当今世界已经进入数字时代和智能时代, 大数据和人工智能技术应用业已渗透到科学研究、工业生产、军事国防、经济建设、社会发展、金融投资、健康服务、文化娱乐和人民生活的各个方面和领域, 现在到了无处不谈智能化的地步, 智能化悄然改变着人们的价值观念、认知架构与生活方式, 甚至产生了机器将替代人类或机器将与人类发生大规模冲突危机的担忧。

人工智能技术的研究与应用已经引起了世界各国的高度重视, 美国政府于2016年发布了《2016美国机器人发展路线图——从互联网到机器人》和《国家人工智能研究和发展战略计划》, 后者提出了人工智能发展的七大战略, 即基础研究战略、人机交互战略、社会学战略、安全战略、数据与环境战略、标准战略、人力战略; 2019年2月11日美国总统特朗普签署了《美国人工智能倡议》行政令, 要求美国联邦政府机构配置更多资源和投资用于人工智能的研究、推广和培训; 欧盟于2014年发布了《欧盟机器人研发计划》; 英国分别于2014年和2016年发布了《RAS2020机器人和自主系统》和《机器人技术和人工智能》计划; 日本于2015年发布了《日本机器人战略:远景、战略、行动计划》; 联合国也于2016年发布了《机器人伦理初步报告草案》。

我国政府也高度重视大数据技术和人工智能技术的发展和应用, 2016年人工智能写入国家“十三五”规划纲要, 2017年人工智能写入政府工作报告和党的十九大报告, 国务院于2017年发布了《促进新一代人工智能产业发展三年行动计划(2018—2020年)》和《新一代人工智能发展规划》。《新一代人工智能发展规划》提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施, 明确将人工智能作为重要的国家发展战略, 希望人工智能成为经济发展的新引擎、产业发展与经济转型的新动力、社会建设的新机遇、改善民生的新途径。我国人工智能发展将驶入快车道, 人工智能基础前沿领域技术与核心关键技术创新水平将获得突破, 人工智能和产业发展融合将进一步加深, 人工智能技术与产品创新将持续活跃。规划提出了新一代人工智能发展分3步走的战略目标, 到2030年使中国人工智能理论、技术与应用总体达到世界领先水平, 成为世界主要人工智能创新中心。2017年11月15日, 科技部召开新一代人工智能发展规划暨重大科技项目启动会, 宣布成立新一代人工智能发展规划推进办公室, 公布了首批国家新一代人工智能开放创新平台, 包括依托百度公司建设自动驾驶开放创新平台、依托阿里云公司建设城市大脑开放创新平台、依托腾讯公司建设医疗影像开放创新平台以及依托科大讯飞公司建设智能语音开放创新平台, 提出要注重开源开放, 建设开放知识平台、开源软件平台、开源硬件工厂, 打造群智众创空间、社会交流平台, 推动人工智能创业创新。2019年又增加了依托商汤科技公司建设智能影像开放创新平台。

智能时代已经来临, 人工智能将深度重塑世界、全方位影响人类社会、全面推动产业变革。作为长期应用高新技术的传统领域, 地球物理勘探面临着如何面向人工智能技术发展与应用, 如何规划与时代同步进入智能化的重大选择与挑战。

1 人工智能技术发展与应用现状

早在20世纪50年代, 图灵(Alan Turing)首次提出了人工智能的概念。而在1956年的Dartmouth会议上第一次正式提出了“人工智能(Artificial Intelligence, 简称AI)”一词, 并开创了人工智能研究的历史。人工智能技术的研究经历了三起两落的发展历程, 使得人们对人工智能技术也经历了几次充满无限期待和失望的反复。今天人工智能又把我们带入了一个充满期待的时代, 我们当前正处于2010年前后开始的人工智能第3次浪潮中。第3次浪潮的主要特征是深度学习技术的兴起与发展。2006年多伦多大学Geoffrey Hinton等提出了深度学习(Deep Learning)的概念, 深度学习技术是在人工神经网络基础上发展起来的, Hinton等学者推动了该技术的进步, 首先在图像识别、语音处理、机器翻译等领域的应用取得了突破性进展, 进而引发了学术界、工业界特别是互联网领域的广泛关注和高度重视, 也引起世界各国政府的高度重视和大力支持。人工智能第3次浪潮的兴起得益于三大因素:深度学习技术的发展, 海量数据资源的积累和计算能力的增强。

一般认为人工智能发展可以划分为计算智能、感知智能和认知智能3个阶段, 计算智能阶段的特征是能存会算; 感知智能阶段的特征是能听会说、能看会认; 认知智能阶段的特征是能理解会思考。当前我们已经经历了计算智能阶段, 正从感知智能阶段向认知智能阶段发展。从技术层面看, 人工智能领域最活跃的是机器学习, 机器学习中最活跃的是深度学习。目前, 人工智能的实际应用领域包括机器视觉、指纹/人脸/视网膜识别、图像理解、语音识别、语音合成、自然语言理解、机器翻译、智能搜索、智能推荐、定理证明、博弈、自动程序设计、智能控制、机器人、遗传编程等。而以深度学习为核心的机器学习算法引领着这一轮人工智能浪潮, 最主要和最突出的应用场景包括:身份认证、自动驾驶、虚拟助理、语音助理、研究与教育、金融服务、医疗诊断与健康咨询、智慧家庭、物流自动化与智能物流、设计与艺术创作(如写作、音乐创作等)、合同诉讼等法律咨询、社交陪伴、服务业、工业智能制造等。

近几年人工智能的再度兴起和蓬勃发展主要得益于深度学习技术的发展, 因此深度学习是当今人工智能或机器学习领域研究与应用的热点。深度学习是人工神经网络的发展, 而人工神经网络基于对人类大脑的功能性模拟。人脑是一个非常复杂、非线性和并行计算系统, 具备感知、记忆、识别和学习等功能。据报道, 人脑皮层中有大约1000亿数量级的神经元和60万亿的突触, 这些神经元排列成近千个主模块, 这些模块具有不同的功能。人工神经网络对于人类大脑的模拟, 已经在人工智能应用中发挥了重要作用, 特别是神经网络层数与神经元数量增加形成的深度学习技术近年来得到很大的发展, 展示了很强的适应性。1957年, Frank Rosenblatt首次提出了“感知器(Perceptron)”的概念, 推动了人工神经网络的应用, 但此后人工神经网络的发展一度陷入低潮, 在很长一段时间没有得到重视; 加拿大多伦多大学Geoffrey Hinton一直坚持在人工神经网络领域的研究, 1986年与D.E.Rumelhart和R.J.Williams共同在《自然》上发表论文, 提出了误差后向传播算法, 解决了神经网络计算的复杂度问题; 2006年, Geoffrey Hinton又在《科学》上发表论文, 采用基于深度信念网络(Deep Belief Networks, DBN)的非监督逐层训练算法, 解决了深度神经网络训练难度大的问题, 重新掀起了神经网络即深度学习研究与应用的高潮。

