工程18（2022）27研究非常规智能油气工程展望智能石油工程Mohammad Ali Mirza，Mahtab Ghoroori，Zhangxin Chen，卡尔加里大学化学与石油工程系，卡尔加里，AB T2N 1N4，加拿大阿提奇莱因福奥文章历史记录：2021年12月9日收到2022年5月1日修订2022年6月17日接受2022年7月19日在线提供保留字：人工智能机器学习智能油藏工程文本挖掘智能地学智能钻探工程A B S T R A C T数据驱动的方法和人工智能（AI）算法比基于物理的方法更有前途;它们的主要来源是数据，这是每种现象的基本元素。这些算法从数据中学习，并从中揭示看不见的模式。石油工业作为一个每秒产生大量数据的领域，对这项新技术非常感兴趣。由于石油和天然气行业正处于向油田数字化的过渡阶段，因此在不同的石油工程挑战中集成数据驱动的建模和机器学习（ML）算法的动力越来越大。ML已经广泛应用于工业的不同领域。许多广泛的研究都致力于探索人工智能在该行业各个学科中的适用性;然而，缺乏两个主要特征是显而易见的。大多数研究要么不够实用，不适用于现实领域的挑战，要么局限于一个特定的问题，而不是普遍性。必须注意数据本身及其分类和存储方式。尽管有大量来自不同学科的数据，但它们位于部门孤岛中，消费者无法访问。为了从数据中获得尽可能多的洞察力，数据需要存储在集中式存储库中，数据可以随时被不同的应用程序使用©2022 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。1. 介绍人工智能（AI）试图模仿人类的决策。被称为机器学习（ML）的AI技术子集使计算机能够通过使用外部数据来学习如何在其编程行为的范围之外采取行动ML已经彻底改变了无数的行业和研究领域，从股票市场分析到自动驾驶汽车，其应用范围之广令人难以置信。随着物联网（IoT）设备和大数据（高速生成大量数据，并且具有许多不同的种类）的出现，ML是确保可以从大数据中收集可操作见解的最重要技术之一在石油和天然气行业，模型类型分为三大类：物理模型、数学模型和经验模型[1]。物理模型是一个对象的缩小或放大版本，旨在简化对物理对象或场景外观或操作的理解。这些模型的缺点是开发成本高，耗时长，*通讯作者。电子邮件地址：mahtab. ucalgary.ca（M. Ghoroori），zhachen@ucalgary.ca（Z.陈）。并且在某些情况下可能不够准确。经验模型是建立在实验的基础上的，它们受到各种误差的影响，如人为误差和测量误差，并且不可推广。数学模型将物理定律编码以模拟基本物理;然而，它们需要许多假设和简化[1]。应对挑战在这三种模型类型中，获得洞察力，并及时做出明智的决策，需要一种更有前途的技术。这就是ML可以应用的地方，因为它能够捕获并根据来自庞大数据集的见解采取行动，这些数据集永远无法通过纯粹的编程规则处理，因为数据与从数据中收集的见解之间的关系非常复杂。石油和天然气行业正在迅速向油田数字化过渡，并且将数据驱动的建模和ML算法应用于各种石油工程挑战的动力越来越大。数据驱动建模使用从数据分析中导出的数学方程，与知识驱动建模相反，在知识驱动建模中，逻辑是表示理论的主要工具[2，3]。虽然可能存在不从数据中学习的数据驱动算法（因此不能称为ML），但ML是数据驱动方法的一个子集，展示了一种形式的AI。图1总结了不同类型的ML算法。https://doi.org/10.1016/j.eng.2022.06.0092095-8099/©2022 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表工程杂志首页：www.elsevier.com/locate/engM.A. Mirza，M.Ghoroori和Z.陈工程18（2022）2728Fig. 1.不同类型的ML算法。DBSCAN：基于密度的空间聚类的应用程序与噪声; HDBSCAN：层次密度为基础的空间聚类的应用程序与噪声。ML已广泛应用于石油工业的不同领域，包括地球科学、油藏工程、生产工程和钻井工程。接下来的四个部分对ML在每个领域的应用进行了批判性的回顾和展望。1.1. 智能地学早在20世纪60年代，地球科学就利用了决策树、马尔可夫链和K均值聚类等算法。