摘要:针对勘探开发业务流程及热点问题，阐述了大数据及人工智能技术的研究及应用进展。经过持续攻关研究，在胜利油田油气勘探方面形成了断层检测、层位提取、岩性识别、测井解释等多个应用场景的智能化技术，断层解释效率提升10倍以上，测井砂泥岩岩性识别准确率超过90%；在油气开发方面，探索实现了注采响应识别、开发指标预测、方案智能优化等场景的智能化应用方法，方案优化效率提高5倍以上。研究表明，大数据及人工智能技术具有多维度、多尺度数据高效分析能力，不仅可大幅度提升工作效率，而且有助于提升地质建模和油藏工程预测精度。同时，针对现有技术应用问题，未来将重点聚焦核心算法攻关、样本数据标准制定及样本库扩充、智能应用平台建设等工作方向，逐步实现勘探开发全方位、全流程的智能化应用落地，推动油气勘探开发领域智能技术发展，助力油气行业提质增效。

摘要:精细油藏描述研究内容特别丰富，积累了海量数据资料，为大数据技术应用提供了坚实的基础。同时，精细 油藏描述由数字化向智能化转型和快速发展进步，需要大数据技术提供支撑。从基础统计数据和综合研究成果数据2方面，阐述了精细油藏描述中大数据的特点。除了这2类数据表资源，精细油藏描述中大数据还包括测井解释图版、地震解释数据体、地质模型等各类数据体以及各种成果图件。结合科研实践，从地层自动精细划分与对比、储层沉积微相（或储层构型）自动批量判别分类、测井精细批量二次解释、聚类分析储层综合定量评价和多点地质统计学三维地质建模等5方面介绍大数据技术在精细油藏描述中的应用。精细油藏描述中大数据技术应用存在的问题包括大数据技术数据库的建设、大数据技术信息挖掘、大数据的代表性问题、大数据多种类型数据之间的融合、大数据应用的安全性问题、大数据应用领域拓展等；未来发展方向主要包括大数据应用平台建设、大数据技术信息挖掘方法优化、大数据质量控制、大数据中的可视化技术创新、海量油田开发大数据的标准化管理、大数据技术在非常规油气精细油藏描述中的应用探索等。

摘要:岩性识别是油气勘探开发领域一项重要的基础工作。针对致密砂岩储层岩石成分复杂、岩性多样和岩性常 规测井识别受限等问题，利用机器学习算法在数据分析上的强大功能，采用泛化能力出众的梯度提升决策树（GBDT）算法解决岩性识别中人力和物力耗费大的问题。以鄂尔多斯盆地三叠系延长组长7段致密砂岩储层为研究对象，通过敏感分析选取声波时差、自然伽马、电阻率、泥质含量、自然电位、有效孔隙度、含水饱和度和密度8个测井参数，构建基于GBDT算法的岩性识别模型，结合实际数据进行验证和应用效果分析。与朴素贝叶斯、随机森林、支持向量机和人工神经网络算法岩性识别相比，GBDT算法岩性识别准确率达到了92%，高精度的GBDT算法岩性识别模型为致密砂岩储层岩性精确识别提供了新的解决途径。

摘要:目前中国大部分油田开发进入后期，常规油气逐渐开采殆尽，低阻油层等非常规油气藏成为重要探测目标。在复杂断块油藏中，受沉积微相、构造以及层间干扰等多因素所致，单纯依靠专家经验人工识别准确率不高且效率较低。应用大数据挖掘技术，以小层数据为切入点，融合测井与研究成果资料筛选并核实低阻层；应用并行关联规则算法挖掘小层的含油性相关参数关系；基于聚类分析算法进行小层分类，对包含已核实低阻油层类小层进行相似度计算，实现低阻油层识别。通过对东部地区某油田大量数据分析表明，大数据驱动的低阻油层精准识别方法可以有效地实现低阻油层的挖潜，识别准确率达90%，并将优选的潜力层在油田生产实施，获得了良好增油效果。该方法在油田的应用节省了大量人力，降低了开发成本，提高了采收率。