人工智能技术创新是当前全球领军企业和高等院校的聚焦点, 技术创新活动异常活跃, 新技术不断涌现, 全球科技巨头在积极进行人工智能布局。近年来活跃于深度学习领域的研究机构包括了国内外众多高校和企业。深度学习技术被成功应用于众多领域, 包括:计算机视觉、图像识别、手写识别、语音识别、语音合成、自然语言理解、自然语言翻译、机器人、自动驾驶、医疗健康、对弈类游戏等。

2011年, 谷歌成立了由人工智能和机器学习顶级学者吴恩达(Andrew Ng)领衔的“谷歌大脑(Google Brain)”项目, 这个项目利用谷歌的分布式计算框架DistBelief训练深度人工神经网络, 其主要成果是使用包括16000个CPU节点的并行计算平台训练超过10亿个神经元的深度神经网络, 该系统在没有任何先验知识的前提下自动学习YouTube网站上的海量视频数据, 自己学会了识别猫脸。谷歌的深度学习平台已从早期16000个CPU节点集群上的DiskBelief升级到了当前8000多个GPU节点集群上的TensorFlow。谷歌旗下DeepMind公司研发的人工智能围棋程序AlphaGo使用深度学习技术分别于2015年10月、2016年3月、2017年5月战胜了欧洲围棋冠军樊麾、世界围棋冠军李世石和世界围棋冠军柯洁, 围棋界公认AlphaGo的围棋水平已经超过人类职业围棋顶尖水平。AlphaGo战胜人类棋手成为人工智能技术获得社会普遍关注的一个重要标志和起点。

2012年, 微软首席研究官Rick Rashid在“21世纪计算大会”上的英文演讲被实时翻译成与他音色很接近的中文演讲, 标志着基于深度学习技术实现的自动同声传译系统的实用化, 说明了其中的语音识别、机器翻译和语音合成技术的成熟。而在此领域, 我国科大讯飞公司也取得了世界领先的成果, 2017年6月入选《麻省理工科技评论》2017年度全球50大最聪明公司榜单。

2013年, 百度成立由余凯领导的百度深度学习研究院(IDL), 主要目标是将深度学习应用于语音识别、图像识别、智能搜索等领域。目前, 深度学习技术的进步, 使得百度的图像搜索更加准确、百度翻译更加专业、语音识别效果令人满意, 同时“小度机器人”和无人驾驶汽车研发取得了重要进展。

深度学习技术的发展最重要的一个成功应用就是在图像识别领域的不断成熟, 其识别准确率逐步超越了人类, 其中Yann Lecun提出的卷积神经网络技术在图像和视频识别中发挥了核心作用, 并广泛应用于人脸识别、目标追踪、医学影像识别、疾病辅助诊断等方面。人工智能技术的应用体现出集成特征, 即人工智能技术与其它产业或领域的深度集成融合, 人工智能与机器人技术、移动通讯技术、大数据与云计算技术的深度融合。

值得一提的是, 在风险投资支持下涌现了一批致力于人工智能技术发展与应用的创业公司。以国内为例, 有致力于人工智能芯片研制的寒武纪科技、地平线机器人公司, 致力于机器视觉技术发展与应用的商汤科技、格林深瞳、旷视科技公司, 致力于提供平台服务的第四范式、第五季公司, 致力于自动驾驶技术发展的驭势科技等。

当然, 人工智能技术的发展与广泛应用也带来了一定的社会、经济和政治风险, 例如, 人工智能技术的广泛应用带来了信息失控、信息垄断、隐私丧失、决策依赖、数据歧视、科技伦理等问题。

2 人工智能赋能油气工业数字化转型

当前世界油气工业面临着低油价所带来的重大挑战, 成本控制已经成为影响石油公司竞争力的重要因素, 油气工业也期望通过数字化转型来实现降本增效迎接这一挑战, 而数字化转型的核心内容就是通过包括数字双胞胎和人工智能在内的数字驱动技术提升生产率和降低风险与成本。降本增效是近年来油气行业的主基调, 全面拥抱信息技术、数字化技术和智能技术是重要手段。据伍德麦肯锡咨询公司2018年11月的一份报告, 信息和数字化技术每年可助力全球油气上游行业节省750亿美元。

在油气工业(智慧油田)数字化成熟度模型中(图 1), 提出了6层分层模型:数据采集与可视化(Level 0)、监测与诊断(Level 1)、数据分析(Level 2)、优化与预测(Level 3)、人工智能(Level 4)、自动化与无人作业(Level 5), 将人工智能应用定位在第4层即较为成熟的水平上。同时, 信息化和工业化两化融合可以分为数字化、网络化和智能化3个阶段, 因此推动油气工业的智能化实际上是推进两化融合的重要内容和最终阶段。

如何加快数字化进程成为了当前油气行业的热点问题。2018年9月, 中海油董事长杨华在给公司员工的公开信中表示, 各竞争主体对数字技术的应用速度和水平将会决定未来能源版图, 10年内我们对数字技术的应用水平将直接决定10年后转型的质量, 但当前整个油气行业对数字化浪潮的冲击并不敏感。他提出, 要保持对未知的好奇、对创新的热情、对挑战的渴望, 当那个最优秀的冲浪者。这应该引起我们的高度重视, 我们绝不能错失人工智能技术带来的发展机遇。

人工智能技术是否可以在石油勘探开发中大有作为？如何把握人工智能发展的机遇？什么制约了石油行业的发展而可以用人工智能技术加以克服？人工智能在石油勘探开发领域的应用应采用什么发展战略？如何确定重点突破领域、实现途径、技术方案？这些都是我们当前应该认真思考的问题。

当然, 回答上述问题并不轻松。据2017—2018年相关学术会议和行业报道, 油气工业界和学术研究界与IT业界合作开展了一系列人工智能技术在石油勘探开发中的应用探索研究和试验, 也取得了一些阶段性研究成果和前景光明的实际应用成果。

在油气勘探领域, 基于“物联网+大数据+人工智能”的智能油田建设, 实现了油田的智能化资源调配、优化生产、故障诊断、风险预警。基于机器学习的岩性岩相分析预测技术大大降低了不确定性, 提高了常规与非常规油气藏描述精度。由智能钻机、现场智能控制平台、井下智能钻井和远程控制中心等组成的智能钻井系统能够实现自动化钻井, 从而大幅度减少钻井用工, 提高钻井效率、质量和安全性, 多家油服公司和石油公司已经开始了相关的研究和试验。通用电气(GE)与诺贝尔(Noble)公司联合推出了全球首个数字化钻井船, 将GE的Digital Rig系统部署于Noble Globetrotter Ⅰ钻井船上, 预计可将海上油气钻井作业成本降低20%。2016年, 埃克森美孚宣布与麻省理工学院合作设计海洋勘探用人工智能机器人。2017年, 斯伦贝谢公司推出了新一代智能化资源共享平台——DELFI认知勘探开发环境; 哈里伯顿公司与微软达成合作协议, 共同推动油气行业数字化转型。2018年, 油服公司BHGE和英伟达公司合作推进人工智能在油气领域的应用。

