高达5亿美元。

第5阶段：AI进入第2次低谷(1987—1990年)。苹果和IBM公司生产的台式机性能都已远超当时在专家系统催生下产生的Symbolics、Lisp Machines等和IntelliCorp、Aion等计算机硬件和软件公司的系统。因此，曾经轰动一时的专家系统在维持了7年后，命运的车轮再一次碾过AI，从此专家系统失去了往日风光。

第6阶段：AI第2次崛起(1990—2005年)。从20世纪90年代中期起，随着人工神经网络技术发展，AI再次崛起。1997年，IBM的“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，AI又一次进入了一个具有重要里程碑意义的时代。

第7阶段：AI爆发性发展。从2006年开始，由于互联网发展大量数据的产生、GPU计算机算力及深度学习神经网络等人工智能算法的突破，人类又一次看到了机器赶超人类的希望。2016年，Google DeepMind开发的AI围棋程序AlphaGo以 4∶1战胜韩国9段围棋冠军李世石。2017年，Deep-Mind升级后的AlphaGozero，自学围棋40 d后，以3∶0完胜当前世界围棋第一人柯洁，AI获得了爆发性发展，已成为各个领域都可使用的通用技术(General Purpose Technology，GPT )，引发了各行各业的高度重视。谷歌、微软、百度等IT界巨头、各大研究院所及科技公司纷纷加入到AI研究中，掀起又一轮的AI狂潮，并随着技术日趋成熟，被大众广泛接受。

2 AI关键技术概念及内涵

AI是一门新兴学科，出现了许多技术概念、术语及名词。其解释和定义不尽相同［2-3,7-9］。一些概念、术语和定义也在不断的修正和完善。但有一些技术概念、术语和定义本来就不属于一个层面的内容，而被混乱使用。诸如：机器学习、深度学习及强化学习等并列使用，人工智能、机器学习与人工神经网络等并列使用，机器学习、监督学习、无监督学习等并列使用。在这个新兴领域，出现这种现象的原因主要有2种：一是这个学科变得热门以后，各行各业的人都在进入，导致进入该领域的人群太多，部分人并没有系统学习这个学科，只有一些支离破碎不系统的了解；二是由于是新兴领域，著书立说的学者本身存在现炒现卖，对许多内容的理解不深甚至有误，而出现了在该领域的大小概念和层级理解不深，导致对技术概念、术语及名词被混乱使用。

2.1 人工智能

笔者对AI的定义为：AI是研究开发类人智能的理论、技术及系统应用的一门新兴学科，主要功能是通过计算机程序或者由智能机器人来完成类人智能要实现的目标和任务，能够做到对未来某种特定环境下的新情况做出判断和决策。其技术特征是它在各行各业都可被广泛使用，因此，它是一种通用技术，将影响整个世界经济发展，给全人类的生活模式带来颠覆性变革。

AI不一定像人一样进行思考，但不等于不能具有人一样的智能，也可能超过人的智能［3］。

在学科上，AI是一门以数学、计算机科学、密码学、自动化、应用心理学、生物学和神经生理学等为理论基础的新兴边缘学科。在理论上，AI主要囊括了大数据智能理论、类脑智能、量子智能等基础理论。在技术上，AI领域包括自然语言处理技术、智能计算芯片、跨媒体分析推理、自主无人系统的智能技术等核心共性技术［7］。就其实现思路而言，人工智能在发展过程中形成了三大流派：符号主义、连接主义和行为主义，这些流派的相辅相成推进了AI的发展。

2.2 机器学习

机器学习(Machine Learning)研究如何利用计算机进行算法编程，使用各类文字、图像和声音等多模态样本数据进行训练，发现或者找到规律，使计算机在特定领域中具有学习能力，获取知识或技能，从而实现人类的某些行为及目的。机器学习可以构建出在实际复杂环境下运行的 AI 系统，它是AI发展的核心。

在学科上，机器学习是涉及数据科学、最优化理论、统计学、拓扑学、计算机科学、系统辨识等诸多领域的交叉学科。

2.3 深度学习

深度学习(Deep Learning)机器学习方法中的一个分支(子集)，它是人工神经网络的发展，神经网络的层数超过 3 层就被称为深度神经网络，也就是深度学习。它将大千世界表示为一种嵌套的层次概念体系(由较简单概念间的联系定义复杂概念、从一般抽象概括到高级抽象表示)，一种能够使计算机系统从经验和数据中学习而得到提高的技术。

深度学习是让计算机学习样本数据的内在规律和层次表示方法，算法与一般机器学习算法相比更复杂。它通过学习和处理各类文字、图像和声音等多模态信息，具有学习分析能力，让机器能够具备人的能力识别文字、图像和声音等。它的成功应用使AI技术迈上了一个大台阶。而深度学习成为AI目前最主流的算法，打通了各行各业的应用壁垒。

2.4 迁移学习

迁移学习(Transfer Learning)也是一种机器学习方法，它是将在大数据源领域上学习获得的知识部分地转移(应用)到小数据目标领域或者相似目标领域(新任务)上的一种机器学习方法。通常所说的迁移学习多是指模型迁移。模型迁移是根本性迁移。换句话说，在A区域学习训练的模型能在B区域使用。迁移学习的核心是找到源领域和所要迁移目标领域之间的相似性，合理利用这种相似性［10］。

2.5 联邦学习

联邦学习(Federated Machine Learning)是针对数据孤岛和数据隐私问题提出的一种新的机器学习方法，旨在建立一种有第三方参与的基于分布数据(位于不同地点的许多计算机通过网络互相连接起来的数据)基础上的机器学习联合模型。模型训练时，不同地点的数据(参与方A和B的数据)在不披露数据的情况下，每个参与方遵守预设的联邦协议。在该协议的执行过程中，各参与方的隐私数据集、数据特征和标签隐私通过加密形式进行交换，通过第三方的聚合服务器计算获得中间变量，将加密或混淆后的中间变量与其他参与方交互，联合训练获得高质量的机器学习模型［11］。

2.6 自动学习

自动学习是指自动机器学习(Automated Machine Learning)，致力于研究机器学习自动化实现，用AI 来自动地设计AI的各个环节。在 AutoML 中，将特征提取、模型选择、参数优化调节及模型评价有关的重要步骤进行自动化地学习，使得模型可以自动化地学习到合适的参数和配置，无需人的干预即可被应用。自动特征工程的目的是自动挖掘并构造相关特征，使模型可以有最优的表现。除此之外，还包含一些特定的特征增强方法，例如特征选择、特征降维、特征生成及特征编码等。自动学习是将机器学习应用于现实问题的端到端流程自动化的过程。自动机器学习面向没有专业机器学习知识的用户，同时也向专业机器学习者提供新工具。它主张开发可以用数据驱动的方式自动实例化的灵活软件包［12］。