马尔可夫链已用于沉积学[4]、水文学[5]和测井分析[6]。Preston和Henderson[7]使用K-均值聚类来解释沉积物沉积的周期性决策树的早期应用可以在经济地质学和透视图中找到[8，9]。由于各种因素的由于缺乏计算能力和该领域的不成熟，ML的采用并没有完全满足最初的期望;因此，在20 世纪70 年代，AI几乎没有发展。Zhao和Mendel[10]在20世纪80年代使用递归神经网络（NN）从知识驱动到数据驱动的ML转变发生在20世纪90年代，当时McCormack发表了第 一篇 关于 物理 学中 NN 的评 论 [11] 。 McCormack 深度 学习（DL），更具体地说，卷积神经网络（CNN）在2010年代重新焕发活力，当时Waldeland和Solberg[12]将小型CNN应用于地震数据进行盐识别。断层解释[13M.A. Mirza，M.Ghoroori和Z.陈工程18（2022）2729挑选[16]和相分类[17，18]是CNN在地球科学中的其他Mosser等人。[19]在地球科学早期应用生成对抗网络（GAN）-即两个NN竞争性地共同工作以进行更准确预测的ML模型-来执行三维（3D）多孔介质的孔隙尺度建模。GAN还被用于地震记录生成和地质统计反演[20]。地震活动性是地球科学中的另一个重要领域，ML已得到广泛应用。Mousavi等人[21]使用ML算法来区分深层微地震事件和浅层微地震事件，地面接收器记录的波形特征He等人[22]使用ML算法来改善诱发地震事件的风险管理。该模型是一组简单的封闭式表达式，具有透明度高、执行速度快的优点，为操作者提供了最大的成功机会。诸如采矿、油气田枯竭、废水注入和地热作业等工业活动都可能诱发地震活动[23，24]。在加拿大西部，水力压裂（HF）引起的地震活动引起了公众和学术界的关注[25]。由于地质力学、地球物理和地质行为的强耦合所带来的复杂性，长期以来，调查诱发地震活动性和HF之间的相关性一直极具挑战性因此，在地震活动性中探索ML应用的空间很大。1.2. 智能油藏工程ML算法已在储层工程的各个领域变得流行，特别是在储层表征和压力、体积和温度（PVT）计算中。Gharbi和Elsharkawy[26]开发了一种双层神经网络，用于估计油层的泡点压力和地层体积系数。在另一项研究中，采用径向基函数和多层感知器NN来估计地层体积系数、等温压缩系数和盐水盐度[27]。Wang等人[28]在相平衡计算的组分油藏模拟中使用了人工神经网络（ANN），包括相稳定性测试和相分裂计算。两种方法的组合-即支持向量机（SVM）和模糊逻辑-被用来预测渗透率和孔隙度，使用真实的测井记录作为输入[29]。Patel和Chatterjee[30]利用分类算法进行快速准确的岩石分类（即，基于相似性将储集岩分类为不同类别）。在存在随机噪声的情况下，An[31]探索了具有单个隐藏层的ANN的性能，以建立预测低速层厚度的模型。所提出的方法还应用于加拿大阿尔伯塔省北部的油田，以构建孔隙度-净产层厚度分布图，在此基础上钻了四口井，油田产量增加了近20%[32]。Jamialahmadi和Javadpour[33]使用径向基函数NN，使用深度测量和岩心数据的孔隙度作为输入，以估计伊拉克南部整个油田的渗透率。集成ML模型（即，一种随机森林算法）由Wang等人[34]开发，用于使用来自结构复杂和高度断层的海上油田的实际生产和注入数据作为主要输入来预测井位置处的时移饱和度剖面。一种用于预测多个储层参数的新框架（即，孔隙度、饱和度、岩相和泥质含量），这是通过引入极端学习机（ELM）开发的，ELM是最先进的ML技术之一[35]。与经典的单层前馈神经网络方法相比，该方法在不牺牲精度的情况下，需要更少的计算资源和更少的训练时间。1.3. 智能生产工程生产预测/优化和HF是ML在能源行业中越来越受欢迎的另外两个生产预测和优化必须考虑许多参数，包括开采工艺、支撑剂类型、井距、处理速率和压裂阶段数。尽管优化操作参数可以节省数百万美元，并显著提高非常规油藏生产，但传统油藏模拟的计算成本很高，当考虑油藏特征的不同变化时，计算成本会增加[36，37]。