在油气开发领域, 电气与工业自动化巨头ABB公司的数字化解决方案AbilityTM帮助挪威石油公司海上气田提前投产, 使该气田启动的大部分过程实现了自动化, 将需要人工干预的作业数量从上百个减少到20个, 减少作业时间40天, 节省2700个工时; 采用基于物联网的人工举升智能化技术推进了油田数字化进程, 降低了停机时间和HSE风险, 有效提高了油气产量。英国石油公司于2017年启动了人工智能驱动的数字化转型计划, 采用大数据分析、虚拟现实和无人机等技术使工作流程更加智能, 2018年在墨西哥湾的4个生产平台上部署了贝克休斯基于云的高级分析解决方案POA, 并计划2019年开始在全球业务中推广。挪威国家石油公司(Equinor)在北海Oseberg Vestflanken 2油田采用了全球首个海上全自动无人驻守数字化平台Oseberg H, 所有操作都在远程中心完成。道达尔公司与谷歌合作探索油气勘探和生产的智能化解决方案, 聚焦地下成像的智能化处理与解释, 特别是地震数据处理解释研究和技术文件分析的自动化, 以提高工程师勘探和评价油气田的效率。壳牌公司与微软合作将Bonsai人工智能工具应用于加油站管理、设备维护、定向井智能钻井、员工交互等。许多油气公司和服务公司正在积极探索机器人、无人机、可穿戴设备、虚拟现实等技术和设备在油田生产、作业运行、装备维护、技术培训等工作中的应用, 特别是在海上、海底等复杂危险条件下通过机器人实现无人作业, 如英国石油在墨西哥湾的雷马平台上使用机器人替代人工进行水下管道探伤。美国佛蒙特大学的研究人员用机器学习算法预测加拿大油气井的甲烷漏失, 取得较高的成功率。

油气行业还在探索数字货币和区块链技术的应用。2018年初, 英国石油、Equinor、壳牌与一些贸易公司和银行创建了处理交易后事宜的区块链平台VAKT; PermianChain技术公司2018年11月推出了一种基于区块链技术的代币XPR, 用智能合约系统生成的开放式、可信任协议取代复杂的传统上游交易协议, 目前已有2.5亿桶潜在油气储量计划在该交易系统上市, 有超过3000万个XPR被预订。阿布扎比国家石油公司近日宣布, 将与IBM公司合作将区块链技术用于上游生产, 以区块链技术为基础, 建立一个从生产井到终端客户的交易跟踪和金融平台; 2017年该公司还建立了Thamama和Panorama两个数字中心, 前者专注于使用大数据和人工智能进行地下油藏研究, 后者则旨在实现从油田到炼厂的整个价值链中公司资产的实时反馈, 部署先进技术资源是阿布扎比国家石油公司油气工业4.0规划的一个重要组成部分。

2018年, 中国石油和中国石化的数字化项目入选工业和信息化部公布的大数据产业发展试点示范项目名单, 韩大匡院士领衔的中国石油基于大数据应用的油气勘探开发创新增效示范工程致力于大数据和人工智能技术在油气勘探开发领域的规模化应用, 中国石化盈科公司的石化工业大数据研发与应用项目则主要围绕炼化企业生产运行、工艺分析、设备健康等多个方向开展工业大数据分析探索。

智能化是当前世界新一轮科技革命和产业变革的新趋势、新引擎和核心驱动力, 也是油气工业持续实现降本增效、提质升级、安全环保、转型发展、提高竞争力的必由之路和有效途径。应该说, 油气工业的智能化尚处于探索阶段, 成果还不够丰富, 应用面还不够广泛, 系统集成度还不高, 油气工业的智能化还有很长的路要走, 但是我们不应错过智能化技术为油气工业数字化转型所带来的良好发展机遇, 应加快大数据和人工智能技术应用研究部署, 促进油气工业的数字化转型。

3 石油物探迎来人工智能应用研究热潮

作为石油天然气等矿产资源勘探中广泛应用的一项重要技术, 地球物理勘探特别是地震勘探长期以来一直是高性能计算、三维可视化、计算机网络等信息技术的一个重要应用领域, 是较早实现数字化采集、处理和分析的一个行业。从某种程度上来说, 地球物理勘探早就是一个完全的数字化信息产业, 其业务运转完全基于数字化采集、数字化处理、可视化分析流程, 数据采集基于大型传感器仪器装备和网络, 数据处理基于大规模高性能计算机系统和并行计算技术, 数据分析基于海量数据分析和三维可视化解释计算机系统与软件技术。石油勘探中的地球物理数据处理和分析解释的任务是有效提高采集获得数据的信噪比, 提高地质构造的成像精度, 有效挖掘数据中的地质构造、地层岩性、储层物性和油气信息, 建立准确的储层或油气藏模型。

与以前地球物理勘探行业通常展现的高新技术应用先锋形象相比, 在这次人工智能特别是深度学习技术应用浪潮中, 地球物理勘探行业显得有点落伍, 业界研究人员对于深度学习技术的应用研究有些迟疑, 尽管有些开拓者已经开始了部分探索性研究, 取得了阶段性或局部性的成果, 但终究没有颠覆性的大成果出现, 这是油气地球物理勘探行业的一个遗憾, 更是一个机遇。

无论是人工智能发展的高潮期还是低潮期, 人工智能技术发展历程中不断研究和发展的诸多算法都不同程度地在许多领域中得到了应用, 如人工神经网络、进化计算(遗传算法、模拟退火算法)、群体智能(粒子群算法、蚂蚁算法)、模糊系统等。从地球物理勘探技术发展历史来看, 人工智能技术在石油物探中的应用研究由来已久, 包括地球物理勘探在内的石油工业界对于人工智能技术的应用曾开展了大量研究, 在不同时期均取得了一些成果, 可以概括为3个方面:

1) 20世纪80年代, 石油工业界开展了以专家系统、模式识别等技术为主的应用研究, 主要应用领域包括测井资料处理解释、地震勘探数据处理解释、地质综合分析等, 但这些技术基本都没有实现规模化生产应用;

2) 20世纪后期, 人工智能中的许多方法技术(算法)应用于地球物理勘探中, 如聚类分析、主成分分析、人工神经网络、支持向量机、粒子群、蚁群等算法, 这些算法被广泛应用于测井参数分析、多井小层对比、噪声压制、层位解释、断层解释、属性分析、储层参数预测等;

3) 21世纪以来, 综合应用了一些特殊的自动化和智能化技术的专业应用软件产品广泛应用于石油物探中, 如基于蚂蚁追踪的断层自动解释、基于全局优化的自动地层框架模型地震解释等。