摘要:沉积相建模是储层建模中的一个重要环节，有多种方法可以用来建立沉积相模型。传统的建模方法需要利用各种参数对变量的空间结构信息进行刻画，如变差函数、数据样式等，在模拟中再现这种空间结构。利用生成对 抗神经网络方法（GAN，Generative Adversarial Nets）建模采用了不同的策略，通过对大量图像（模型）的学习，生成与学习样本具有高度相似特征的模型。基于单一图像生成对抗神经网络方法（SinGAN，Generative Adversarial Netsbased on single image）对传统的GAN方法进行改进，仅需一张图像进行训练就能够生成高度相似的图像。以N气田2个小层的沉积微相图为例，建立了相应的沉积相模型，并与经典的基于样式的多点地质统计学建模方法（Simpat）对比可以看出，SinGAN方法与训练图像刻画的沉积微相空间结构更相似，具有良好的应用前景。

摘要:中东M油田是以碳酸盐岩储层为主的双重介质油藏，裂缝发育、非均质性较强。由于目前常规单一的地震属 性无法精细刻画裂缝分布规律，因此建立了基于神经网络的多信息融合裂缝建模技术，首先利用神经网络预测无成像测井资料的单井裂缝密度；其次将纵波方位各向异性、地震不连续检测叠前地震属性，基于神经网络非线性融合进行三维裂缝密度发育概率预测；以单井裂缝密度作为井上硬数据，在严格的变差函数分析和裂缝密度概率体双重约束条件下建立裂缝密度模型；最后通过地质统计学建模方法建立离散裂缝网络模型并将其粗化等效成裂缝属性模型。模型拟合率应用于M油田开发决策优化，优选裂缝较为发育的区域采用水平井或大斜度井进行开发，平均单井日产油量达上千桶。新井揭示的裂缝发育情况与钻前预测一致，并且投产井单井产量均明显高于先期开发井。

摘要:伊拉克H油田M层组巨厚型碳酸盐岩储层非均质性强、孔隙类型复杂，常规渗透率测井解释模型适用性差。 为此，提出基于常规测井资料及衍生参数的混合模拟退火遗传随机森林算法（SA-GA-RF）渗透率评价模型。从测井响应特征分析出发，确定渗透率敏感曲线，通过随机森林算法（RF）建立基于地球物理测井资料的渗透率评价模型，并利用模拟退火遗传算法（SA-GA）对RF中的参数进行寻优，消除RF中关键参数对模型精度的影响。应用该方法对研究区进行渗透率评价，与RF、优化后的BP神经网络预测结果进行对比，结果表明，基于SA-GA-RF构建的复杂碳酸盐岩储层渗透率评价模型既能充分利用常规测井曲线的响应特征，又能表征测井曲线随深度变化的趋势，在非均质性强的碳酸盐岩储层中有很好的适用性。相比优化的BP神经网络，SA-GA-RF模型预测的准确度明显提高，与岩心渗透率的相关性达0.83，比RF的评价精度提高了0.15。

摘要:地下盐体与油气藏的关系密不可分，盐体的准确识别对油气藏勘探和钻探路径规划具有重要意义。以往的深度学习方法使用固定大小的感受野，不能根据地震图像中盐体的大小动态地调整卷积核来捕捉特征，从而忽略了部分全局信息，导致在盐体边界或狭长处识别效果较差。针对上述问题，在U-Net基础上进行改进，使用SKNet 作为编码器提取盐体特征，其具有动态选择机制，根据输入信息的多个尺度自适应地调整感受野的大小，并结合位置与通道自注意力机制以及超柱体方法进行特征融合。采用改进的U-Net方法对TGS盐体数据集进行评估，取得交并比为85.66%、像素准确率为96.1%的识别效果。

摘要:断层解释是油气勘探和开发中的关键步骤，由于采集的三维地震数据体数量增多，人工以及传统方法很难精细化解释数据体中的断层。为了更好地满足目前油气勘探开发对高效、高精度、高分辨率断层解释的迫切需求，研究基于深度学习算法实现地震数据的自动化和智能化断层检测。通过正演模拟的方法生成大量的、多样化的、符合实际情况的训练数据，同时结合已解释的断层结果构建完备的训练样本库。在此基础上设计优化的、简单的三维卷积神经网络模型高效处理大的三维地震数据体并获得精确的断层检测结果，对断层检测结果做进一步的匹配滤波扫描处理来获得增强的断层概率体、断层倾向和走向估计。最后根据这3个断层属性体，采用区域生长算法来全自动构建出数据体中所有的断层面。通过与传统的常规方法进行对比，该方法在抗噪性、精度和效率等方面均具备明显的优势。