2.7 区块链

区块链首次出现在《比特币白皮书》中［13］，用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。2009年比特币社会网络创立，开发出第1个区块，即“创世区块”，用户可以信任区块链各节点(矿工)的分布式记账模式，节点上的各方以去中心化、去中介化形式，允许在全球范围内进行各种交易。比特币系统不会让所有矿工都参与打包区块进行交易，所以，比特币系统以每10 min为1个周期，给全网挖矿的矿工出了1道计算题，让全网的矿工采用Hash函数参与计算当前区块的数据及全部内容，得到1个Hash值，全网的所有矿工，通过比拼算力，最先算出Hash值的矿工将取得打包区块的交易权，生成1个新的区块，然后广播给其他矿工，其他矿工开始同步更新；最先计算出结果的矿工除了拥有“记账”的权利，还可以获得25个比特币，这就是区块链的原理。矿工每个记录，就是1个新区块，会盖上时间戳，每个新产生的区块严格按照时间顺序推进。区块与Hash值一一对应，每个区块的Hash函数都是针对区块头(Head)计算的， Hash函数的计算值是不可逆的，确保了比特币交易的安全性。

区块链作为一种使数据库安全而不需要行政机构授信的解决方案，首先被应用于比特币。区块链是一种由多方共同维护，使用密码学保证传输和访问安全，能够实现数据一致存储、难以篡改、防止抵赖的分布式记账技术；具有去中心、去信任等核心优点，能解决互联网中的信息不对称、交易成本高、陌生人信任等难题，被认为是继大型计算机、个人电脑、互联网之后的颠覆式创新［14］。

2.8 数字孪生

数字孪生是具有数据连接的特定物理实体或过程的数字化表达。该数据连接可以保证物理状态和虚拟状态之间的同速率收敛，并提供物理实体或流程过程的整个生命周期的集成，有助于优化整体性能。

数字孪生是以数字化方式创建物理实体的虚拟仿真，借助历史数据、实时数据以及算法模型等，模拟、验证、预测、控制物理实体全生命周期的技术手段，它需要依靠仿真、实测、数据分析等手段对物理实体状态进行感知、诊断和预测，进而优化物理实体，同时进化自身的数字模型。在此基础之上，数字孪生必需依托并集成其他新技术，它要与传感器共同在线检测和采集数据，以保证其保真性、实时性与闭环性。它可使产品、生产过程或性能虚拟表示，使各个过程阶段得以无缝链接，可持续提高效率，最大程度地降低故障率，缩短开发周期，创造持久的竞争优势。

3 AI在油气领域的应用现状

石油工业领域中AI技术的快速发展和广泛应用，得益于近10年来自地面和井下的各类测量传感器得到的高质量数据，得益于各类机械设备和仪器仪表的自动化和其智能化水平。石油行业中形成的较高水平的自动化和智能化是AI发展的基础。建立石油勘探开发的协同、集成工作流，利用综合储层信息和数据指导精确布井、高效钻井和压裂设计优化，实现地质科学、油藏研究、钻井和完井工程协作，为全油田建立一个可以互动的动态地质模型，通过模型进行甜点识别、油藏模拟和钻完井优化，形成数据资产，达到提质增效减成本的目标。石油工业的油气勘探、钻井、测井、采油、注水、压裂酸化、集输等过程都可以模拟，用已有数据进行建模和优化，节省人力物力，提高效率。从这个意义上说，计算力就是生产力。石油深埋地下数千米，已经远远超出了人类正常的感知能力。许多蕴含在数据中的暗知识必须借助AI。即使是需要常规知识，借助AI也可提供更快、更优的解决方案［15-17］。

3.1 AI油气工业平台加速智能油气发展

油气工业平台实现多学科交互融合和勘探开发一体化，节省了各环节衔接所造成的时间与成本损耗，促进了协同创新。

2021年3月，The Open Group 旗下的OSDU(开放地下数据空间)发布了首个面向生产环境的数据平台Mercury(R3)，该平台是按照开放式通用数据平台的体系架构设计和落地，是一个具有开放性和透明性的标准数据平台，将数据与应用解耦，消除了数据孤岛和数据屯仓，使地震、储层、油井等数据流清楚并且可用，从构建勘探开发集成工作流开始，缩短了整个工作周期，利用创新的数字化解决方案，加速了决策过程。同时，OSDU具有基于开源数据、边缘端、云原生及数字孪生等技术架构，可提供公有云、数据获取、API接入数据平台服务、微服务应用、信息安全等多项服务功能，支持大规模数据流处理，有效降低了时延。由于开源特性，敏捷度大幅提升，引入新能力的速度明显加快。此外，数据不再由少数几家公司所掌控，而是面向整个市场开放。OSDU发布的R3为油气上游生态的数字化、敏捷化和智能化发展带来了重要机遇，是真正意义上的协作平台，已经吸引了近200家包括油气运营商、云服务提供商、技术提供商、软件公司及学术研究机构在内的会员单位。它还与国际油气生产商协会(IOGP)合作，将工程数据整合到该数据平台，向运营商和业主呈现运行和工程数据全貌。它作为开源和灵活的数据平台(包括数据模型)，适用于能源及相关领域的许多解决方案，包括温室气体、风能、太阳能、氢能、地热能等新能源等。参与者可在该数据平台上获取大量厂商资料、开源数据和自主开发应用。目前OSDU使用的云提供商包括谷歌云平台、微软Azure、Red Hat Openshift和AWS。

2017年斯伦贝谢公司推出了DELFI环境平台。该平台为油气从勘探、开发及生产建立了全新的工作和研究流程，基于海量数据和云计算，构建多专业可操作、数据共享的平台环境，可以为各专业、多流程数据、模型和解释建立公共工作空间，将团队、系统、软件、新旧数据输入到平台环境中，通过融合实现协作效果的最大化，规范、统一并整合勘探、开发、钻井等各个领域技术人员的业务。基于多学科专业知识储备，利用强大的数据库，使得建模、数值模拟、数据分析和预测等复杂的计算过程变得更加智能和快捷。2019年，斯伦贝谢宣布与IBM合作开展一项石油行业的重大计划——混合云计算技术，将创建一个数字平台，实现对全球所有国家混合云平台的无缝访问，可以在任何盆地为任何运营商进行部署，帮助客户使用这些云数据分析服务，而无需将数据转移到第三方云数据中心，以加速油气行业的数字化转型。由红帽OpenShift提供支持的DELFI的私有云、混合和公共多云，以大幅扩展客户访问，实现了行业开放数据平台OSDU的第1个混合云。这种新的方式让用户使用多云成为现实，并解决了数据驻留客户最关心的关键问题，从而促进了云平台使用更符合当地法规和要求［18］。

