油气勘探开发数字化转型人工智能应用大势所趋.pdf

2023 年第 3 期12023年第42卷第3期石 油科技论坛油气勘探开发数字化转型人工智能应用大势所趋刘合（中国石油勘探开发研究院）摘要：近年人工智能技术全面爆发，成为数字经济发展的重要引擎。人工智能技术的应用已成为油气数字化转型的关键一步，并在提高油气勘探开发效率、降低运营生产成本、保障安全生产、降低环境风险等方面发挥巨大的推动作用。文章阐述了人工智能技术在储层评价、测井、物探、钻完井、油藏工程、油气田工程等领域的研发应用现状，国内外油公司积极探索人工智能合作研发模式，在非常规油气领域加快人工智能应用布局，已取得初步效果。当前油气勘探开发人工智能应用面临着诸多挑战，如数据获取成本高，数据质量问题突出，业务场景复杂，无法单纯依靠数据驱动，研发生态尚未成熟，短期见效慢，认识尚浅，配套机制跟不上等。针对人工智能落地应用提出如下建议：建立数据质量管理框架，实现持续自动化检查提高数据质量；将行业机理模型和人工智能技术融合，培养复合型人才；共建智慧能源合作生态，鼓励智慧能源生态发展；要清楚认识数字化转型、智能化发展是系统工程、持续工程。关键词：人工智能；油气勘探开发；数字化转型；数据治理；深度学习中图分类号：TE319；TP18；F426.22文献标识码：ADOI：10.3969/j.issn.1002-302x.2023.03.001Digital Transformation of Oil and Gas Exploration and Development;Unstoppable AI ApplicationLiu He(PetroChina Research Institute of Petroleum Exploration&Development,Beijing 100083,China)Abstract:Artificial intelligence(AI)technology has been under explosion in recent years,becoming an important engine for digital economic development.Application of AI technology has become a key step for oil and gas digital transformation and played an important role in improvement of oil and gas exploration and development efficiency,reduction of business and production costs,assurance of work safety and reduction of environmental risks.This article elaborates the current conditions about R&D and application of AI technology in the areas of reservoir evaluation,logging,geophysical exploration,drilling and completion,oil reservoir engineering,and oil and gas field engineering.The Chinese and foreign oil companies actively study the cooperative AI R&D model,accelerated distribution of AI application in the unconventional oil and gas area,and achieved the preliminary results in those areas.Currently,AI application of oil and gas exploration and development faced a number of challenges,such as high cost for data acquisition,obvious problems of data quality,complicated business situations,unlikeliness for pure dependence on data drive,immaturity of the R&D environment,inapparent short-term results,inadequate understanding,and delay in the relative mechanisms.Focusing on actual AI application,the article proposes to establish the configuration of 基金项目：国家自然科学基金科学中心项目/基础科学中心项目“数字经济时代的资源环境管理理论与应用”（编号：72088101）。作者简介：刘合，1961 年生，中国工程院院士，2002 年毕业于哈尔滨工程大学控制理论与控制工程专业，博士，教授级高级工程师，能源与矿业工程管理专家，长期从事采油工程科技创新与管理等方面科研工作。