尽管如此, 基于下列事实, 笔者仍然认为地球物理勘探在新一轮人工智能应用大潮中处于落后地位。

1) 许多算法, 如人工神经网络、支持向量机、粒子群、蚁群算法等, 只作为一种标定或反演方法在局部得到了一定的应用, 应用面窄、规模小, 且没有形成标准化的应用流程;

2) 智能化算法应用没有形成学习和知识积累的过程, 没有形成不断进化并适合于不同地区不同项目应用的智能模型;

3) 最新一轮人工智能大潮中唱主角的深度学习技术在地球物理勘探中的应用研究工作和成果少之又少, 只有部分研究者刚刚开始探索, 尚未取得可以改变行业面貌的成果。

基于上述认识, 笔者认为:截止到2017年, 地球物理勘探领域的智能化研究尚未真正开始, 需要我们高度重视并投入足够的研究力量开展持续的研究, 才能与时代同步进入智能化。可喜的是, 2017年以来地球物理勘探业界已经觉醒, 开始了人工智能应用研究的一轮新的热潮。近年来发展起来的机器学习技术特别是深度学习技术为石油物探智能化发展、提高工作效率、缩短工作周期、降低工作成本特别是人工成本、降低对人工经验的依赖性、增强数据驱动分析的可靠性、提高解决复杂问题的能力和应用效果奠定了基础。

在这一轮深度学习技术应用浪潮中, 2017年可以看作是石油物探智能化应用研究的觉醒年, 2018年可以看作是石油物探智能化应用研究的爆发年, 2019年则是石油物探智能化应用研究的初见成效年。2017年, 在美国勘探地球物理学家协会(SEG)年会上有关机器学习的论文约29篇, 中国国内组织的“人工智能与地球科学研讨会”和“地球科学大数据与人工智能研讨会”上, 多位科技人员就石油勘探地球物理数据的自动化处理和智能化解释进行了讨论交流。2018年, 美国SEG年会上机器学习相关论文达107篇, 占全部论文1080篇的1/10。而SEG中国分会在国内也相继组织了“人工智能与压缩感知研讨会”和“人工智能与机器学习研讨会”。2019年的SEG年会上, 机器学习应用研究论文达138篇, 占全部论文1070多篇的近13%。从论文数量上看, 勘探地球物理中的人工智能研究持续火热, 从论文内容看, 应用范围不断扩大和深入。从这些会议交流的论文看, 人工智能技术应用领域已经覆盖地震数据处理与综合解释、测井资料处理与解释、重磁电资料处理与解释、井孔与岩石物理数据分析、微地震资料处理与解释、油藏表征与油气开发数据分析等。尤其是地震数据处理与解释领域, 包括了地震构造解释(含断层解释、层位解释、盐丘顶底解释、河道或溶洞解释等)、噪声压制与信号增强、地震相识别、储层参数预测、地震波场正演、地震反演、地震速度拾取与建模、初至拾取、地震数据重建与插值、地震属性分析、微地震数据分析、综合解释等。所采用的机器学习技术包括深度神经网络(主要是卷积神经网络和循环神经网络)、字典学习、生成对抗网络、随机森林算法以及各种聚类分析算法。

4 地球物理勘探智能化应用技术框架

智能化技术应用的爆发不是孤立和突然出现的, 它是高性能计算、大数据、智能计算等多项技术长期发展的累积、延伸和整合。一般而言, 人工智能技术应用成功的领域具有以下特点:具有丰富的数据资源、强大的计算能力和成熟而明确的评价体系。地球物理勘探智能化应用发展, 既要继承这些技术发展的成果, 又要与地球物理业务特点相结合。笔者认为, 地球物理勘探智能化应用发展的技术框架应是一个由云计算、大数据、可视化与智能化技术组成的技术三角形, 如图 2所示。

地球物理勘探智能化应用需要云计算(高性能计算)提供智能化分析或机器学习所需的强大计算能力支撑和服务基础设施, 需要大数据技术提供对于多学科海量数据的存储、管理、处理和分析能力, 需要智能化技术提供丰富而强大的机器学习算法支撑, 需要可视化或虚拟现实技术提供直观、丰富、多彩的数据展示和人机交互协同工作环境。

4.1 云计算(高性能计算)技术

近年来在人工智能技术发展中充当主角的深度学习技术, 其学习或训练过程需要海量计算, 因此高性能计算技术的发展为其提供了计算资源的保障。从整体上来说, 支持深度学习技术应用的高性能计算主要依赖于大规模集群计算机系统和图形处理器(GPU)、现场可编程门阵列器件(FPGA)、张量处理器(TPU)、神经网络处理器(NPU)等技术与产品的发展。集群计算机系统由成千上万台计算机组成, 通过并行计算软件系统组成一台强大的高性能计算机系统, 这种类型的计算机已经成为被全球包括地球物理勘探在内的各行各业广泛应用的高性能计算机系统主流机型, 也成为深度学习系统应用的主流机型。同时, GPU、FPGA、TPU、NPU等计算技术极大提升了单节点计算机系统的计算性能, 推动了深度学习技术的广泛应用。

值得注意的是, 2016年我国中科院计算技术研究所的陈天石发布了面向神经网络的“寒武纪”深度学习专用指令集和处理器。国内外多家科技巨头和创业公司也纷纷研发面向深度学习应用的神经网络芯片, 如寒武纪公司的MLU处理器、华为公司的昇腾处理器、地平线机器人公司的BPU处理器、英特尔公司的Nervana NNP-I或Springhill处理器, 极大地提高了深度学习应用的性能。

4.2 大数据技术

前已述及, 强大的计算能力是近年来人工智能特别是深度学习技术应用飞速发展的重要且必要的计算资源保障, 而强大计算能力的实现, 除了高性能计算机系统和GPU、FPGA、TPU、NPU等硬件产品外, 还需要大规模并行计算软件系统的支撑。大数据技术正是为迎接海量数据存储、处理和分析提出的一系列分布式计算技术、方法和软件产品的总称。近年来, 在全球得到广泛应用、最著名的大数据技术平台是Hadoop, 它包含了HDFS分布式存储系统、MapReduce并行计算框架、Spark内存计算框架、HBase分布式数据库等关键技术组件。

为应对石油物探面临的海量数据处理挑战, 中国石化组织研发了π-Frame地震数据处理解释一体化软件平台(简称π-Frame平台), 这是国际地球物理业界第一个基于Hadoop大数据技术体系构建的大型地震勘探软件平台。

π-Frame平台由地震处理解释应用系统和应用集成开发环境组成, 见图 3。应用系统具有高效海量数据管理和全并行地震资料处理等特性, 未来发展将全面支撑海量地震数据处理解释一体化业务流程和新技术应用。应用集成开发环境提供了易用的应用集成工具、丰富的地球物理算法库和二次开发软件包, 支持世界各地的地球物理研究人员和第三方技术服务提供商基于平台进行批处理模块和交互应用插件开发。