因此，生产预测和优化是人工智能应用的良好候选者，如最近开发和分析的各种开采过程的ML算法所示，例如水和化学驱以及蒸汽注入[38Dang等人[41]利用NN进行相对渗透率的多维插值，以克服不同参数的影响（即，聚合物、表面活性剂和盐度）。使用地质、岩心和测井数据对不同储层中的井进行产量预测是该领域中广泛使用的ML应用[42，43]。Tadjer等人。[44]利用DeepAR和Prophet（一种时间序列ML算法）作为短期油气井预测的递减曲线分析的替代方案。使用神经网络预测垂直井的井底压力，这是生产设施设计中的关键参数，是ML在该领域的另一个应用[45]。应用长短期记忆（LSTM）模型和特征选择方法来预测加拿大Duvernay地层页岩气井的日产量[46]。Popa和Connel[47]通过使用模糊逻辑和NN组合的地层动态估计研究了水平井布局优化在过去的二十年里，越来越多的HF工作岗位产生了大量可用于构建ML预测模型的测量数据。Mohaghegh[48]进行了一项研究，使用模糊逻辑聚类分析绘制尤蒂卡页岩中的天然裂缝网络。He等人[49]开发了一种模型，使用AI和模糊逻辑分析优化页岩气储层中的HF设计。使用SVM开发了一种新模型，以确定粗糙岩石的水力孔径[50]。 Yang等人[51]建立了一种数据分析方法，该方法结合了从声波电缆测井和压裂后分析得出的设计参数，以优化压裂处理设计。利用Marcellus页岩储层水平井的生产测井资料和深层剪切波成像资料对所得到的压裂优化算法进行了验证。Wang和Sun[52]提出了一种结合ML、储层模拟和HF的综合方法，以优化二叠纪页岩的井距，并考虑该大区域中每个代表性区域的典型井Bangi和Kwon[53]应用强化学习算法，以实现沿裂缝的均匀支撑剂浓度，从而提高HF生产率;研究人员将降维与迁移学习相结合，以加快学习过程。Duplakov等人[54]提出了一种基于升压算法和岭回归组合的模型，用于预测完成多级裂缝的油井的累积石油产量。进行了案例研究，加拿大阿尔伯塔省Montney地层中的74口水力压裂井，使用井距、岩石力学性质和完井参数作为输入特征，预测五年内的累积产量剖面[55]。开发了一个代理模型，用于使用基于生产、完井和HF数据作为输入特征的深度NN预测页岩储层的累积天然气产量;该模型使用Montney地层中1239口水平井的现场数据进行了验证[56]。M.A. Mirza，M.Ghoroori和Z.陈工程18（2022）27301.4. 智能钻井工程考虑到钻井作业过程中每天产生大量的实时数据，钻井工程也从ML的应用中受益匪浅。由于近年来石油价格的波动，在各种价格方案中，已经寻求。为了实现这一目标，ML已经变得越来越普遍，以实时缓解钻井挑战。钻井作业优化和卡钻预测是钻井工程中最关键的两个领域，并且经常使用AI应用程序进行研究。Mohaghegh[57]利用人工神经网络实时识别钻井异常及其相关的非生产时间（NPT）。Unrau等人[58]开发了一种ML模型，用于确定实时报警阈值，以便在钻井作业期间检测流速和泥浆体积数据的异常。该模型有助于早期发现井漏，并最大限度地减少误报。Pollock等人应用强化学习算法。[59]基于二叠纪和阿巴拉契亚盆地的14口水平井来改进预训练的NN。改进后的模型设法最大限度地减少了曲折和偏离计划轨迹，误差小于3%Zhao等人[60]应用ML算法推导出不同钻井参数的趋势，以识别异常事件并相应地提出补救措施。尝试将ML算法应用于使用钻压、流速和每分钟转数等钻井特征的机械钻速（ROP）优化[61]。Goebel等人[62]开发了一种ML模型，用于根据对各种参数（包括ROP、管道旋转、倾角和流速）的监测和调查来预测未来的卡管。一年后，Dursun等人提出了钻井期间的实时风险预测[63]。ML算法与数据挖掘和自然语言处理（NLP）技术相结合，在极短的时间内调查了中东两个陆上油田的每日钻井报告（DDR），以便对生产和NPT进行分类，并发现NPT的关键影响因素[64]。2. 挑战和机遇ML算法可以非常有效地应用于解决三种主要类型的问题：为已理解的问题构建代理模型以降低计算成本;为需要人工干预和知识进行分析的问题构建ML模型;以及为以前无法解决的复杂问题构建ML模型。ML在环境简单、数据很容易获得，而且决策并不昂贵。