E-mail：收稿日期：2023-06-122 数字化智能化专刊SPECIAL FOR DIGITALIZED AND INTELLIGENT推动人工智能（AI）落地应用是深刻领会习近平总书记网络强国重要思想，准确把握数字经济发展趋势规律的重要举措。2018 年 10 月 31 日，习总书记在第九次中共中央政治局集体学习时强调，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。2021 年 10月 18 日，习总书记在主持中央政治局第三十四次集体学习时强调，支持人工智能和实体经济深度融合，建设数字中国、智慧社会。2022 年 10 月 16日，习总书记在党的二十大报告中指出，推动战略性新兴产业融合集群发展，构建新一代人工智能、新能源、绿色环保等一批新的增长引擎。2023 年 4月 28 日，中共中央政治局召开会议，提出要重视通用人工智能发展，营造创新生态。我国已将大数据与人工智能作为一项重要的科技发展战略，中共中央、国务院重磅发布数字中国建设整体布局规划 关于加快推进能源数字化智能化发展的若干意见，新组建国家数据局，从国家层面全面加速数字中国的建设步伐，人工智能技术研发与应用迎来了新机遇。中国石油天然气集团有限公司（简称中国石油）将人工智能发展提升到战略层面，对集团数字化转型智能化发展做出总体部署，制定了智能化科技发展规划，全面助推高质量可持续发展。2021 年9 月，中国石油召开科技与信息化创新大会，强调全力推动智能化发展，提升价值创造能力。2022 年3 月，中国石油勘探开发人工智能技术研发中心率先成立，旨在推进落实中国石油数字化智能化发展战略，加快勘探开发人工智能技术的研发及应用。1人工智能研究与应用发展概况人工智能是一门涉及理论、方法、技术及应用的新兴学科，旨在研究和开发能够模拟、延伸和扩展人类智能的系统和技术。它涵盖了机器学习、自然语言处理、计算机视觉、专家系统等多个领域，通过模拟人类思维和智能过程，使计算机具备感知、理解、推理、决策和学习等能力，以解决复杂问题和完成智能任务。在科技飞速发展的今天，人工智能迅猛发展，渗透于各行各业，带动了第四次工业革命，也将对油气行业产生深远影响。1.1人工智能发展概况自 1956 年在英国达特茅斯会议上提出人工智能至今，随着数据、算力等因素的积淀与变化，发展经历了 3 次大的浪潮。21 世纪以来，依托丰富的大数据资源、指数级增长的算力，以及深度学习算法的出现，人工智能技术全面爆发，成为数字经济发展的重要引擎（图 1）。新兴技术如互联网、云计算、大数据、芯片、物联网等，为人工智能技术发展提供充足数据支持和算力支撑，以“AI+”为代表的业务创新模式日趋成熟，已在多个领域广泛应用。尤其是 ChatGPT等大模型技术的出现，带动了生成式人工智能技术的落地应用。目前，机器学习、计算机视觉等人工智能技术成熟度和行业应用程度高。业务场景智能化发展快慢受人工智能技术成熟度影响，油气勘探开发领域的人工智能技术也集中于这些技术领域，其他 AI技术的研发及应用业务场景少。同时，通用行业人工智能落地应用要快于油气勘探开发领域。data quality management,bring about continual automatic inspection for a higher data quality,integrate industrial mechanism model with AI technology to foster cross-disciplinary talents,co-construct the environment for intelligent energy collaboration in encouragement of intelligent energy ecological development,and clarify the fact that digital transformation and intelligent development are the systematic and sustainable projects.Key words:AI,oil and gas exploration and development,digital transformation,data treatment,in-depth study2023 年第 3 期31.2通用行业人工智能研究应用状况人工智能技术应用具有数据处理高度自动化、结果智能化的特点，已成为近年研究热点。利用深度神经网络、智能优化、计算机视觉等人工智能方法可以提取更抽象、更复杂的数据特征，能够有效避免人为因素对结果的不利影响。近些年来，相关学者和研究人员利用人工智能等技术对通用行业领域多个方面进行了深入探究。人工智能已经在广泛领域中引发了革命性变化，包括智能交通、无人驾驶汽车、智慧城市等通用行业。此外，在诸如生物科学1-3、医疗保健4-6、安防7-9 等领域，人工智能的应用也呈现出显著影响。例如，在气象领域，Hazar Chaabani 等人10提出了一种基于深度学习的特征提取和 SVM 分类器相结合的新方法，可提供更好的性能结果，在大雾天气提供更安全的驾驶条件。在医学领域，Alexander Selvikvag Lundervold 等人11阐述了深度学习如何应用于从获取到图像检索，从分割到疾病预测的整个MRI 处理链。光学图像地质灾害识别是防灾减灾的关键技术之一，Liu 等人12基于 Google Earth 的光学图像，提出了一种用于光学图像的压缩域滑坡识别框架，取得了较高的分类准确率。