π-Frame平台基于Hadoop大数据技术框架(图 4), 底层为HDFS2分布式文件系统以实现数据访问的并行化, YARN实现资源管理与作业调度, 地震数据处理并行计算框架包括基于MapReduce数据并行和Spark内存计算两种主要方式, 通过地震批处理作业流管理支撑地震资料的全并行处理。

作为大数据时代的地震软件平台, π-Frame具有大规模、高速度、易共享、智能化、一体化、开放性六大特点。π-Frame平台未来发展将在扩充综合解释功能的同时, 完成向π-Cloud云计算平台的跨越, 成为地球物理一站式开发服务与一体化应用服务平台, 融简洁易用和高效率、高品质于一体, 构建互联网、大数据时代的油气勘探地球物理技术研发和应用服务生态系统。

4.3 智能化技术

智能化技术主要指各类人工智能算法, 特别是近年来蓬勃发展的深度学习算法。

2006年, 深度学习作为机器学习研究的一个新分支出现。近年来, 深度学习技术的飞速发展对人工智能技术应用产生了深远的影响, 这种影响不仅存在于传统领域, 而且开拓了一些新兴领域。深度学习是包括人工神经网络、图模型、最优化、模式识别和信息处理的交叉研究领域, 是多层人工神经网络的深入发展。深度学习技术可以有效地利用复杂的非线性函数及其组合来学习分布和分层的特征表示, 可以应用于监督与非监督学习中。

深度学习具有丰富多彩的网络结构变化(图 5), 除了传统的全连接多层感知器神经网络模型(MultiLayer Perceptron, 简称MLP或DNN), 近年来应用比较广泛的还有卷积神经网络(Convolution Neural Network, 简称CNN)和循环神经网络(Recurrent Neural Network, 简称RNN)、长短期记忆网络(Long Short-Term Memory, 简称LSTM)、自编码器(Auto Encoder, 简称AE)、生成对抗网络(Generative Adversarial Network, 简称GAN)等经典网络模型。CNN是一种经典的前馈神经网络, 其主要特征是局部连接、权值共享, CNN一般由卷积层、下采样层和全连接层组成, 常被应用于图像识别、语音识别等领域。RNN是一种节点定向连接成环的人工神经网络, 在神经元之间既有内部的反馈连接又有前馈连接, 从系统观点看它是一个反馈动力系统, 这种网络的内部状态可以展示动态时序行为, 可以利用其内部的记忆来处理任意时序的输入序列, 更容易处理诸如不分段的手写识别、语音识别等。LSTM是一种时间递归神经网络, 适合于处理和预测时间序列中间隔和延迟相对较长的重要事件, 已被应用于机器翻译、控制机器人、图像分析、文档摘要、语音识别、图像识别、手写识别、聊天机器人、预测疾病、点击率和股票、合成音乐等任务。

随着深度学习技术的不断发展, 逐步出现了许多深度学习开发框架, 常见的有:TensorFlow、Caffe、Torch、Theano等, 这些开发框架可以使开发人员很轻松地学习使用深度学习技术, 并提供了各种不同的接口供开发人员使用, 从而推动了深度学习技术的普及和从业人员的扩大。其中, TensorFlow是谷歌公司发布的第二代深度学习平台, 是当今应用最广泛、最具生产性应用能力的深度学习开源框架; Caffe是基于C++实现的开源库, 提供了Python和Matlab外部接口, 通过配置文件定义模型即可实现网络模型训练; Torch是基于Lua实现的开源库, 需要开发人员自己编写训练代码, Facebook基于Torch开发了深度学习框架Torchnet; Theano是基于Python实现的开源库, Pylearn2基于Theano开发了深度学习工具。

TensorFlow是谷歌大脑研究组基于第一代人工智能系统DistBelief研发的第二代人工智能学习系统, 是一个采用数据流图、用于数值计算的开源软件库。TensorFlow具有高度的灵活性、可移植性与多语言(Python、C++、Jave)支持, 支持笔记本计算机、台式机、服务器和移动设备等多种平台应用, 支持多CPU、多GPU异构并行计算, 具有较高的计算性能。用户只需定义神经网络模型的结构、目标函数、训练优化算法并添加数据。TensorFlow将自动计算相关的微分导数, 实现基于梯度的机器学习算法, 支持使用Python和C++语言编写程序, 并提供了一系列图的可视化工具, 支持MLP、CNN、RNN和LSTM等多种网络模型算法, 它们是目前在图像、语音和自然语言处理中最流行的深度神经网络模型。自2015年11月谷歌开源TensorFlow后, 大大降低了深度学习在各个行业中的应用难度, TensorFlow成为了最受欢迎的深度学习开发框架; 特别是2017年2月谷歌发布TensorFlow 1.0正式版本后, 用其作为研究与生产平台变得更加稳定可靠。

另外, 近年来国内互联网企业也加大了深度学习技术的研究与应用, 在取得诸多实际应用效果的同时, 研发出了一些高水平的深度学习开发平台, 有些企业还将其开发平台开放或开源, 最突出的是百度公司的PaddlePaddle。

4.4 可视化与虚拟现实技术

可视化技术与产品的快速升级换代是过去20多年来计算机技术与产品发展的一个重要特征, 可视化技术为人们提供了直观、丰富多彩的数据展示方式和人机交互分析环境。该技术已经从过去的二维图形化发展到今天的三维可视化, 正在向三维、四维虚拟现实场景可视化方向发展, 其特征是表现形式更加丰富、分辨率更高、响应速度更快、应用更加普及, 而近年来虚拟现实(VR)技术与产品又到了一个快速发展的阶段。

三维可视化技术自20世纪80年代以来已经广泛应用于地震数据的处理解释和油气勘探综合研究中, 虚拟现实技术也于20世纪末开始应用于石油工业。一些大型石油公司和研究机构建立了若干基于SGI图形产品的虚拟现实中心(VR Center), 但由于系统建设与运维成本过高、应用场景与用户体验有限等原因没有得到广泛应用。近年来出现的头盔式虚拟现实产品(图 6)数百倍地降低了系统的成本, 同时三维可视化与虚拟现实软件开发技术也有了长足的进步, 相信虚拟现实技术近期有望在石油工业得到普及与应用。图 7展示了我们设计实现的虚拟现实石油物探资料综合解释应用场景。

三维可视化与虚拟现实技术应用的重点仍然是数据与信息的展示、人机交互分析场景, 其发展方向是展示的信息内容更丰富、数据规模更大、综合分析手段更多、精细程度和逼真度更高、沉浸感更强、实时交互性更好, 因而应用领域更加广泛和普及。