尽管在石油工业中使用ML的大多数情况不符合这些标准中的任何一个，但由于环境通常是异构的，因此决策是昂贵的（例如，钻井），并且数据是零星的，通过ML的有效应用对长期收益的投资可以提供大量的价值，尽管需要深思熟虑的设计和与领域专家的高度合作[65]。将ML算法应用于石油工程问题需要克服各种挑战。一个挑战是数据通常是大量的（即，大量数据），具有广泛的种类（即，许多不同的数据）和准确性（即，数据不一致和不准确），以及在高速下（即，高速率的数据流入）。每天从安装在石油工业中的操作设备上的井下和地面传感器产生大量和各种各样的数据。该行业利用结构化和非结构化数据来跟踪生产，安全和维护。在石油工业中获取准确的数据通常很困难，这是不可能的，而且可能很昂贵。因此，获得足够数量的高质量数据用于训练和验证是石油行业的普遍挑战，这会导致训练数据中的不确定性和噪声。反过来，这些问题又会损害ML模型的通用性和准确性。此外，原始数据通常不适合ML算法，需要进行预处理和清洗。地下的不确定性和数据处理的时间延迟也是重要的考虑因素.此外，这些数据通常存在于部门筒仓中，由于保密问题和竞争优势，相应的模型要么不可用，要么不对其他人开放-这是学术环境中特别普遍的问题[65]。此外，模型的可解释性对于地球科学来说是重要的，因为知道结果的原因和它本身一样重要知道结果本身。也许是由于上述挑战，ML在地球科学中的应用并不像在许多其他领域那样迅速。虽然ML是一种很有前途的技术，可以使用大数据来发现输入-输出关系并获得见解，但ML性能可能会受到数据高维性的影响。这可能会导致误导性的相关性和不切实际和不可靠的聚类。值得注意的是，数据在其初始状态下通常是模糊的;因此，需要不同的预处理技术来识别显著特征，并使ML模型能够学习系统的行为。存在数据缺失和系统稳定性缺乏的风险，这会给ML模型带来偏差，从而难以从数据中提取有益的知识[66]。此外，应考虑到利用不同来源数据的考虑因素和挑战。与数据相关的隐私、安全和道德也是需要考虑的非常重要的方面。将ML算法与基于物理的方法相结合的混合建模可以被认为是缓解上述问题的一种方法。此外，迁移学习-其中使用预训练模型作为起点，然后通过考虑自己的训练数据在其上训练模型3. 观点ML的潜力还没有被充分利用在石油工业的两个领域，即油藏模拟和文本挖掘。油藏模拟涉及微分方程（DE），其适当地说明物理性质随时间和空间的变化，因此对于描述自然界中的物理现象是有用的。在科学和工程中有许多问题需要解决复杂的DE。然而，DE非常困难，以及它们的相关模拟是极其复杂和计算密集的。这种复杂程度需要使用巨型计算机进行模拟，并证明该领域研究人员对人工智能的兴趣。利用DL，它涉及具有多个隐藏层的NN，是一种有前途的技术，将加快求解DE，并节省科学家和工程师大量的时间和精力。加州理工学院的研究人员已经引入了一种新的DL技术来解决DE，它比传统的DL算法更准确，更通用，速度快1000倍[67]。这种新的适应基于在傅立叶空间中定义输入和输出，而不是传统DL中的欧几里德空间。这一发展不仅将减少对超级计算机的依赖，而且还将提高计算能力，以有效地模拟更复杂的问题。石油行业刚刚开始利用ML的力量来进行智能报告和从文本文档中提取信息。每日钻井和完井报告是行业中两种主要的基于文本的文档，其中包含重要的M.A. Mirza，M.Ghoroori和Z.陈工程18（2022）2731文本以及各种其它类型的数据，例如深度、铸件尺寸、孔尺寸和穿孔深度。NLP和DL算法可用于开发操作和性能改进的自动质量控制模型，提供比依赖主题专家知识的传统方法更有效的方法[68]。一些研究调查了石油工业中的文本处理，重点关注的主题包括用于风险管理和问题预测的运营数据的文本挖掘[69]，基于报告的上下文分析[70，71]和报告分类[71]的生成度量和模式识别。虽然文献中包含了使用文本挖掘技术来减轻行业中基于文本的挑战的研究，但ML在这一领域仍然有很大的潜力，必须进一步探索。4. 总结发言数据驱动的方法和人工智能算法有足够的希望，有一天它们可能比基于物理的方法更受依赖。他们的主要饲料是数据，这是每个场景的基本元素。这些算法从数据中学习，并揭示看不见的模式。在石油行业，人们对使用这项技术从每秒生成的大量数据中获得洞察力非常感兴趣。许多研究探索了人工智能在该行业各个子学科中的适用性;然而，明显缺乏两个主要特征;即，关于这个主题的大多数研究要么不够实用，不适用于现实领域的挑战，要么仅限于特定问题，不可推广。