摘要:针对横波速度预测问题，在分析经验公式法和岩石物理建模法优缺点的基础上，结合横波速度预测原理，提出基于深度前馈神经网络方法（DFNN）进行横波速度的预测。研究从纵、横波速度关系入手，详细阐述了DFNN方法应用于横波速度预测的可行性，并介绍了该深度学习方法的基本原理；选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练，建立可靠的横波速度预测模型。将该模型应用于不同研究区的横波速度预测，结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率，适用范围广，可以为叠前AVO分析、叠前反演提供可靠的横波数据，具有较高的实际应用价值和推广意义。

摘要:机器学习和数据挖掘具有出色的预测、分析、决策和计算能力，在油气勘探开发领域的应用已取得良好的效果。在总结储层预测方法的基础上，分析了不同储层预测方法的适用性及优缺点，应用机器学习方法，挖掘测井和 地震数据，预测了储层的岩石类型、空间展布、孔隙度、渗透率和含油饱和度。将该方法与地震反演储层预测对比，结果表明该方法具有明显优势。一是挖掘地震数据蕴含的大量信息并进行多重属性融合，使预测精度提高；二是数据驱动代替经验驱动，使工作流程简化。

摘要:随着油气田勘探开发难度越来越大，对砂体岩性预测精度提出更高要求。具有较高纵向分辨率的地质统计学方法，随着其应用范围越来越广，井间预测可靠性不足的缺点愈加明显。基于机器学习算法和属性特征双优选的砂体岩性预测方法，首先通过井震精细标定，明确砂体在地震数据和属性体上的特征；然后在属性特征优选和确定测井敏感曲线的基础上，选择最优的机器学习算法；接下来使用K折交叉验证法，获得最优超参数组合，最后通过多次迭代获得预测精度和鲁棒性都较高的训练模型。将该方法应用于埕岛东坡馆上段5砂组砂体岩性预测，不仅井点吻合度较高，预测的井间砂体延展形态也与地震数据保持一致，井间预测可靠性较高。

摘要:从地震数据中识别断层在地震资料解释中至关重要，但随着勘探规模的扩大，传统的人工解释断层已满足不了实际生产需要。如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是急需解决的问题。为此，基于改进的AlexNet模型，把自动识别断层的方法看作图像识别二分类问题。首先将批量归一化代替局部响应 归一化，加快模型收敛；其次引入平衡交叉熵损失，解决在地震数据中断层与非断层高度不平衡问题，使模型朝着正确的方向收敛；最后用卷积层代替全连接层，极大缩减了训练参数，加快了训练速度。训练的模型对理论数据和实际数据预测结果表明，改进的AlexNet模型充分学习了断层特征，具有可以从地震数据中识别断层的能力。

摘要:老油田开发井数多、纵向上多套层系发育、油水关系复杂，地层对比人工解释工作量大、多解性强。常规大数 据研究思路将多条测井曲线和分层样本标签通过选定的一种机器学习方法一次性建立样本预测模型，该方法预测模型精度低、收敛困难。针对性地提出了一种基于数据驱动和循环滑动时窗的小层智能划分方法，优选对地质分层敏感的测井曲线作为特征参数，为丰富样本库采取“窗口对点”的循环滑动时窗方法多次进行样本数据采集，通过优化不同机器学习方法的超参数，得到最佳训练模型，使用该模型对小层智能划分结果进行预测。分析结果表明，滑动时窗长度为20、步长为2时进行样本采集，基于随机森林方法构建的小层智能划分模型预测准确率达88.4%，优于常规一次性建模预测方法，取得最优的测试效果。

摘要:随着油气勘探开发智能化应用越来越成熟、应用场景越来越丰富，大规模应用日益临近，样本的分布式存储、 高效采集及并行计算已成为油气勘探开发智能化应用的迫切需求。地震勘探的智能化是油气勘探开发智能化的 重要组成部分。针对地震勘探数据具有的单一文件数据量大、非结构化的特点，在分析地震勘探大数据样本采集需求的基础上，提出基于Hadoop分布式文件系统（HDFS）的大文件分割和合并的解决方案，并对地震勘探数据生成3个不同维度的冗余存储，以提升地震勘探样本的采集效率。测试结果表明，基于HDFS的三倍冗余存储方案在数据量迅速增大的情况下，可以有效地提高地震勘探大数据样本的采集效率，从而满足地震勘探智能化应用需求。