在地球物理勘探智能化技术体系中, 三维可视化与虚拟现实将主要充当人机交互界面、智能化分析结果展示空间、质量控制工具等角色。在三维可视化与虚拟现实场景中, 我们可以进行海量复杂数据与模型的展示与实时分析, 如海量数据交会分析、海量数据空间分析、地震数据多维空间分析、地震速度等物性模型分析、地质层位断层构造分析、综合油藏模型展示与分析、地表与地下构造模型综合分析、地质地球物理综合分析等等。数据可视化分析与智能化分析将更加深度融合, 由线性的不同步骤和阶段(step by step)的串行工作模式向非线性的循环迭代式(iterative)、实时融合式(real-time)和操控式(steering)工作模式转化。

5 地球物理勘探智能化应用领域

当前人工智能特别是深度学习技术研究应用领域已经覆盖地震数据、测井资料、重磁电资料、微地震资料等的处理与解释, 井孔与岩石物理数据分析, 油藏表征与油气开发数据分析等方面。尤其是在地震数据处理与解释领域, 包括了地震构造解释(含断层、层位、盐丘顶底、河道或溶洞等的解释)、噪声压制与信号增强、地震相识别、储层参数预测、地震波场正演、地震反演、地震速度拾取与建模、初至拾取、地震数据重建与插值、地震属性分析、微地震数据分析、综合解释等等。概括地说, 这些应用实际上可以分为两大类, 即自动化处理与智能化解释。因此笔者认为, 地球物理勘探中智能化技术的应用应该走从自动化到智能化的发展道路, 即从自动化处理走向智能化解释, 进而构建智能化系统。这种划分既有一定的阶段性意义, 又有一定的领域划分意义, 表明智能化技术应用既要从简单到复杂逐步推进、不断积累、渐进发展, 又要以点带面、同步推进和融合发展。

笔者认为, 综合智能化技术的发展现状和地球物理勘探应用的特点, 应重点开展以下几个方向的智能化技术应用研究。

5.1 自动化处理

在当今地球物理勘探特别是地震勘探中, 我们已经形成了较为成熟的数据处理与分析解释流程, 流程包含了众多必需或可选的操作步骤, 而这些步骤中既包含了计算机批量计算, 又包含了人工交互操作, 前者需要耗费大量计算资源, 而后者则耗费大量的人力资源, 从而延长了数据处理与分析解释工作周期。因此, 开展地球物理勘探智能化应用研究, 应该首先解决这些人工交互操作环节的自动化处理问题。

开展自动化处理技术研究, 首先应该详细梳理地球物理勘探数据处理和解释业务流程, 分析各业务流程中各环节的工作现状, 针对当前需要大量人工操作、交互操作的环节开展自动化改造。以地震勘探为例, 重点是地震数据处理解释过程中交互分析过程的自动化改造, 如人工地震道编辑、初至拾取、速度分析、地震层位追踪、断层解释、参数测试对比等, 这些关键环节都对地震数据处理解释成果的质量起关键或重要作用, 同时也在整个工作流程中耗费了相当大的人力资源。在过去数十年间, 地球物理研究人员对上述几个环节的自动化技术开展了大量研究, 取得了丰硕的成果, 甚至商业软件中也逐步提供了部分较为成熟的功能模块, 如地震道编辑、初至拾取、地震层位追踪、断层解释等自动化功能模块在实际生产应用中达到了一定的比例。

但是, 上述几个环节典型人工交互操作过程的自动化尚未达到成熟、理想、可以大量应用的程度, 有待进一步完善和发展, 主要表现在以下几个方面:

1) 不同研究人员或产品针对不同功能甚至同一功能采用了差异较大的自动化处理方法, 这些方法在不同条件下的实际应用效果有时差异很大且不稳定。

2) 这些自动化处理方法往往只能在信噪比较高的情况下才能获得较好的效果, 而实际生产中大多数情况不满足这种条件, 因而这些自动化处理方法尚不能得到广泛应用, 特别是自动化速度分析的实用化程度最低, 实际生产中基本未见应用。

3) 这些自动化处理方法缺乏有效、配套的质量评估和控制方法, 往往自动化处理后还需要耗费大量人力来检查自动化处理的效果、通过人工交互操作编辑修正自动化处理的结果, 这在一定程度上失去了前期自动化处理的意义和价值, 因而制约了自动化处理技术的大规模普遍应用。

4) 这些自动化处理方法由研究人员和软件开发人员开发完成后就固化了, 缺乏人工智能的自我进化机制, 即使处理过很多不同类型的资料也无法实现自我改进与升级, 仍需要研究人员人工完成技术改进与升级, 而人们往往又找不到进一步改进的方法和途径, 从而使自动化处理技术的应用长期在一定的水平上停滞不前。

基于典型人工交互操作过程对于地球物理勘探数据处理与分析解释的重要性, 以及自动化处理技术的现状, 建议自动化处理研究应关注以下几个方面:

1) 自动化处理方法可以应用智能化算法, 也可以应用基于业务逻辑的算法和最优化反演算法, 但建议更多地考虑具有全局性特征的稳定算法, 有效提高方法的适用性和鲁棒性, 如Dave Hale等关于断层解释的算法研究。

2) 加强自动化处理质量控制方法的研究, 使得自动化处理算法具有自我评价和全局质控评价的能力, 避免自动化处理后仍需人工交互检查、编辑修正的不足。

3) 在局部环节单功能自动化处理的基础上, 组合形成子流程的自动化。例如, 通过初至拾取自动化研究, 逐步形成初至拾取、初至质量控制、近地表速度建模、静校正计算、静校正处理等环节组成的自动化处理流程。要加大基于深度学习技术的速度分析与速度建模方法与流程的研究力度。

4) 探索研究应用深度学习技术进行自动化处理和自动化处理结果质量控制的方法技术, 提高技术的适应性和通用性, 并实现系统的智能进化与自动升级。

5.2 智能化解释

与现代医疗中的CT和各种分析化验手段的目标是产生可靠和准确的医学图像与分析指标一样, 地球物理处理的目标是生成可靠和准确的地质成像与地球物理参数反演结果。而地球物理分析解释则像医疗中的医生诊断, 是对获得的地质成像和地球物理参数反演结果进行综合分析, 获得对地下地质构造、地层岩性、储层物性、油气藏参数等的认识、估计与预测结果。人工智能技术已经开始在医疗影像辨识、辅助医疗方案制定等方面进行试验与应用, 该技术同样也应该在推进地球物理勘探数据分析解释的发展中发挥重要作用。

智能化解释研究的重点是:针对地球物理数据分析解释中面临的海量数据、多源数据、多解性、主观性等技术难点和挑战, 应用机器学习尤其是深度学习新技术进行地球物理数据的分析与解释, 摆脱或降低对人工经验的依赖, 克服人工解释的主观性和低效率, 大幅度提升数据分析解释的客观性、可靠性、适应性和工作效率。在智能化解释的初始阶段, 智能化技术应用可能还是表现在局部工具的应用上, 而缺乏知识积累特征, 无法通过分析系统的训练实现系统的智能进化, 但会表现出深度学习技术的统一性和应用的普遍性。而深度学习模型的不断应用必将带来模型的智能进化, 不断提高对不同资料的适应性。