2019年，哈里伯顿公司在微软Azure云上发布了10款Decision Space 365勘探和生产云原生应用程序，并将使用微软的语音和图像识别，视频处理和AR/VR等技术，为全球客户提供量身定制的E＆P数字业务解决方案。主要的云应用有矢量地球建模、全面资产仿真、数据基础和实时控制。其中，Decision Space 365中的矢量地球建模是一种高保真、快速的地球建模解决方案，它利用所有可用数据，无需网格粗化，即可在所有分辨率范围内生成各种尺度岩石属性模型。可进行多个完全耦合地下/地面场景制定最优油田开发计划的全尺寸资产模拟。应用程序可根据模型的复杂性调整计算基础设施的大小，提供更快速模拟，提高团队的工作效率和准确性，并降低成本［19-20］。

2020年，IBM服务公司和贝克休斯C3.ai (BHC3)联合形成了全球AI企业战略联盟，成为了AI软件平台提供的领军者，宣布为全球工业领域提供AI解决方案。随着IBM全球系统网络与BHC3的少代码/无代码AI平台结合，这个联盟旨在帮助企业快速交付行业和领域特定的AI程序，帮助合作者在世界各地建立数字战略，重塑业务流程、AI及现代化核心云上的应用程序和系统。BHC3的AI平台包括：快速设计、开发和部署企业级的AI程序在任何公共或混合云环境下应用的集成软件平台。BHC3和IBM共同为合作者提供基于AI的关键业务的解决方案设计、开发、实施和运营。BHC3与IBM服务也提供客户的混合云整合，包括IBM Waston、IBM Maximo和Red Hat Enterprise Linux和 Red Hat OpenShift。该平台最小化构建应用程序所需的复杂性和编码工作40倍或者更多，节省开发时间，降低整体成本。据行业分析师预测，在未来10年云市场、大数据、物联网以及AI软件产值将在2023年增长到2300亿美元。企业AI将获得11万亿美元的经济增长［21］。

20世纪90年代，道达尔(Total)就开始将AI机器学习算法应用于油气工业领域。2013年以来，应用机器学习算法进行涡轮机、泵及压缩机等工业设备的运转性能预测，节约了数亿美元的费用。目前，他们将深度学习应用于产量预测、卫星图像的自动分析和岩石样本图片的处理与分析。道达尔2019年宣布，为了加速数字化转型，用数字化工具的能力来创造企业价值，2020年初在巴黎将开放一个数字工厂，开发人员、数据科学家及其他专家达到300人。数字工厂作为一个加速器，推动道达尔各业务领域的数字化转型，促使AI、物联网和5G彻底改变其工业实践，预计减少操作成本和投资费用，到2025年为公司每年将产生价值高达15亿美元的价值［22］。

2017年，BP公司制定了未来油田项目的转型战略，致力打造数字能源平台。关闭了其内部数据中心，全面使用云平台，削减了IT运行成本大约40%。2017年BP公司已投资500万英镑，开发了一个地球科学的AI云平台，为BP提供了独特的知识图谱。2019年，BP在休斯顿投资了一个称为贝尔盟技术(Belmont Technology)的初创公司，开发了一个AI助理平台Sandy，它可以自动将专家提供的地质学、地球物理学、油藏和历史项目信息结合在一起，创建出整个地下油气资产知识图谱，供工程师进行数据查询、问题查询与解答［23］。

2018年以来，壳牌(Shell)将AI应用到整个业务链中，将数字化创新作为公司的重要战略之一。实施了Shell.ai 的颠覆性计划，旨在推动AI平台建设，使AI大规模应用在其业务中，体现方法标准化，使用通用数据结构、平台、工具和工作方式，使壳牌全球跨学科团队实现共享代码、最佳实践并实现无缝协同工作。Shell. ai平台有超过160个正在进行中的AI项目，使用这个AI自助平台的数据科学家有800多人，在平台参与AI项目的有5 000人以上。过去几年，已举办了黑客马拉松40多场。数据湖中有超过1.1万亿行的数据可用于机器学习。在2020年， 85万个传感器以每分钟1次或更高的频率采集产生数据，整合到中央数据中心的数据量增加了5倍。中央数据中心管理着数千个实时机器学习模型，监控着1 500多个不同设备。通过与惠普(HP)公司合作，将传感器数据通过光缆传输至专有服务器，使得地震数据分析更加精确。通过将潜在油田数据与世界上其他油田数据作对比，地质学家能对井位做出更加准确的判断。另外将传感器放置在设备上，利用大数据技术来保障其机械设备的正常运行，可尽可能地降低事故率［24］。

2014年康菲(ConocoPhillips)石油公司在Eagle Ford的业务数据库基础上构建了大数据分析平台(IDW)，它是一个各学科的集中式数据中心，可存储分析包括生产运营、采油、钻完井、油藏工程以及地球科学等方面的数据。康菲石油公司与4所大学合作开发未来的数据大脑来替代普通劳动力。通过大数据分析、人工智能算法等，指导精确布井、高效钻井和压裂设计优化，实现地质勘探、油藏研究、钻井和完井工程、经济评价的协同，大幅提高钻井作业效率和单井产量，降低吨油成本。康菲石油公司运用IDW形成新的工作方式，促使每个业务部门采用一体化运营方法来组建业务和信息技术多专业团队，在数据存储、处理和可视化，以及将业务知识与信息知识相结合等方面起到了重要作用。它已成为康菲石油公司在进行业务数据分析和数据集成的核心，该平台在美国鹰滩页岩油气区应用后，钻井周期缩短了50%，单井产量提高了20%［25］。

