作者：Shahab D.Mohaghegh
小晨編譯
石油數據分析的一個主要特點是它結合了可解釋人工智能（XAI）。石油數據分析的預測模型不是通過無法解釋的黑箱行為來表示的，石油數據分析的預測模型是合理解釋的。這個由兩部分組成的系列文章的第一部分介紹了XAI的歷史。第二部分解釋了它的用法。
介紹
石油數據分析是數據科學在石油工程相關問題中的一個堅實的工程應用。數據科學的工程應用被定義為使用人工智能和機器學習來模擬純粹基於事實的物理現象（例如，現場測量和數據）。這項技術的主要目標是完全避免假設、簡化、先入為主的觀念和偏見。
石油數據分析的一個主要特點是它結合了可解釋人工智能（XAI）。石油數據分析以實際的現場測量作為物理現象建模的主要組成部分，同時結合了幾種機器學習算法，包括人工神經網絡、模糊集理論和進化計算，石油數據分析的預測模型（數據驅動預測模型）不是通過無法解釋的黑箱行為來表示的，石油數據分析的預測模型是合理解釋的。
上世紀90年代初，當人工智能和機器學習開始被用於解決工程相關問題時，工程師和科學家開始詢問這項技術是如何實現其預測目標的。最近被稱為人工智能和機器學習的非工程應用的XAI，在這項技術的工程應用背景下並不新鮮。人工智能和機器學習的工程應用在很大程度上是可以解釋的，其背後的主要原因與傳統統計學在解決工程相關問題中應用的歷史問題有關。
雖然傳統統計學的主要解決方法是識別數據中的相關性，但工程師和科學家總是對能夠解釋相關性的因果關系感興趣，這一直是使用傳統統計方法解決問題的主要問題之一。許多數據驅動的解決方案仍然被稱為「黑箱」解決方案。人工智能和機器學習的工程應用不會產生黑箱解。
工程師和科學家提出的問題在2000年初引起了研究和開發工作，並導致了今天所謂的XAI。本文通過2001年至2010年間發表的7篇石油和天然氣行業的技術論文，展示了現在所說的XAI的歷史。
歷史上，在人工智能和機器學習發展之前，傳統的統計學被用來分析數據。傳統統計學的主要作用是指定能與所收集的數據相吻合的假設。因此，傳統統計背後的關鍵是相關性，而工程師和科學家一直對因果關系感興趣。這是一個公認的事實，相關性並不一定決定或代表因果關系。圖1和2是一個很好的例子，說明相關性與因果關系無關。這些數字說明了為不同變量收集的數據是如何相互關聯的，而彼此之間卻完全無關。當沒有石油工程領域專門知識的人在石油和天然氣工業中使用人工智能和機器學習時，這種方法（相關性和因果關系）的有趣例子同樣正確。
圖1-1999年至2009年的10年間，美國在科學、航天和技術方面的支出與絞死、勒死和窒息自殺高度相關，這種相關性與因果關系完全無關。
圖2-2000年至2009年9年間，緬因州的離婚率與人均人造黃油消費量高度相關。很明顯，這種相關性與因果關系完全無關。
人工智能和機器學習在石油和天然氣工業中的糟糕應用（我已經看到了非常多的應用）幾乎從未被暴露出來。人工智能和機器學習在石油工業中應用的一個公開例子是，北達科他州巴克肯的一家運營公司打算利用人工智能專家為其提供數據分析。根據收集到的數據，專家得出結論，巴肯頁岩井的油氣產量受北達科他州天氣的控制。歷史上，許多大型運營公司以及石油行業最大的服務公司一直在使用沒有領域專業知識的人工智能專家作為他們的數據分析領導。關於我們的人工智能和機器學習的工業方法的一些細節已經在一個SPE-Petro談話中討論過了。
本文的目的是介紹和說明XAI，並演示XAI作為近20年前石油數據分析的一部分的啟動。本文的不同部分將介紹如何通過石油數據分析開發的模型如何解釋使用純數據驅動的基於人工智能的算法生成的模型的物理，而這些算法不使用數學方程生成的任何數據。
XAI在石油數據分析中的歷史
自2001年以來，已經發表了七篇SPE論文，其中包括今天所稱的XAI。這七篇SPE論文共有38個圖，這些數據使用預測分析模型來解釋這些模型如何解釋純粹基於現場測量而不是數學方程建模的物理現象。為了說明XAI在石油數據分析中的歷史應用，本文展示了這七篇SPE技術論文中的數字。
第一篇技術論文包括了2001年出版的SPE論文（SPE72385），它包含了第一個版本的XAI，本文介紹了人工智能和機器學習在水力裂縫建模中的應用。圖3示出了本SPE論文中的兩個XAI相關圖。本文利用人工神經網絡建立了數據驅動模型（訓練、標定和驗證），解釋了三個水力壓裂相關參數對壓裂效果的影響。這些水力壓裂相關參數包括射孔次數、注入速率和注水總量。本文用XAI解釋了這些參數對油井產能（5年累計產氣）的影響。這些參數對油井產能影響的解釋，可用於識別油井產能優化與射孔次數、注入速率和注水總量的函數關系。