智能化解释技术研究与应用预计可以在以下几个方面首先取得突破:

1) 测井资料的分析与解释。由于深度学习技术具有良好的多维空间函数表征能力, 而且人工神经网络技术已经在测井数据分析中具有较长时间的应用基础, 因此深度学习技术可以在利用多测井曲线进行地层岩性与参数预测、多井地层对比等方面取得成熟的应用。

2) 地震多属性综合分析。地震属性分析已经成为地震勘探资料解释中的重要分析技术, 地震属性种类已经超过百种, 地震属性应用包括层位解释、断层追踪、岩性预测、流体识别、储层参数预测等方面, 人工智能(深度学习)技术可以在地震属性相关性分析、属性降维处理、多属性综合分析等方面得到应用。

3) 地震断层解释。断层解释是地震资料解释中最基本的目标之一, 业界也已经研发出基于蚂蚁追踪算法的自动化断层解释技术并得到较为广泛的应用, 但该算法对地震资料的品质有较高的要求。近年来, 采用基于卷积神经网络模型的深度学习技术进行断层识别成为最大的研究热点和最成熟的研究领域, 许多研究者已经给出了接近实际应用效果的成果, Lei Huang、伍新明等是其中的典型代表。

4) 基于地震数据的地质建模。充分利用地震、地质、钻井等多源信息和机器学习技术的深度融合, 是智能化地质建模的重要研究方向。法国Eliis公司在利用三维地震资料进行全局地层框架模型建立方面已经取得了较为理想的成果。在传统智能化算法继续深化发展外, 深度学习技术的应用值得关注, 主要有以下几个应用方向:基于地震属性的岩性异常体识别, 多井条件下的沉积相空间分布预测, 井震结合三维地震相建模, 地震波形分类, 多源信息储层参数预测, 地震沉积、构造演化过程动态建模等。在这方面, 近年来取得的应用前景较好的成果有:基于卷积神经网络模型的地震相识别、地层解释、盐丘解释、相对地质年代估计等。

5.3 智能化系统

在大量环节和功能的自动化处理和智能化解释研究基础上, 逐步形成智能化工作流程和智能化分析系统, 工作过程不需要大量人工交互操作, 而代之以大量自动化过程加少量人工决策。最重要的特征是分析系统会通过训练不断积累知识, 使得智能化系统可以不断进化(变得越来越聪明), 而且积累的知识和进化的系统可以适用于不同工区、不同项目中。

随着智能化技术的不断丰富、成熟与发展, 在高性能计算技术、大数据技术和可视化技术的支撑下, 有望形成一系列智能化地球物理应用系统, 如:地震资料的智能化噪声分析与处理系统, 地震资料近地表速度建模与静校正自动化处理系统, 自动化地震速度建模与成像系统, 三维地震数据体综合智能化分析系统, 储层多信息源综合智能化分析系统等。

6 深度学习技术在石油物探中的应用探索研究

近两年来, 笔者开展了深度学习技术在石油物探中的应用探索研究, 取得了一系列初步成果, 概要介绍如下。

6.1 基于全连接神经网络的地震叠加速度质量控制与建模

地震速度分析是一项费时费力的工作, 应用自动速度拾取功能后仍存在质量控制和人工修改问题。笔者用全连接神经网络模型构建了一个三维空间函数来描述地震速度的空间变化, 通过训练模型较好地逼近了地震叠加速度空间分布(图 8, 图中蓝色代表自动拾取速度点; 红色代表神经网络建模预测的速度点), 由模型可以直接剔除拾取较差的点(图 9), 构建速度模型用于叠加或偏移处理, 完全省去了人工检查和修改环节, 且取得了满意的处理结果, 自动拾取和建模获得的速度模型完全可以替代人工拾取和修正工作(图 10)。

6.2 基于卷积神经网络的地震初至拾取与建模

笔者建立了一个卷积神经网络模型用于地震初至拾取(图 11), 又用全连接神经网络模型(图 12)将获得的初至拾取值表达为一个六维空间函数(炮检点坐标组成六维空间), 通过建模对初至拾取结果进行质量控制与分析应用, 见图 13和图 14。

6.3 基于深度神经网络的沉积相平面插值

在油气勘探开发中, 常遇到基于平面分布的若干控制点岩性、沉积相等信息进行平面插值成图的需求, 过去常用手工勾绘或距离加权等方法, 存在效率低或人工经验的问题。笔者用深度神经网络来表征二维空间类属概率模型, 通过训练自动获得沉积相平面分布图, 如图 15和图 16所示。

6.4 基于深度神经网络的地震剖面表征与插值

深度神经网络作为一种强大的多维空间非线性函数表征工具, 可以应用于地球物理勘探中的各类数据表征, 并由此进行滤波、插值等相关处理。图 17给出了一个基于深度神经网络对三维地震数据体表征训练过程并逐步逼近的切片显示, 既证明了深度神经网络较强的地震数据场表征能力, 又说明可以通过过程控制实现不同程度的滤波。图 18给出的是通过表征数据场实现空间插值的例子。

6.5 基于深度神经网络的三维属性模型建模

这里给出了利用一系列测井曲线构建三维属性模型的方法, 数百口井随机分布在工区内, 每口井有数量不等和深度不同的测井曲线, 用深度神经网络分布进行了二维连井属性剖面和三维属性数据体建模, 如图 19至图 22所示。

7 石油物探智能化技术发展与应用展望

如何开展地球物理勘探的智能技术应用研究和发展？从石油物探的业务特征来看, 用一句话来概括, 地球物理勘探的智能化发展应走从自动化处理到智能化解释的发展道路, 重点发展数据驱动型、增量式、自动化处理技术和可视化、全信息、智能化解释技术。其智能化发展路线分3步走, 即功能自动化、流程自动化和系统智能化, 最终建立数据驱动的完整功能与业务流程、自我进化的智能化系统、可视化与虚拟现实实时协同工作环境, 实现知识积累与共享。

石油物探智能化技术发展与应用的目标是:

1) 通过自动化与智能化技术的应用, 地球物理勘探资料处理解释人员彻底从繁杂的重复性、机械性操作中解放出来, 技术人员的主要精力集中在流程制定、过程监控、里程碑决策方面, 大幅度提高工作效率, 降低人工成本, 缩短工作周期。

2) 通过智能化技术的应用, 最大限度挖掘地球物理勘探资料中的有用信息, 并通过多源信息的综合应用提升信息的价值, 实现专业知识的深度挖掘、有效积累和共享应用, 有效降低勘探开发的风险和成本。