摘要:基于卷积神经网络深度学习理论探讨了砂岩数字岩心绝对渗透率的计算方法和相关的重要影响因素。研究选取了3种具有代表性的砂岩样品包括Bentheimer砂岩、Berea砂岩和Doddington砂岩的数字岩心，比较了采用N-S 方程法和孔隙网络模型法计算绝对渗透率的差异性；探讨了对砂岩样品进行切割生成子样品时，3种不同子样品尺寸对绝对渗透率均值和不同方向渗透率分量的影响。在此基础上基于200×200×200尺寸对原砂岩数字岩心进行切割获取子样品，并对全部子样品进行微观渗流模拟计算获得相应的绝对渗透率，建立了用于深度学习的数字岩心子样品数据库。基于该数据库讨论了卷积神经网络系统搭建过程中的关键参数如学习率和丢弃率等的选择方法。训练学习后对测试集子样品进行测试，预测值与真实值差异在5%以内，证明了该方法的有效性。

摘要:为建立一套海上砂岩油藏定向井初期产能的预测方法，综合考虑地质、工程与开发3个方面17项初期产能的 影响因素，基于45口海上砂岩油藏定向井的2 700组数据，组合使用Spearman相关系数、随机森林与递归特征消除算法对影响因素进行重要性排序；并结合油藏工程逻辑判别，筛选初期产能的主控因素。选用极端梯度提升（XG?Boost）算法构建初期产能预测模型，并基于产能公式改进其损失函数，增强数据挖掘算法的物理约束。结果表明：地层流动系数、孔隙度、层间地层流动系数变异系数、电潜泵下入垂深、储层射开厚度、井眼尺寸、生产压差、电潜泵频率以及油嘴尺寸是海上砂岩油藏定向井初期产能的主控因素。采用物理约束的XGBoost算法对5口井初期产能预测的平均相对误差为9.68%，而无物理约束的XGBoost算法预测初期产能的平均相对误差为11.68%。因此，物理约束可有效提升XGBoost算法对初期产能的预测精度，同时可实现海上砂岩油藏定向井初期产能的准确预测。

摘要:深度学习已被广泛应用于油气田开发领域的各个方面，但是纯数据驱动的深度学习模型存在数据需求量大、预测能力不稳定和泛化能力弱等问题，而且模型无法考虑数据背后蕴藏的物理规律。针对油藏压力动态预测问题，建立了油藏渗流物理和数据联合驱动的压力场预测深度神经网络模型，将非均质油藏渗流数学模型以正则化 的形式加入到损失函数中，使得模型既能够服从数据训练的结果，又遵守渗流物理方程的约束。结果表明：联合驱动的深度神经网络模型可以实现压力场数据的高效学习和准确预测。对比纯数据驱动的深度神经网络模型，联合驱动的深度神经网络模型预测值与参考值的误差可降低93.1%，决定系数提高20.3%。在观测数据具有噪声的情况下，联合驱动的深度神经网络模型仍然可以保持较高的稳定性，具有较强的抗噪能力。

摘要:应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向。针对高精度全阶油气藏模拟速度慢的问题，采用一种基于深度学习的嵌入式控制框架（E2C，Embed to Control）模型，通过“编码器+线性转化模型+解码器”的架构构建深度学习网络，将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据。以南海东部番禺35-1气田为例，测试E2C模型与传统数值模拟器模拟结果的差别。测试结果显示E2C模型误差较小，其中饱和度场的相对误差小于5%，压力场的平均相对误差为8%；在相同的CPU条件下，E2C模型运行100次算例时间为16 s，比传统数值模拟器（运行时间为6 000 s）快375倍。实际应用结果表明E2C模型在保证模拟精度的条件下可以大幅度提升模拟速度。

摘要:致密油藏经过体积压裂形成多尺度复杂缝网，强非均质性使储层参数不确定性显著增强，精确表征裂缝和降 低储层参数不确定性对精确建立油藏数值模拟模型非常重要。为此，建立了基于嵌入式离散裂缝模型的致密油藏CO2吞吐数值模拟方法，有效表征了致密油藏压裂后的多尺度复杂缝网；结合集合卡尔曼滤波方法，对致密油藏CO2吞吐生产数据进行了智能历史拟合，估计了储层物性和压裂裂缝参数，降低了模型参数的不确定性。结果表明，基于嵌入式离散裂缝的致密油藏模拟模型能精确表征多尺度复杂缝网，适用于处理压裂后致密油藏复杂裂缝的情况。经过等效处理的多尺度介质模型计算得到的产量曲线存在伪顶点和真实顶点，与实际致密油藏CO2吞吐生产规律认识一致；经过集合卡尔曼滤波智能历史拟合方法多次迭代拟合后，初始实现的多尺度裂缝介质模型集合参数曲线收敛性增强，J1井和J2井模拟预测产量与生产历史拟合效果良好。