2019年，中国石油发布了勘探开发梦想云平台1.0，成为中国油气行业第1个智能云平台。它统一数据平台、统一技术平台、通用应用和标准规范体系，为应用开发者提供了统一开发环境与技术规范，为平台管理者提供了一体化运维功能，支持技术平台持续提升。“梦想云”构建涵盖了上游业务勘探生产、开发生产、协同研究、生产经营、安全环保等5大油气领域。目前共研发了136款业务工具，集成了7款第三方专业软件，为勘探开发研究人员和决策人员搭建了一体化协同工作环境，支撑跨盆地、跨油气田企业的数据共享、成果继承及专业软件云化管理和整合应用，初步建成了勘探开发协同研究共享生态。应用于1175个勘探开发研究项目，应用后数据准备效率提高60~100倍，提高研究工作效率20%以上，节约硬件成本50%以上，降低软件采购成本60%［26-27］。

2018年，中国石油携手华为联合打造了勘探开发的认知计算平台(E8)。该平台由AI计算、知识图谱、AI智能超市、数据管理、系统管理5个子系统构成，已有AI算法120种，具有应用程序接口(API)。按照平台和场景2个关键因素进行设计，构建的AI智能超市可提供AI基础研发与能力共享机制，从数据处理、机器学习到模型发布、推理应用，是可提供一站式AI开发环境和知识图谱流水线工具的平台。目前AI应用到地震初次波拾取、地震层位解释、测井解释、油井工况诊断、油井产量预测等领域，都已经取得了很好的成效［28-29］。

3.2 智能油气勘探成为精准找油降低勘探成本的唯一途径

AI在油气地球物理及测井行业的研究进展主要在数据处理与解释2个领域取得了较大进展。开展了地震属性分析、岩相识别、地震反演、断层识别、测井解释等研究，并开发出相关软件产品。不仅减少了数据丢失，进行构造、断层、层序解释，还可用于测井数据、叠前和叠后数据分析等多维度数据分析，得到能够直接预测油气的三维数据体，减少人工工作量，并提高解释精度。

世界较早采用AI进行地震解释技术的公司是美国Geophysical Insights公司。2008年，该公司就运用大数据分析、机器学习开发AI物探数据解释软件，发布了著名的地震数据处理软件Paradise，成功用于地震数据解释、地层属性分析，特别是直接用于薄层油气藏解释、直接烃类指示(DHI)等方面。该软件与以往软件相比，减少了地震解释的不确定性，从而推动了AI技术用于定量地震解释技术的发展［30］。

2017年，世界最大的地球物理软件开发与应用服务公司以色列的帕拉代姆(Paradigm)地球物理公司基于机器学习开发了多层神经网络地震AI解释算法，并嵌入SeisEarth解释平台，对美国二叠纪地层数据进行分析，获得了由各类岩性组成的3D地质体，改善了地震道属性的实时计算以及复杂地区盆地的视觉分析，获得更精确的地下信息，提高钻探成功率［30］。

2015年以来，康菲石油公司开展了“压缩传感”(Compressive Sensing)勘探技术研究与应用，形成了基于AI的非规则优化采样技术(NUOS)和压缩地震成像技术(CSI)等关键技术。该技术可以在放置更少传感器的基础上通过AI技术应用，获得更多更清晰的地质剖面信息。2017年，康菲石油公司在阿拉斯加应用该技术，使用12缆深海物探船，拖缆间距为50 m，在物探作业中，震源间距从最小12.5 m变化到最大30 m，改变震源发射点，获得高分辨率的地层图像，从而达到最优物探效果。CSI技术的应用改进了原有常规3D石油物理勘探技术，减少了物探作业采集数据量，大大提高了3D图像质量，缩短地震数据采集周期，降低地球物理勘探成本，使地震数据采集和处理的数量与原来相比增长了10倍［25,31-32］。

2018年4月，道达尔和谷歌签署联合研究协议，重点发展AI地震图像处理与解释技术，道达尔专家与谷歌云AI专家在加州的谷歌云实验室开展研究，利用计算机成像技术、自然语言处理技术寻求最先进的解决方案，开发一套能通过AI自动读取地震数据信息、自动分析技术图像、文档及声音的地下成像与解释技术。该项目最终目标是利用AI进行石油物探的地震成果处理和解释，提高地质学家、地球物理学家和地理信息工程师评估油气田的效率，为研究人员和工程师们提供一个AI 个人助理，使他们能够专注于更高附加值的任务［33］。

2017年5月，意大利石油埃尼(Eni)公司宣布了联合IBM开展AI 认知发现(Cognitive Discovery)，主要目标是开发一种采用AI处理大量地质、物理和地球化学等数据，并能实时提供更真实、更精确的数据进行地质建模。这些数据集经过处理形成知识图，然后呈现给地球科学家，有助于日常工作决策，也可以对备选方案进行识别和验证。通过AI分析处理结构化和非结构化的海量数据，准确解释潜在区域，及时通过钻探活动，确定可行的勘探机会，为勘探阶段初期决策提供支持，以减少勘探与地质复杂性可能导致的潜在风险［34］。

深度学习算法在测井解释方面得到应用。基于大数据的深度学习给地质储层参数预测带来了新的途径，该技术可以自主地学习油气井的测井曲线特征，避免了人为提取的误差，既能做岩性、岩石类型、沉积微相的自动识别，也可以做储层物性参数自动解释，改善了常规的储层参数预测方法处理复杂地质问题时预测精度不高的问题。

3.3 AI技术开启了人类钻井新时代

在钻井领域，旋转导向钻井、自动控压钻井、自动化及智能钻井及远程专家决策系统等具有里程碑意义的重大技术与装备的出现，标志着钻井已进入钻井自动化、智能化阶段。而自动化钻井仅指钻台设备的自动控制，智能钻井则要通过计算模型和智能决策技术形成控制指令，达到自动闭环控制钻井。从目前技术发展来看，此二者在同步发展，称为 “钻井系统自动化智能化(DSA-AI)”。它的最终目标是实现“智能分析决策-自动控制执行-参数测量” 的自动闭环操控。

2008年美国石油工程师协会(SPE)成立了钻井自动化技术部(DSATS)。2013年由Baker Hughes、Shell、Schlumberger、NOV、M-ISWACO和deWards等公司和设备制造商共同成立了钻井自动化路线图(DSAR)联盟。该联盟与DSATS以及IADC的先进钻机技术委员会(ART)分工协作，共同致力于自动化与智能化钻井技术的快速推进。目前最受钻井自动化团队欢迎的井下通信技术是国民油井公司研制的智能钻杆，2019年已应用130多口井，进尺超过30×104m。最有代表性的钻井自动化产品：eDrilling系统、Sekal公司DrillTronics系统、Aker公司的HIL模拟器和德国的CelleHIL模拟器。Sekal公司宣称DrillTronics是世界上第1套自动化钻井控制系统，具有实时监测、过程回放、诊断与优化控制功能。挪威石油(Equinor)投资4 500万美元参与开发和应用钻井自动化系统，通过优化参数、自动化起下钻、接单根和起停泵等操作，平均每口井节约钻井时间4%，每年缩短30~40 d的作业时间［35］。