圖3-論文 SPE 7238中的圖7，單井注水量敏感性分析。
圖3示出了本文的原始圖7，說明了油井產能（5年累計產氣）達到最大值的條件。對於該井，只要射孔次數和注氣率保持在最小值（注注速度為25 bbl/min，8孔）且最大值為63400 Mscf，5年累計產氣量可達到57050mscf的最大值，只要射孔次數和注射速率保持在最大值（注射速率為60 bbl/min，射孔26個）。
如圖3所示，雖然這些參數（射孔次數和注入速率）保持在最小值，但在680 bbl水下，可實現最高5年累積產氣量（57050 Mscf）。另一方面，當這些值保持在最大值時，在注入水約725 bbl時，可實現最高5年累積產氣量（63400 Mscf）。結論是，對於該井，理想注水量約為700bbl。本文包括兩個更相似的數字，顯示了同一領域中另外兩口井的解釋。
與2001年發表的論文類似，第二篇技術論文包括XAI，是SPE年會和展覽上發表的SPE論文（SPE77597），該論文於2002年出版，本文還介紹了人工智能和機器學習在科羅拉多DJ盆地建模折射（再模擬）中的應用。圖4是解釋井產能的修改以及注入支撐劑（砂）和流體的數量以及射孔次數等參數的函數。圖中顯示了8-5井在折射過程中的月油當量桶和產能。
圖4-論文SPE 77597中的圖8，後再模擬實際峰值（在平均再模擬作業後）對所研究的三個參數的不同值的敏感性，即砂量、流體量和Bohlender 8-5的射孔次數。
第三篇技術論文包括XAI，是2002年出版的SPE論文（SPE77659），本文涵蓋了利用人工智能和機器學習對阿拉斯加普魯德霍灣地面設施進行純數據驅動建模。本文包括八種不同三相分離器裝置產生XAI的數據，包括分離器壓力、溫度、烴速率和壓縮機入口吸入壓力。圖5和6顯示了本SPE論文中的兩個此類數據。
圖5-論文SPE 77659中的圖13，三相分離器設施FS1在50°F時的速率與壓力曲線不同的壓縮機入口吸入壓力。
圖6-論文SPE 77659中的圖15，三相分離器設施FS3在50°F時的速率與壓力曲線°不同的壓縮機入口吸入壓力。
包含XAI的第四篇技術論文是2004年發表的SPE論文（SPE 89033），其中包含了更多來自普羅德霍灣地面設施的純數據驅動模型的XAI示例。本文包括七個圖，涵蓋了普羅德霍灣的XAI。圖7和圖8顯示了本文中的兩個這樣的圖。
圖7-論文SPE 89033的圖12，三相分離器設施FS2的速率行為，FS2和FS1A速率下壓力的函數。
圖8-論文SPE 89033的圖19，三相分離器設施GC3的速率行為作為GC3和CCP速率下壓力的函數。
包括XAI在內的第五篇技術論文是一篇發表於2005年的SPE論文（SPE95942）。本文包括兩幅顯示該油田多口單井水力壓裂XAI結果的圖。
圖9解釋了每英尺（x軸）的放炮量和注入速率<（bbl/min）/ft>（y軸）如何影響三口井30年的預計最終采收率。隨著射孔數量和每英尺產層厚度的平均注入速率的變化，這些井顯示出不同類型的響應。隨著射孔數量和平均注入速率的增加，每口井的生產響應都不同。
圖9-論文SPE 95942中的圖13，數據庫中三口井的炮數/英尺和注入速率的敏感性分析。
包括XAI在內的第六篇技術論文是2006年發表的SPE論文（SPE101474）。本文介紹了傳統數值模擬模型的智能代理建模的XAI。圖10提供了模型的類型曲線，說明了特定儲層參數對石油產量的影響，而圖11提供了模型的類型曲線，說明了另一個特定儲層參數對含水率的影響。
圖10 論文SPE 101474中的圖10，5年累計產油量隨時間的變化，對於頂層II參數a的不同值。這可被視為該特定儲層的類型曲線。
圖11論文SPE 101474的圖11，頂層II參數B不同值的瞬時含水率隨時間的變化。這可被視為該特定儲層的類型曲線。
包括XAI在內的第七篇技術論文是一篇發表於2010年的SPE論文（SPE139032）。本文展示的XAI模型是使用IMagine軟件開發的，該軟件用於開發自頂向下的模型。圖12展示了使用XAI解釋石油產量特征作為橫向長度和注入壓裂液的函數（左圖），以及石油產量特征作為產層厚度和橫向長度的函數（右圖）。
圖12 論文SPE 139032的圖27和28，注入壓裂液量和側向長度對產量的影響（中Bakken模型），產層厚度和側向長度對產量的影響（中Bakken模型）。
(待續)
公眾號：智慧能源之窗