必须注意数据本身以及如何分类和存储。虽然在不同学科产生了大量数据，但这些数据仍然存在于部门内部，其他部门无法获取。为了从数据中获得尽可能多的洞察力，数据必须存储在一个集中的存储库中，可以很容易地将其用于不同的应用程序。在数据采集与AI和ML技术的应用之间，必须对数据进行处理，以便有效地提取特征，并确保数据能够有效地支持算法。虽然AI和ML技术在石油和油藏工程领域越来越重要，但它们只是整体系统的一部分。为了确保该系统能够提供价值，需要仔细考虑将算法应用于这一具有挑战性的领域，并且必须提供正确的数据类型、质量和数量，并进行有效处理，以实现预期的结果。因此，尽管人工智能是有效管理世界地下资源的关键工具，但数据是充分利用这些可能性的关键。遵守道德操守准则Mohammad Ali Mirza、Mahtab Ghoroori和Zhangxin Chen声明他们没有利益冲突或财务冲突需要披露。引用[1] Noshi CI，Schubert JJ. 机器学习在钻井作业中的作用;综述。在：SPE/AAPG东部区域会议的会议记录; 2018年10月7日至11日;匹兹堡，宾夕法尼亚州，美国。Richardson：OnePetro;2018.[2] 作者声明：A.数据驱动的建模：一些过去的经验和新方法。J Hydroinform 2008;10（1）：3-22.[3] 杜布瓦·D，哈杰克·P，普拉德·H.知识驱动与数据驱动的逻辑。JLogic Lang Inform2000;9（1）：65-89.[4] 施瓦察赫作为一般沉积模型的半马尔可夫过程In：Merriam DF，editor.沉积过程的数学模型国际研讨会。Boston：Springer; 1972. p.247比68[5] Matalas NC.综合水文学的数学评价。水资源研究1967;3（4）：937-45.[6] Agterberg FP.多变量井数据的马尔可夫格式在：国际会议录，计算机和业务研究在矿业中的应用研讨会。宾夕法尼亚州立大学;1966年。[7] PrestonFW，Henderson J. 用于地层对比的旋回沉积物傅里叶级数表征。In：Merriam DF，editor.循环沉积专题讨论会论文集。堪萨斯州：地质调查局; 1964年。p. 415- 25[8] 纽恩多普警局石油勘探决策分析Tulsa：PennwellBooks; 1976.[9] Reddy RKT，Bonham-Carter GF.雪湖地区矿产潜力图的决策树方法 ManitobaCan J Rem Sens 1991;17（2）：191-200.[10] 赵X，孟德尔JM.使用人工神经网络的最小方差反褶积。在：SEG技术计划扩展摘要1988年。休斯顿：SEG图书馆; 1988年。[11] McCormack MD.物理学中的神经计算。LeadEdge 1991;10（1）：11-5.[12] Waldeland AU，Solberg AHSS.使用深度学习进行盐分类。In：Proceedings ofthe 79th EAGE conference and exhibition 2017; 2017 Jun 12- 15; Paris ，France; 2017.[13] [10]张志华，张志华. 无需地震处理的自动断层探测。 Lead Edge 2017;36（3）：208-14.[14] 吉顿河用于断层解释的3D卷积神经网络In：Proceedings of the 80th EAGEconference and exhibition 2018; 2018 Jun11 -14; Copenhagen ， Denmark;2018.[15] 放大图片作者：P. 基于自举机器学习的地震断层解释。在：AAPG年度会议和展览的会议记录;2018年5月20日至23日;盐湖城，UT，美国; 2018年。[16] 吴宏，张斌.基于编码解码卷积神经网络的半自动地震层位解释在：SEG技术计划扩展摘要2019。休斯顿：SEG图书馆;2019年。[17] Chevitarese DS，Szwarcman D，Gama e Silva RM，Vital Brazil E.