贝克休斯、哈里伯顿和斯伦贝谢公司已经建立了100多个钻井远程支持中心。随着DSA技术不断提高，远程作业支持系统功能正在从监测决策向远程控制方向演进。如贝克休斯公司的专家决策支持与远程作业网络平台(BEACON)已经实现了在远程中心配备1名MWD/LWD工程师，负责全面技术支持，现场只有1名定向工程师和1名高级工程师。这种模式虽然在远程中心增加了1人，但在现场减少了3~4人。

2015年Hess公司与国民油井公司联合开展了16口井的闭环自动化钻井试验。通过测量传输井下钻压、扭矩、转速、陀螺测斜、横向振动、轴向振动和环空压力等参数，利用优化计算模型推荐的参数自动控制钻井过程，试验井平均日进尺提高了17%(其中直井段提高了24%)。

2018年哈里伯顿推出的Earth Star服务，将探测距离提高到了61 m。随钻前探/远探技术将探测得更多、更准、更远、更快，并成为未来智能钻井、智能油田的重要组成部分。

2018年威德福推出Victus智能控压钻井系统是一个工业4.0解决方案，应用了智能控制、设备自动化等领先技术。它采用了一种经过时间检验的独特算法模型，精确地保持井底压力，以增强井控。Victus是一项将人类智能与机器智能相结合而实现的突破，使用该系统客户可消除大多数钻井危险［36］。

2019年壳牌石油公司基于机器学习和控制算法软件开发出的Shell Geodesic钻井模拟器，能够实时收集钻井数据，简化钻井数据和处理算法的流程，为地质学家和钻井人员提供更优质的油气层图像，并自动做出决策。Shell Geodesic的目标是提高水平井定向控制的精度和一致性，以达到提高油气最高产层识别率的目的［37］。

2019年康菲石油公司致力于借助大数据技术提高钻井作业效率，利用TIBCO软件公司的Spotfire可视化数据包，对井中的传感器所收集的信息进行对比分析，通过程序自动调整钻头的马力和钻速，将伊格尔福特页岩区的钻井时间缩短了50%［37］。

具有自主学习能力的智能定向钻井系统采集钻头、大钩载荷、工具面、井斜、钻压与转速、立管压力、机械钻速等数据，利用钻井历史数据模拟钻井作业，应用自主学习算法生成钻井指令，实现高效定向钻进。经过180万步的训练后，将预测数据与实钻数据对比，压差预测误差为0.21%，旋转扭矩预测误差为2.72%，先导试验是在美国东部二叠纪盆地的14口水平井钻井中进行的，证实该系统可最终实现全自动定向钻井［38］。

3.4 数据驱动的智能油气田开发向地质工程与生产一体化迈进

国际石油公司纷纷将AI技术综合应用在油气藏甜点识别、油气藏描述与模拟、钻井、生产优化、地面资源调配、井下及地面故障诊断、风险预警等各环节。主要做法：一是利用云平台数据快速处理软件对各种海量信息和大量数据进行大数据分析和可视化，研究剩余油分布；二是优化调整井；三是用于监测和诊断生产设备的性能和工况；四是优化油气集输和销售。AI技术降低了不确定性，极大推动了油气田地质工程一体化技术的快速实现。

美国诸多页岩油气开发区块利用AI大数据分析进行油气藏 “甜点”识别，优化井位部署，建立协同及集成工作流，综合储层数据和信息，指导精确布井、高效钻井和压裂设计优化，实现地质、油藏、钻完井工程一体化协作，为全油田建立了一个各个环节可以互动的动态地质模型，通过该模型进行甜点识别、油藏模拟和优化钻完井程序。2017年，该方法在美国鹰滩、巴肯、特拉华盆地、DJ盆地和汾河盆地非常规油藏勘探开发过程中，通过将钻井、射孔、水力压裂层位的信息以及油气生产数据进行关联，从1.25万口目标井位中优选出了3 200口优质井位，资源潜力达10亿t (70亿桶)油当量。对美国巴肯页岩数千口页岩油井进行分析，甜点区预测符合率超过85%［39］。

俄罗斯RFD (Rock Flow Dynamics)公司开发的tNavigator地质建模与油藏模拟一体化软件，将GPU(图形处理器)高效并行计算技术及AI优化算法融为一体，实现了千万至十亿网格节点的模拟，成功应用于全球油气藏开发方案快速设计和油气藏建模及数值模拟计算研究。该软件与传统建模数模技术相比，降低了人工调参的不确定性，节约了时间成本，缩减了决策周期。截至2020年底，该软件在全球200多家油气公司得到广泛应用［40］。

2015年斯伦贝谢推出了 IntelliZone Compact 多产层智能控制系统，它由多通道封隔器、流量控制阀、温度压力传感器(线控长度4 572 m (15 000 ft))、多点模块、管线快速接头、地面控制系统及Well-Builder系统和地面操作软件构成，只用5条管线就可控制井下15个模块，提供每个产层的温度压力数据，无论是通过本地的SCADA系统还是远程连接都能实现实时监测井底条件变化，优化储层开采［41］。

Devon公司研究出全美页岩区块剩余油气可视化-交互式地图程序。该程序包括了全美陆地48个州过去10年10万口水平井的数据。每计算1遍当前所剩余油气量并以交互式地图的方式呈现出来，只需短短10 min时间。工程师可以使用该交互式地图快速做出至少2类重要的决策：快速找出理想的再次压裂井和快速找出理想的矿权租赁区块。基于设备故障的大量历史数据，以及每次故障相关联的各种因素，开发出了基于AI的预测生产井中人工举升设备故障程序。该程序每天可自动地报告现场技术员需要巡检的设备，大幅降低了设备故障率，节省了大量成本［42］。

2016年西门子公司推出了物联网操作系统MindSphere。在油气数字化应用方面，西门子公司提出了Topsides 4.0数字化解决方案。这项技术可将数据分析水平提高到一个新的层次，提供更好的用户体验和视觉化能力。