3) 通过智能化技术的应用, 形成规范的智能化处理与分析流程与系统, 有效降低对人工经验的高度依赖性和分析结果的主观性, 克服人工处理与分析因人而异、效率低下、知识与经验无法积累和推广等弊端。

上述目标的实现, 需要持续研究, 要经过一定的发展过程, 更需要整体规划。笔者认为, 石油物探智能化技术应用发展要经过以下3种形态, 其发展路线或逐次推进、或部分同步推进。

1) 第一种形态:功能自动化。重点对当前地球物理数据处理解释过程中人工交互操作功能进行自动化改造, 处理解释过程中关键步骤功能基本实现自动化, 中间结果以可视化形式展现, 处理解释监控人员履行质量控制职责, 确定是否进入下一步骤或需要继续迭代处理。自动化处理中的一个关键环节是质量控制, 只有彻底消除耗时耗力的人工检查环节才能实现完全的自动化处理。

2) 第二种形态:流程自动化。在功能自动化的基础上, 实现地球物理处理解释流程或局部子流程的自动化, 过程可视化操控, 综合解释过程基于三维可视化或虚拟现实工作场景进行, 基于知识系统进行预定流程或功能清单的处理与分析, 对结果进行实时可视化分析和决策。这一过程依赖于高性能计算、大数据处理和可视化分析技术的支撑。

3) 第三种形态:系统智能化。随着功能自动化与流程自动化的推进, 以及机器学习技术的深度应用, 智能技术应用领域不断扩大, 智能化分析水平不断提升, 从而逐步构建起智能化系统。智能化系统既包含组成处理解释流程全过程的数据驱动型智能化应用功能, 又通过大量数据的应用与训练逐步实现专业知识的不断积累, 知识的积累使得智能化系统自我进化变得越来越聪明, 而智能化系统的进化和知识积累又很容易被分享应用。这一阶段还需要可视化与虚拟现实实时工作环境的支撑, 其技术特点可以概括为:后端并行化、前端可视化、流程自动化和系统智能化(图 23)。

当然, 这里只考虑了石油物探的处理解释阶段业务, 如果一并考虑石油物探数据采集阶段, 未来将有可能建立起一个石油物探采集、处理、解释一体化的实时分析系统, 野外数据实时传输到边缘计算节点进行预处理, 预处理后的数据实时传输到室内数据中心(云计算中心), 按照预设的自动化处理流程进行数据处理, 其结果由智能化分析系统进行面向任务的智能化分析, 再提交给科技人员进行勘探开发生产协同决策。

8 油气勘探开发智能化发展建议

人工智能技术是一种力量巨大、应用覆盖面广泛的使能技术, 是引领未来发展的战略性技术, 我们应抓住当今这个难得的历史发展机遇, 加快人工智能技术的应用研究, 促进油气工业的数字化转型, 降本增效促发展, 提升上游核心竞争力。为此提出如下建议:

1) 制订大数据与人工智能技术应用发展规划。根据国家人工智能发展相关政策和规划, 结合油气工业上游业务特点, 制订上游数字化转型、大数据和人工智能技术应用发展规划, 明确智能化发展目标、核心技术研究内容、应用领域、实施计划和保障措施等内容。

2) 搭建大数据与智能化研究与应用平台。组织力量搭建上游乃至上、中、下游一体化的大数据和人工智能研究与应用技术平台, 使之成为石油石化工业互联网平台的重要组成部分。该平台应具有大数据管理能力、大规模数据处理能力、先进智能化分析能力、业务功能模块开发与集成能力、强大的云计算服务能力。按照“一切开发上平台, 一切应用上云”的原则推动大数据与人工智能技术的研究与应用。

3) 建立智能化发展协同创新中心。集中系统内部力量, 并联合外部技术资源, 建立智能化协同创新中心, 负责大数据和人工智能研究与应用技术平台建设, 建立油气工业和石油石化行业大数据与人工智能技术体系, 为油田企业开展数字化转型与智能化改造提供咨询、系统方案、软硬件产品、技术支持和服务。

4) 实施智能化专项行动计划和示范工程。根据业务类型、技术成熟度、需求的迫切性等不同因素, 制订石油勘探开发智能化专项行动计划, 规划设计一系列智能化示范工程, 加大智能化领域的研究投入力度。围绕示范工程开展大数据与人工智能技术应用技术体系研究、软件产品开发、技术配套, 形成针对性的解决方案和产品包, 再按照先试点后推广的原则, 在示范工程应用的基础上完善优化后开展大规模的推广应用, 通过数字化转型降本增效, 提升上游核心竞争力。

9 结束语

我们正逐步进入智能化时代, 人工智能技术的研究与应用已经成为全球科技界的研究热点和产业界的投资热点, 包括我国政府在内的多国政府已将人工智能上升为国家发展战略, 人工智能将深刻影响和显著改变人们所处的工作、生活、经济、文化、国防和社会发展环境, 人工智能产品与服务将为我们的工作和生活带来更多的便利和更好的体验。

地球物理勘探技术长期服务于油气和矿产资源勘探等传统产业, 当前面临着生存和发展两个方面的严峻挑战。当前最大的挑战是, 油气工业持续多年处于低谷, 地球物理服务市场面临投资减少、工作量下降、价格下跌、环保要求严、人工成本增加等多重压力, 有效降低成本、提高勘探开发效益是油气工业对地球物理界的最大诉求和最迫切期望。我们要充分借鉴与吸收其它行业的经验, 通过人工智能技术的深度应用与规模应用, 大幅度提高地球物理数据采集和处理效率, 提升资料分析解释的效果, 充分挖掘和融合地质地球物理资料中的信息和人类知识, 大幅度降低油气勘探风险和油气开发成本。因此可以说, 提高地球物理勘探的智能化水平是地球物理界摆脱当前生存困境的一个重要技术途径。

另一方面, 提高地球物理勘探的智能化水平, 加强智能化技术与地球物理数据采集、数据处理和数据分析技术的深度融合, 可以有效推进地球物理技术进步, 创新地球物理技术产品和服务形态, 扩大地球物理服务领域, 为地球物理勘探业寻找更加广阔、更加光明的发展空间。特别是当今自然灾害频发、环境保护形势严峻, 我们可以通过智能化技术与地球物理技术的深度融合和创新, 在地震预报与预警、山体滑坡和泥石流监测、重大工程建设勘察与运行监测等领域做出贡献。因此, 智能化技术的应用是地球物理勘探发展的一个重要机遇。

要有效提高地球物理勘探的智能化水平, 还应加强智能化技术研究人才的培养, 加强业内与跨界的技术交流与合作, 加强产、学、研、用联合攻关与发展, 促进地球物理勘探行业智能化技术应用的快速发展。

特别说明:由于本文参阅了大量期刊文献、学术会议报告、报刊和网络等发表的信息, 数百篇参考文献难以完整列出, 故本文省略了参考文献清单, 谨向有关文献作者和读者致歉。