深度学习应用于地震相分类：一种训练方法。在：欧洲地球科学家工程师协会会议录，圣彼得堡2018年; 2018年4月9日至12日;圣彼得堡; 2018年p. 1比5。[18] Dramsch JS，Lüthje M.在最先进的CNN架构上深度学习地震相。在：SEG技术计划扩展摘要2018。休斯顿：SEG图书馆; 2018年。[19] Mosser L，Dubrule O，Blunt MJ.用生成对抗神经网络重建三维多孔介质。PhysRev E 2017;96（4）：043309。[20] Laloy E，Hérault R，Jacques D，Linde N.使用空间生成对抗神经网络的基于训练图像的地质统计反演。Water ResourRes 2018;54（1）：381-406.[21] Mousavi SM，Horton SP，Langston CA，Samei B.用神经网络和逻辑回归自动判别深、浅源诱发微地震的地震特征。 Geophys J Int 2016;207（1）：29-46.[22] 何明，李青，李新.利用机器学习方法进行注水诱发地震风险管理的 前瞻性研究。2020 ;8：227.[23] [10]杨文，王文.加拿大不列颠哥伦比亚省北部Montney区带的流体注入和地震活动，特别是2015年8月17日M w 4.6诱发地震。BullSeismol Soc Am 2017;107（2）：542-52.[24] EllsworthWL.注入诱发地震。Science 2013;341（6142）：1225942.[25] Atkinson GM ， Eaton DW， Ghofrani H，Walker D，Cheadle B，SchultzR ， et al. 加 拿 大 西 部 沉 积 盆 地 的 水 力 破 裂 和 地 震 活 动 。 Seismol Res Lett2016;87（3）：631-47.[26] Gharbi RB，Elsharkawy AM.基于通用神经网络的原油系统PVT特性估算模型在：SPE亚太石油和天然气会议和展览会论文集; 1997年4月14日至16日;马来西亚吉隆坡。Richardson：OnePetro;1997.[27] Osman EA，Abdel-Wahhab OA，Al-Marhoun MA.用神经网络预测油的PVT特性收录 于 ： SPE 中 东 石 油 展 论 文 集 ; 2001 年 3 月 17 日 至 20 日 ; 巴 林 麦 纳 麦 。Richardson：OnePetro;2001.[28] 王凯，罗军，魏勇，吴凯，李军，陈忠。机器学习在成分油藏模拟中快速相平衡计算的实际应用。J Comput Phys 2020;401：109013.[29] Helmy T，Fatai A.油气储层孔隙度和渗透率预测的混合计算智能模型。Int JComput Intell Appl2010;9（4）：313-37.[30] Patel AK，Chatterjee S.基于计算机视觉的概率神经网络灰岩岩石类型分类。GeosciFront2016;7（1）：53-60.[31] 使用前馈神经网络进行横向油藏表征时随机噪声的影响。在：SEG技术计划扩展摘要1994年。休斯顿：SEG图书馆;1994年。[32] 李文，李文，李文.利用地震波形和前馈神经网络进行储层表征。地球物理2001;66（5）：1450-6.[33] Jamialahmadi M，Javadpour FG.利用人工神经网络研究渗透率、孔隙度与深度的关系。石油科学与工程杂志2000;26（1-4）：235-9.[34] Wang B，Sharma J，Chen J，Persaud P. Ensemble机器学习辅助油藏表征使用现场生产数据-海上油田案例研究。能源2021;14（4）：1052。[35] 刘X，葛Q，陈X，李J，陈Y.用于多变量储层表征的极端学习机。 石油科学工程杂志2021;205：108869。[36] 陈志油藏模拟：数学技术油复苏在：CBMS-NSF应用数学区域会议系列。Philadelphia：Siam; 2007.M.A. Mirza，M.Ghoroori和Z.