2019年5月威德福公司的子公司ForeSite宣布了全球首个将人工举升、生产优化与物联网(IoT)基础设施相结合的技术系统ForeSite Edge。该系统是基于物联网和云计算的油气生产平台，是威德福将数十年的生产经验和互联网公司先进的物联网硬件相结合的产物，可作为独立化自动化设备安装，也可附加配置在客户现有设备上。在这2种情况下，该技术可以通过实时数据和建模，调整举升参数，自主管理人工举升采油系统，同时运用预测技术防范风险，减少故障停机时间，实现持续的自主生产优化。用户可以通过该平台快速评估每口油气井的生产状况、跟踪历史趋势，预判发生故障的可能性。大幅提高油井生产效率，降低开采成本。这项新技术已经监测和优化全球4.6万口井［43-45］。

威德福公司同时还与上游数据可视化服务商INT公司合作，联合开发了2D与3D油井实时可视化技术。把INT公司的IVAAP框架嵌入到Weatherford Centro油井数字平台中，该平台可无缝整合多域油井数据、采用先进的可视化框架显示数据及采用AI算法、智能警报及实时工程模型模拟井下情况及故障，提升优化油井生产的能力。该平台能够集成生产操作者所辖油井各个要素的工作流数据，使分布在全球各地的团队可以随时访问、共享和存储任何重要的资料［45］。

2019年ABB公司推出了工业云平台ABB Ability，在油气数字化方面展开了6大布局：智能井监测管理、生产动态管理、能源消耗管理、设备监测与管理、数字化实现及作业安全管理。如ABB公司开发了变速控制器(VSD)可以智能控制人工举升系统的电机和马达。在实际抽油井中，VSD采用机器学习方法对泵抽过程进行建模和抽油系统参数优化。结果表明，新技术可实现增产50%，降低能耗30%，将维护和故障引起的停机时间减少了70%。

3.5 区块链和数字孪生技术推动数据资产化

区块链技术成为继续推动各行各业数字化转型和智能化发展的热点技术，油气工业的应用也不例外。区块链在油田产权交易和置换、油田服务、大宗商品交易和碳交易等方面都表现出了极大的应用前景。它的应用确保了信息真实有效，各类交易环节和流程更简单快捷，如各类放射源等危险品追踪，大型设备的核心部件运输、安装、维修等环节的追溯。该技术增加了人们应用AI技术的信心。

2019年9月雪佛龙、康菲石油公司、挪威石油公司、埃克森美孚、赫斯、先锋自然资源公司和雷普索尔7大油气公司宣布成立了OOC (Offshore Operators Committee)油气区块链财团，7家成员单位为董事会成员，还有马拉松、诺贝尔能源、壳牌等3个会员单位。他们还与区块链研究所(BRI)联合，旨在共同努力建立油气行业区块链标准、探索油气生产核算、能源交易、数字提单、数字货币等技术应用潜力，推动该技术和项目在油气勘探、生产、财务、IT、矿权管理及油气供应等油气工业领域的应用，并开发了区块链服务交易平台(BaaS)，为整个行业发挥示范作用。

2019年9月OOC油气区块链财团与加拿大技术提供商GuildOne合作，在R3公司提供的Corda平台的智能合约引擎ConTracks上成功地试验了基于区块链支出授权(AFE)投票合同系统。AFE票务概念验证(PoC)允许参与者发送选票，并使用区块链技术进行数字化投票。传统的AFE投票是手工进行，容易发生频繁争议，耗时长、管理复杂，导致高成本。区块链极大地简化这一点，使用智能合约来自动化投票和工作利益计算，并使用共享、不变的数据，减少了争议。OOC区块链联盟AFE投票项目将允许GuildOne利用Con Tracks在区块链能源交易业务网络Energy Block Exchange (EBX)上进行油气特许权交易的多个成员节点之间同时执行保密、安全和不变的AFE投票交换。该项目证明区块链可用于成功地自动分发AFE选票、联合操作协议(JOA)自动账单整合及随后的项目工作利益计算。

2020年6月，应用区块链技术实现油田水处理的自动化付款，测试用的区块链平台是是由Data Gumbo Corp开发的，它是一家区块链智能合约服务提供商。该公司得到了沙特阿美石油公司(Saudi Aramco)和Equinor公司的资助。试点测试集中在美国北达科他州巴肯页岩油田由挪威石油管理的5口井上进行，测试是与Nuverra Environmental Solutions水处理公司联合完成的。在该试验中，工作流程从90~20 d减少到1~7 d，根据多方数据自动验证，所有水处理体积测量85%的业务得到自动验证，未来自动验证可能接近100%；发票的自动交易执行与当前业务流程相比保证了付款与现场活动的一致性，降低了财务风险，并为运营商和卡车运输公司增加了25%~35%的资源分配潜力。OOC油气区块链实现了现场验证货物和服务，自动支付和实时费用跟踪，并将其扩展到其他商品和服务。该解决方案改变了油井操作者、油田供应商和销售商之间的工作方式，为其成员公司和整个行业提供成本节约和效率，这可能会节省数百万美元。

应用区块链技术可使大量汇票、工程变更通知单、收据等贸易相关的文件和存货数据通过采用编码规则来实现。对于提供新的跟踪、记账和自动化方法的协议的每个步骤都可创建出更安全的供应链、更加完善的资本支出和更加简化的合同约定，简单说就是知道什么人因为什么原因在哪里得到了什么样的报酬，谁是债主，协议中明确授权谁去执行，这些都是分布式账本技术潜在的颠覆点。如页岩气在开采过程中，需要不断对油井进行水力压裂，需要用卡车不断运送大量水和砂子，然后向井内注入，而从井内返出的水需要运送到专门基地进行处理。一家向页岩油气田运送砂子的企业每天都会收到1万个发票，企业对于大量需要处理的发票疲于应对，并且难以确定这些发票的准确性。区块链技术可以通过匹配车载GPS电子围栏技术，让这些发票随着卡车载重量或载货量的变化自动生成发票，不必借助人力参与，避免了争议，从而提高业务精确度［46-48］。

数字孪生是物理世界和虚拟世界之间进行实时双向通信。数字副本聚合了物理资产/产品的几何图形、资产信息和实时过程数据，以创建一个动态的、以工程为主导的业务系统。这使公司能够在将虚拟世界应用于物理世界之前，优化运营流程并改进虚拟世界中的资本投资。

