近年來，許多新發現的油田都位於北極等惡劣環境中，或位於海水深處，或位於幾何形狀複雜、滲透性差的油田。 這要求從業者尋求新的創新解決方案，以最大限度地降低費用、優化效率並保持利潤率。 在本文中，我們將討論人工智慧 （AI） 在石油和天然氣行業資本最密集的業務之一中的應用：勘探。
石油和天然氣勘探作業是乙個漫長的過程，需要繪製區域圖以尋找潛在的碳氫化合物儲量。 它由三個不同的主要活動組成：測量、測井和岩心分析。 這三項活動的結果累積產生了給定油田的精細地質模型。 之後，油藏工程師繼續設計各種油田開發方案，包括鑽井和油井作業計畫，並執行模擬以找到最佳選擇。
*測量是一種對地下地質進行建模的儲層規模作業。 簡而言之，它使用聲波來穿透地球表面下的層。 該操作涉及在地球表面下產生乙個波，然後在波返回時通過稱為地震檢波器的感測器記錄波的反射。 通過水位以下的地層進行海上勘探也是如此。 然後對錄音進行處理，以產生地下及其組成地層的雜訊重建。
這種重建稱為立方體。 專家隨後解釋說，人們研究和分析了立方體，並建議進行勘探鑽探，以進一步增強他們對地下地層的了解。 鑑於測量的規模和複雜性，解釋非常耗時，可能需要一年多的時間才能產生準確的測量結果。
人工智慧領域的最新進展有望實現更高效、更準確、更省時的調查操作。 例如，研究人員建議使用卷積神經網路來提高重建階段的質量和速度。 另一方面，開發計算機輔助工具以協助口譯員以加快口譯活動也很重要。 研究人員提出了深度習技術，可以將解釋過程加快10-1000倍。
例如，提出了一種很有前途的立方體故障自動檢測方法。 斷層是岩石中的平坦斷層，由於岩石的運動而產生顯著的位移。 這些斷層往往是決定最重要油氣圈閉的主要因素。 自動檢測這些錯誤將有助於口譯員並加快整個活動的速度。
*立方體不足以讓專家做出昂貴的鑽井現場決策。 這是因為它們是巨集觀尺度的，需要通過微觀尺度的資料進行提煉。 為了生成這些資料，立方直譯器提出了幾個勘探鑽探位置來收集資料。 此資料是通過日誌記錄操作收集的。
該操作的目的是獲得與鑽探周圍地下地層的物理特性相關的更精確的資料。 探頭在整個鑽孔中移動，同時記錄周圍地層的不同測量值，例如自然伽馬強度、電阻率和對磁激勵的響應。 然後對這些記錄進行分析、處理，並用於完善解釋。
行業從業者正在使用機器習來自動解釋日誌記錄，例如沉積物型別。 一項案例研究報告稱，基於機器的 習 方法可以與手動解釋的記錄實現高達 92% 的一致性，同時速度提高 1,000 倍。 然後，參與該研究的研究人員要求同一位解釋員再次解釋相同的資料。 令人驚訝的是，兩本手冊之間的一致性為91%。
這意味著人工智慧不僅可以加快這一過程，還可以減少專家在這個過程中的主觀性。 加速和減少人為錯誤被認為是人工智慧在該領域的主要貢獻之一。 機械習也可用於直接縮小原木物理部分的範圍。 內部測試表明，機器習演算法可以很容易地用於重建日誌調查的主要部分。
岩心分析類似於測井，但它是通過直接檢查從地面採集的岩心樣本來完成的。 岩芯樣品是使用特殊鑽井裝置從鑽孔中提取的長圓柱形地面部分。 該分析提供了對不同油井特徵（包括孔隙度和滲透率）的最準確測量。
正如研究人員所提出的那樣，基於最新技術的計算機視覺技術可用於自動岩石分類。 此外，採用機器習演算法，基於常規岩心分析資料確定岩心的孔隙率和滲透率。 這些演算法被輸入大量標記的歷史資料，以便它們可以學習 習 輸入和輸出之間的對映。 訓練資料越豐富、越多樣化，它們的表現就越好。
儘管在勘探中使用人工智慧具有巨大潛力，但大量標記資料的可用性成為乙個關鍵挑戰。 人工智慧演算法需要大量標記資料才能獲得卓越的結果，使其適用於現實世界的應用。 石油和天然氣公司對跨公司和跨境資料共享所採取的立場對於人工智慧的成功及其採用至關重要。
如果這種立場是負面的，人工智慧將由於缺乏訓練資料而表現不佳。 這將導致對人工智慧在行業中的可用性的誤解。 除了勘探作業外，人工智慧在鑽井、生產和維護作業中具有更大的潛力和更快的採用速度。
優質作者名單