陈工程18（2022）2732[37] 陈志，黄刚，马燕.多孔介质多相流计算方法。Philadelphia：Siam.[38] 放大图片作者：Amirian E，Chen Z.认知数据驱动的代理模型在注水开发动态预测中的应用。 Glob J Technol Optim 2017;08（01）：1-9.[39] 张文辉，张文辉，张文辉.稠油油藏聚合物驱动态预测《燃料》2018;216：83-100。[40] 黄志，陈志.不同机器学习算法预测SAGD生产性能的比较。石油科学工程杂志2021;202：108559。[41] Dang C，Nghiem L，Fedutenko E，Gorucu SE，Yang C，Mirzabozorg A，et al.基 于 人 工 智 能 的 混 合 低 盐 度 化 学 驱 油 机 理 建 模 和 概 率 预 测 。 燃 料 2020;261 ：116445。[42] Ng CSW，Ghahfarokhi AJ，Amar MN. Volve油田的油井产量预测：严格机器学习技术和元启发式算法的应用。石油科学与工程杂志2022;208（Pt B）：109468。[43] Hui G，Chen S，He Y，Wang H，Gu F.基于机器学习的非常规油气藏页岩气产量预测 天然气科学工程杂志2021;94：104045。[44] TadjerA，Hong A，Bratvold RB. 基于机器学习的递减曲线分析在短期石油产量预测中的应用。能源探索利用2021;39（5）：1747-69。[45] 放大图片作者：AhmadMA，Chen Z. 预测垂直采油井多相流井底压力的机器学习模型。Can J Chem Eng 2019;97（11）：2928-40。[46] 李K，林J，尹D，郑H.使用深度学习算法预测Duvernay地层的页岩气产量SPE J2019;24（06）：2423-37。[47] Popa A，Connel S.利用人工智能预测地层动态优化水平井布局在：SPE年度技术会议 和 展 览 会 论 文 集 ; 2019 年 9 月 30 日 至 10 月 2 日 ; 卡 尔 加 里 ， AB ， 加 拿 大 。Richardson：OnePetro;2019.[48] 莫 哈 黑 海 峡 使 用 人 工 智 能 （ AI ） 绘 制 尤 蒂 卡 页 岩 的 天 然 裂 缝 网 络 。 在 ：SPE/AAPG/SEG非常规资源技术会议论文集; 2017年7月24日至26日;美国德克萨斯州奥斯汀。休斯顿：SEG图书馆;2017年。[49] [1]何清，钟志，王刚. 人工智能辅助页岩气藏水力压裂设计。在：SPE东部区域会 议 的 会 议 记 录 ; 2019 年10月15 日至17日;查尔斯顿，西弗吉尼亚州，美国。Richardson：OnePetro;2019.[50] 孙志，王玲，周军，王春. 基于支持向量回归的粗糙岩体裂隙水力开度确定新方法。 工程地质2020;271：105618。[51] Yang S ，McBride P ，Kherroubi J，He A， Le Nir I，Quesada D，et al. Anefficientworkflow for geological characterization in unconventional reservoirsfrom anew through-the-bit logging electrical micro-imaging tool. 在 ： 2018 年AAPG国际会议和展览会的会议记录; 2018年11月4日至11日;开普敦，南非; 2018年。[52] 王良良，孙爱。基于水力压裂、油藏模拟和机器学习集成研究的二叠系盆地井网优化在：SPE/AAPG/SEG非常规资源技术会议论文集; 2020年7月20日至22日;在线。Richardson：OnePetro;2020.[53] Bangi MSF，Kwon JSI.水力压裂的深度强化学习控制。计算机化学工程2021;154：107489。[54] Duplakov VM，Morozov AD，Popkov DO，Shel EV，Vainshtein AL，BurnaevEV，et al.水力压裂设计优化的数据驱动模型。