在石油和天然气行业，数字孪生可以用来模拟 “如果”或“将会”的情景，以最终提高生产率、可靠性。它使业主和运营商能够从运营资产中的传感器收集实时数据，无论其位于何处，都可了解确切的状态和条件。可对钻井和采油进行建模，以确定虚拟设备设计是否可行。Equinor在Johan Sverdrup油田采用数字孪生改进实时运营信息可视化，能使用相同数据、IT基础设施和开发团队，以及拥有较少的涉众，对其资产组合进行筛选，来增强价值驱动，更好地利用资本产生重大价值。使用数字孪生使公司能更有效地部署资源，加快创造价值［49］。

随着石油管道在线监测技术的日渐成熟，管道运营人员可对管道进行实时监测，获取大量管道在线运行数据。然而，面对如此繁复庞杂的数据，如何实现数据的可视化一直困扰着管道行业，管道数字孪生技术成功解决这一难题。管道数字孪生技术是一项虚拟现实技术，可将管道数据以3D形式呈现。用户通过全息透视眼镜，可对管道的虚拟图像进行旋转，放大和扩展(视图缩小的最大范围达300 km2，放大的最大范围为2 m2)。管道附近的一些重点区域以热图的形式呈现，热图信息包括区域内地质情况，以及随时间变化的地质变化状况。用户可对这些重点区域的地形显示信息进行操作，包括升高、降低和旋转该处地形，从而更好地发现小凹痕、裂缝、腐蚀区域以及由地面移动引起的管道应变等潜在危险。管道数字孪生技术还可对管道周边的边坡测斜仪进行全息展示，用户可清晰观测管道随地面运动而发生的移动情况，管道的管径数据变化也可通过3D视图直观显示出来。该技术目前在加拿大Enbridge公司的部分管道进行应用，呈现了5.83 km2(2.25平方英里)范围内的地理信息情况，实践表明节省了研究管道数据的时间，有助于用户更好地监控管道运行状况，快速准确评估管道完整性［50］。

3.6 国内规模化智能油气田建设已达到国际先进水平

智能油田是在数字油田基础上提出并发展出的一个概念。智能油田建设是一个系统工程，建立数据银行和建设信息平台是智能油田发展的基础。其核心是利用实时数据流结合高性能软件和高速计算机系统，建立快速反馈的动态油藏模型，并将这些模型配合遥测传感器、智能井和地面自动控制系统，实现各种层次的闭环优化管理，让操作者更直接地观察和感知到地下生产动态，更准确地预测油藏未来动态变化，最终实现全油田范围的实时闭环资产经营管理。

AI技术发展加速推动了油气行业转型发展，成为产业变革的新引擎。中国石油、中国石化、中国海油和延长石油集团等都在数字化转型的道路上积极探索，向数字化大幅迈进。

从20世纪90年代开始，中国石油开始对油气生产自动化、数字化进行探索。大庆油田1999年在国内首次提出了建设数字油田的理念，目前其庆新油田初步建设成了油田生产指挥中心1座、监控终端3个，横向上以智能生产为核心，各业务部门协同办公，纵向上由数控中心直接下达生产指令到基层生产单元，实现了无人值守、电子智能巡检。

中国石油推动数字化转型，截至2019年底，累计建成各类数字化井14.4万口、站9 804余座，约占中国石油井、站总数的52%和43%。其中，长庆、塔里木、西南、大港、青海、吐哈、冀东等10个油气田实现全覆盖，实现了初步数字化、可视化、自动化，取得了显著的经济和社会效益。 值得一提的是，长庆油田实现了12个采油厂的79个作业区的数字化建设，覆盖率达到90%，4 500座井场实现无人值守；实现了6个采气厂的31个作业区气井的数字化建设，数字化全覆盖，其中195个站点实现无人值守［51-52］。

十三五期间，中国石化针对油气田业务体系，大力推进数字化转型智能化发展，以“石化智云”为基础，统一支撑智能油田、智能工厂、智能管线和智能研究院建设。上游业务中实现了工业APP按勘探、开发等专业分类管理，并指导业务系统的开发、管理、部署和应用。实现工业APP、业务组件、技术组件、公共服务等统一管理及共享复用，业务功能从 “一次开发、一次应用”模式到“组件开发、模块组装”的模式转变。2018 年开始，中国石化油田智云在胜利油田全面推广应用，已管理统一账号102 733个，运行215支流程、年业务办理量47万个、日均办理量1 303个，完成280套业务系统的统一认证集成，发布了油气勘探、油气开发、生产运行等6大类业务域共531个工业APP，完成34套存量系统的云化改造和22套新建系统的云上平台。

中国海油高度重视人工智能技术的发展和应用，积极推动人工智能技术与中国海油核心业务的深度融合。截至2020年底，中国海油已在多个业务领域开展试点应用。在上游钻井业务中，大力推进智能钻井实时数据监测系统集成与建设，建立钻井风险预测模型，实现分级实时监控和风险预警。曹妃甸作业公司已应用电潜泵智能采油系统进行预测性维护，电泵停产时间减少 30%，检修成本降低20%。智能分注分采系统通过对注水井、生产井的智能化管理，有效提升了高含水区块稳油控水水平。智能油气集输系统实现了全网智能调控、无人机智能巡检搭配人工巡检，形成低本高效、安全管理新模式，管道巡检效率较传统方式提升6~7倍。同时，中国海油也完成了11座无人平台的改造，正在建设20座无人平台，全力打造IT治理和网络安全技术2大体系，构建管理、生产和销售3朵云，以期实现公司降本增效和高质量发展［53］。

延长石油集团基本建成了基于大数据的新型勘探开发智能决策系统，统一基础数据库，兼容多种专业软件成果数据和数据模型，实现数据向研究成果的快速转换，实时共享，快速查询，提高工作效率。实现相应区域的勘探开发关键数据的实时提取和一键推送，协助技术人员快速开展研究，减轻项目开展前基础数据收集和整理80%的工作量。项目研究成果上传入库后自动回写数据库，实现了成果的及时共享。历经8年攻关探索，截至2020年，全油田14个采油厂121个区块13万口单井基础数据库初具雏形，平台功能逐步完善，应用试点范围不断扩大。

3.7 几点启示

大数据、云计算、人工智能、区块链及工业互联网等核心技术是推动数字化转型的引擎。国外IT行业和石油公司的巨头们在本次数字化转型的浪潮中已经成为弄潮儿，在许多技术方面已经遥遥领先，他们在这些领域的发展给我国AI在油气行业的发展带来如下启示。

(1)少代码/无代码AI技术平台解除AI应用壁垒。国内油公司和服务公司应借鉴国外AI平台建设技术与经验，努力打造少代码/无代码AI技术平台，降低AI的应用门槛，使AI在油气各领域能被方便快捷的使用。