摘要:准确识别煤层气井压裂效果的主控因素，进而有效指导重复压裂方案优化，是煤层气井提升重复压裂产能的 关键。依托研究区块的地质及工程大数据，利用基于Copula互信息的特征选择和交叉验证算法（CBFS-CV）识别影响压裂效果的主控因素，并结合梯度提升回归模型进行产能预测检验，形成了一种改进的煤层气井压裂效果主控因素识别算法。该算法可有效减少冗余性特征且增大相关性，并确定最佳特征数目。结果表明：煤体结构、储层参数（含气量、含气饱和度和临储比）和施工排量参数（最大施工排量）是影响研究区块压裂效果的3个主控因素，通过梯度提升回归模型验证CBFS-CV算法所识别出的主控因素的预测符合率达88%，证明了该算法的有效性。利用结果对该区块典型井进行主控因素分析，采用氮气泡沫解堵方案解决煤体结构差、煤粉堵塞等问题，现场施工后日产气量由288 m3/d增至805 m3/d，压裂效果明显改善。

摘要:胜利海上埕岛油田22F井区地质情况复杂，储层平面和纵向非均质性严重，制约了油田的注水开发效率。准 确把握油藏各层间的注水情况是进行油藏治理的重要前提，对于编制合理的注水开发方案也具有重要的指导意 义。提出一种基于数据驱动的吸水剖面预测方法，利用Extreme Gradient Boosting（XGBoost）算法建立吸水剖面预测模型，根据油藏的地质参数和动态生产资料预测各注水井在整个开发时段内的吸水剖面演化规律，从而为合理生产配置和注采方案调整提供高质量的基础数据。在埕岛油田22F井区的应用结果表明，基于XGBoost算法建立的吸水剖面预测方法能够实现吸水剖面的准确反演和预测，平均相对误差为0.04，决定系数为0.87，均方根误差为3.12。与KH劈分方法相比，模型预测值与实际吸水量的吻合度更高，更能反映油藏的实际吸水情况，为油田的精细分层注水和智能开发夯实了基础，提供了技术支撑。

摘要:及时准确地掌握油井的工况，对于油田安全高效生产和提高采收率具有重要意义。随着油田信息化建设的不断深入，示功图等油井生产动态监测数据实现了实时采集，并积累了海量数据，亟待进一步挖掘利用。基于“大 数据+深度学习”的新一代人工智能技术，有望突破现有技术的局限，引领油井工况诊断技术升级。为此，依托 4 000余万组涵盖不同油藏类型油井的历史动态监测数据，制备了涵盖5大类37种工况类型的油井工况诊断样本集，在此基础上，选择卷积神经网络算法，个性化设计了面向油井工况诊断问题的卷积神经网络（OWDNet），包含26层5 900余万个可学习参数。使用油井工况诊断样本集对OWDNet进行训练，10轮次后，训练准确率达99.7%，验证准确率达98.9%。利用开发的油井工况智能诊断系统，在现场完成500余万次工况诊断，准确率达90%，报警推送及时，借助该系统开展油井生产管控更加合理高效，油井工况持续改善，连续稳定生产井比例由68%上升到88%，为油田大数据的高价值应用提供了有益示范。

摘要:溢流是钻井作业中最常见的事故之一，如果对溢流监测与诊断不及时，可能导致严重的井控风险，甚至井喷。 钻井现场监测数据较多，直接采用这些数据作为溢流诊断模型的输入会增加模型的复杂度，影响模型的准确率，并且在诊断模型建立过程中存在溢流样本数据标记代价较高的问题。为此建立了基于核主成分分析-半监督极限学习机（KPCA-SSELM）的钻井溢流诊断方法。首先利用核主成分分析（KPCA）算法对钻井各参数进行信息整合，提取其主成分以反映原数据的核心信息，然后选用半监督极限学习机（SSELM）算法进行模型训练，最后利用现场钻井数据与SSELM和KPCA-ELM等模型进行对比实验，验证模型的有效性。结果表明，基于KPCA-SSELM的模型较其他模型具有较高的溢流诊断率及模型泛化能力，采用半监督极限学习机算法能够在钻井数据标记样本比较少的情况下充分挖掘无标签样本所包含的信息训练网络，进一步提高模型的性能，具有很好的应用前景。