第二部分：逆问题。石油科学与工程杂志2021;208（Pt A）：109303。[55] Chaikine IA ， Gates ID. A machine learning model for predicting multi-stagehorizontal well production. 石油科学工程杂志2021;198：108133。[56] Han D，Kwon S.应用数据驱动的深度学习模型的机器学习方法预测页岩气藏油井产量。 能源2021;14（12）：3629.[57] Mohaghegh SD，发明人; Mohaghegh SD，受让人。为钻井操作提供实时辅助的系统和方法。美国专利US20150300151。2015年10月22日[58] [10]张晓刚，张晓刚. 应用于井控事件检测的机器学习算法。在：沙特阿拉伯SPE王国年度技术研讨会和展览会的会议记录;2017年4月24日至27日;达曼，沙特阿拉伯。Rich ard son ：OnePetro; 2017.[59] [10]杨文，李文. 用于改进定向钻井的机器学习。在：海上技术会议论文集; 2018年4月30日至5月3日;美国德克萨斯州休斯顿。Richardson：OnePetro; 2018.[60] 赵军，沈艳，陈伟，张志，庄士敦.基于钻井数据的钻井事件的基于机器学习的触发检测。在：SPE东部区域会议的会议记录; 2017年10月4日至6日;美国肯塔基州列克星敦。Richardson：OnePetro; 2017.[61] Hegde C，Gray KE.使用机器学习和数据分析来提高附近油井的钻井效率。 J NatGas Sci Eng 2017;40：327-35.[62] Goebel T，Molina RV，Vilalta R，Gupta KD，发明人; Landmark GraphicsCorp.，受让人用于预测钻柱卡管事件的方法和系统。美国专利US8752648。2014年9月10日。[63] Dursun S，Tuna T，Duman K，Kellogg RW，发明人; Landmark GraphicsCorp.，受让人钻井作业过程中的实时风险预测。美国专利US 15/024，575。2015年4月30日[64] Castiñeira D，Toronyi R，Saleri N.机器学习和自然语言处理用于自动分析钻井和完井数据。在：沙特阿拉伯SPE王国年度技术研讨会和展览会会议录;2018Apr23-26岁;达曼沙特阿拉伯. Richardson：OnePetro;2018.[65] 巴塔查里亚地球科学中流行的机器学习算法的简要回顾。在：石油地球科学工程简介。Cham：Springer;2021.[66] Abrahart RJ，参见LM，Solomatine DP.实用水文信息学：水应用中的计算智能和技术发展。 纽约：Springer Science &Business Media; 2008。[67] [1] Li Z，Kovachki N，Azizzadenesheli K，Liu B，Bhattacharya K，Stuart A，Anandkumar A.参数偏微分方程的傅里叶神经算子。2020. arXiv：2010.08895。[68] 能志角石油和天然气行业文本挖掘应用的简要调查。国际石油技术会议; 2019年3月26-28日;中国北京。Richardson：OnePetro;2019.[69] Brestoff NE，发明人; Intraspirate LLC受让人。使用分类文本和深度学习算法来识别风险并提供预警。美国专利US9552548B1。2017年1月24日[70] 吕刚，郑聪，张良.基于概念语义相似度的文本信息检索。在：2009年第五届语义学国际会议论文集; 2009年10月12日至14日;珠海，中国。Piscataway：IEEE出版社;2009年。[71] Arumugam S，Rajan S，Gupta S.基于主题建模和本体的钻井日报文本挖掘。在：SPE西部区域会议记录; 2017年4月23日至27日;贝克斯菲尔德，加利福尼亚州，美国。Richardson：OnePetro;2017.
我的内容管理
展开