(2)私有云、公有云和混合云的使用打破数据壁垒。开发利用混合云计算技术，创建数字平台，实现对所有混合云平台的无缝访问，这些云数据分析服务，解决了数据驻留客户问题，在国内也能实现无需将数据转移到国外第三方云数据中心，让用户使用多云成为现实，从而促进云平台使用更符合安全及保密要求，打破数据壁垒，加速油气行业的数字化转型。

(3)油气公司与IT业界巨头合作打破行业壁垒。从2017年开始，油气行业的油服公司和石油公司分别与IT业界巨头合作，掀起了AI领域的大联合和大协作，打破行业壁垒，实现最大限度的融合。比较典型的是：斯伦贝谢宣布与IBM、红帽、OSDU合作，哈里伯顿与微软合作，贝克休斯与IBM、红帽合作，道达尔与谷歌合作等，并且都已经见到很好成效，油公司发展AI的趋势还是要快速融入IT行业。国外公司的合作模型和建设AI的成果经验也值得我国借鉴。

(4)尽可能加入国际油气AI联盟，打破信息不同的壁垒。国际油公司之间成立许多有利于AI发展和场景落地的国际组织。我国油气公司也采取积极参与态度，分享成果，诸如可考虑加入OOC油气区块链联盟、OSDU的数据平台联盟等。

(5)油气行业的AI公司建立战略联盟打破场景落地难的环境与技术壁垒。从国外油气公司AI发展所取得的成效看，落地的主要场景、所采取的发展策略值得我国借鉴：多家公司联合，建立联盟，以共同投资，减少风险，成果共享。

4 AI未来发展前景

当前，大数据成为AI发展的基础，到了用数据说话和决策的时代，石油就在数据之中。AI被誉为第四次工业革命的引擎，已在石油工业各个领域产生了极为深远的影响。展望未来，随着5G、云计算、AI技术的发展，世界油气工业智能化水平将会越来越高，一次巨大的油气技术革命即将到来。预计到2035年以后，智慧地质、智慧钻井、智慧完井、智慧优化、智慧管道和智慧炼厂将全面建成，油气田企业的发展达到最高境界，全面进入智慧时代，把油田装在手机里将会变成现实。

4.1 智慧地质

构建地质云平台，将地质基础岩相分析与数据科学、物理学和数值方法结合在一起，创建出一套适用于研究区的智能地质描述方法，在虚拟实验室中创造出用于能在线研究的“数字岩石”，更准确地分析孔隙度、渗透率以及岩石与其内部流体相互作用的信息等，并通过地质云技术，极大地缩短样品分析对比周期，提高分析准确性。展望未来，人工智能与地质研究的深度融合，将催生出智慧地质，实现由地质大数据向智慧地质的升级，有力地推动着地质调查向着快速、精准、高效的方向发展，并不断提高国土资源监测及高原高寒无人区地质精细填图能力，实现智能化、绿色化勘查。智慧地质在油气行业中，将更高效地圈定最具潜力的区域、储层和井位，提高探井成功率，促进增储上产。

4.2 智慧钻井

未来的智慧钻井主要由智能钻机、井下智能导向钻井系统、现场智能控制平台、远程智能控制中心组成，它们构成一个有机的整体，实现闭环控制。智能机器人钻井系统将取代钻台工人和井架工成为未来钻机的核心，现场智能控制平台将代替司钻完成所有操控。电动智能连续管钻井系统将实现连续起下钻和连续循环功能。2030—2035年，将进入智慧钻井新时代，实现全自动钻井，一些关键作业将实现远程操控。

4.3 智慧油田

未来智慧油田将以大数据、5G、物联网、云计算、边缘计算、智能传感器、数据存储及传输设备等形成技术支撑。以智能数据分析控制平台为中心，无论固定资产、移动设备还是工作人员直接同控制中心建立联系。预计2030—2035年，全油田进入智慧化分析海量数据时代，可实时地对全油田资产范围进行资源最优调配、生产优化运行、智能故障判断与风险预警等，最终实现全部油田资产的智慧化运营，油气田进入远程无人化控制的智慧油田时代。

4.4 智慧油气管道

智能管道将以管道本体及周边环境的全生命周期数据为基础，以大数据、5G、物联网、云计算、数字孪生、自动化与智能管道监测和管控等技术为核心，形成管道高度集成的一体化系统。预计2030—2035年，全面形成具有可观测可控制的大管网、地上地下一体化的智能感知、自适应和综合优化平衡的数字孪生智慧管，大幅度降低管道运行事故率，有效提升管道安全运营水平。

4.5 智慧炼厂

智慧炼厂是指在数字化炼厂的基础上，利用大数据、5G、物联网、数字孪生、云计算等新一代信息技术和设备监控技术为主体所建立的炼油体系。确保炼油生产线各类数据及时准确采集、生产过程高度可控、信息管理和服务准确支撑产供销体系，实现全过程的安全、环保。预计2030—2035年，建成具有自动化、数字化、可视化、智能化的智慧炼厂，使得炼厂的产供销管控、能源管理、设备管理、HSE管理、辅助决策等形成全链式智慧系统，促进绿色低碳发展，推动行业大变革，操作人员大幅减少，劳动效率和生产效益大幅提升。

5 结论及建议

(1) AI技术虽然经过了2次高潮和2次低谷的发展，本次进入第3次发展高潮将一直会朝着更成熟的方向发展。其关键技术是机器学习、迁移学习、联邦学习、区块链、数字孪生等，自动学习+联邦学习+迁移学习将是未来AI技术发展趋势，自动学习将成为AI发展的终极目标。

(2) AI成为石油公司数字化、智能化发展，应对持续低油价进行企业变革和转型的重要推动力，成为油气科技发展的大趋势，是世界油气工业持续提质降本增效的有效途径和必由之路。

(3)油气钻井、油气生产、油气管道、炼油等多个油气领域预计2030—2035年将陆续进入智慧化时代。

(4)油气领域AI未来的研发方向是研发适合各领域的智能算法、智能芯片、智能新材料、制造新工艺；油气领域AI发展的重点领域是智慧地质科学云、油气藏甜点识别、油气储层描述与模拟、智能钻完井、智能开采、智能输送及智能炼厂等。

(5)数字化转型和智能化发展不仅限于业务层面，也贯穿到了企业组织架构、经营管理，成为一场声势浩大的技术革命，将推动全球油气行业变革，将改变石油行业的整体格局。