在生物图像分类方向，Carlos Affonso 等人13指出，在高度复杂的场景中，深度学习技术应用于图像处理任务的预测性能优于传统分类技术。在可再生能源方面，Wang 等人14提出基于深度学习的可再生能源预测方法综述，探讨了其有效性、效率和应用潜力。在互联网、金融等领域，人工智能技术应用已向效率化、工业化生产的成熟阶段演进。1.3油气行业人工智能研究应用状况随着新兴技术的快速发展，国内外学者致力于研究利用人工智能方法和大数据分析手段，结合油气行业的传统方法，形成适用于油田开发研究的算法与技术，从而大幅度提高研究效率和智能化水平。目前，人工智能技术在油气行业得到广泛应用。由于内部资源品质变差和外部竞争等因素，人第一次工业革命 第二次工业革命第三次工业革命第四次工业革命机械自动化电气化18世纪末19世纪末20世纪50年代20世纪80年代现在数字化智能化1784年第一台纺织机1870年第一条生产线辛辛那提屠宰场信息系统专家系统传统人工智能新一代人工智能注重逻辑推理机器定理证明、跳棋程序、LISP处理语言、神经网络感知器、早期专家系统系统内部知识构建与搜索专家系统广泛应用神经网络初步发展丰富的大数据资源计算能力指数级提升深度学习算法的出现ChatGPT生成AI技术大模型：自监督+微调1956年达特茅斯会议定义人工智能1986年Rumelhart、McClellandBP算法机器拥有条件反射，发展出复杂智能网络技术计算机1969年第一台PLC奥迪康084内燃机电动机蒸汽机发动机Alpha GoDeep Blue深度学习1957年罗森布拉特神经网络感知器2006年Hinton深度学习机器翻译的失败感知器过于简单专家系统不能自主学习神经网络所需资源能力不足基于训练的自主学习图 1人工智能技术发展历程刘合：油气勘探开发数字化转型人工智能应用大势所趋4 数字化智能化专刊SPECIAL FOR DIGITALIZED AND INTELLIGENT工智能成为行业提质增效的一个重要手段，助力“绿色低碳、能源变革”。油气行业发展人工智能是当今时代的必然要求与发展趋势。智能解释分析技术、大数据分析技术、多专业数据集成分析，增加油气藏地质预测分析效率和准确性；装备智能化、操控远程化，向无人化、少人化现场作业发展，减少操作成本，降低安全风险；油气藏模型敏捷迭代优化更新，AI+油气工程算法融合精细建模表征，预测性维护预警，智能运维；运用智能化技术手段，融合多专业知识，实现跨层级、跨专业、跨地域精准管控，整合专家资源，提升管理效率，降低运营成本；从而达到更一致性决策，更科学开发，高效率生产，高效卓越运营，合理安排投资，实现理想的投资回报率。人工智能应用贯穿于勘探、开发、生产、管道、储运、炼化等全产业链，覆盖了作业区、采油气厂、油气田公司及股份公司等范围。在信息化支撑体系方面，为油气勘探开发全业务链提供支持，在量化决策、降低成本、提高储量和产量、提高效率及转变生产组织模式等方面取得显著成效15。2油气勘探开发人工智能研究和应用现状目前，国内外油气上游领域总体处于人工智能技术与典型应用场景融合赋能为特征的起步探索阶段。2.1技术研发应用人工智能技术在石油勘探开发领域的应用“如日方升”“道阻且长”，工业化落地应用需要长期攻关和探索。在测井方面，人工智能技术可应用于曲线重构、岩性识别、成像测井解释等领域16-17。国内外学者对成像测井图像修复研究取得了大量成果，为成像测井的资料储层评价、地质解释应用以及后续缝洞提取与定量评价提供了丰富的理论支撑。其中，Lahiri A 等人18提出由于 GAN 模型拥有很好的图像生成能力，可使用 GAN 生成对抗网络的方法基于语义结构对成像测井图像进行修复。罗歆等人19针对不同地质特征对 Criminisi 算法进行了改进，通过引入圆弧函数解决了纹理延伸问题。在物探方面，人工智能技术可应用于初至波拾取、断层识别、地震相识别、层位解释等领域，b并已取得阶段性成果20-22。如物探装备领域，人工智能应用主要集中在可控震源、无人机、地震仪器的智能化发展等方面。地震数据处理与解释方面，人工智能主要应用于地震构造解释（含断层识别、层位解释）、地震反演、地震速度拾取与建模、初至拾取等。如 Wu 等23研发了一种基于编解码的卷积神经网络模型，可同时实现断层检测和斜率估计，多个现场实例表明，该网络模型在断层探测及反射斜率计算中明显优于传统方法。在钻完井方面，人工智能技术可应用于井眼轨道智能优化、智能导向钻井、钻速智能优化等领域24-27。目前，国外提出了智能钻机、智能钻头、智能钻杆等方面的应用；国内学者提出了自动化钻井的应用，智能化水平还有待提高。在油藏工程方面，人工智能技术可应用水驱开发实时调控、产量预测、饱和度预测、生产措施优选、数值模拟等领域28-30。李道伦等31提出了一种基于卷积神经网络的径向复合油藏自动试井的解释方法，仅需输入压力变化及其导数数据作，即可解释地层参数，避免人工调参拟合，达到了解释自动化的效果；通过大庆油田现场数据的利用验证，该方法优于解析法和最小二乘法。Zeeshan Tariq 等32采用差分进化、粒子群算法和协方差矩阵自适应进化策略等优化算法，对 FN（功能性网络）模型进行优化，以岩石物理测井资料为输入资料，以测量的含水饱和度为输出参数，建立了含水饱和度预测模型，经验证表明，基于计算机的机器学习技术可2023 年第 3 期5以高精度地确定含水饱和度。在油气田地面工程方面，目前国外研发制造的无人机、机器人巡检已进入商业化应用阶段。例如，波士顿动力公司机械狗 Spot 自 2020 年开始在挪威海 Skarv 油田的 Aker bp 公司油气钻井平台上巡逻，测试机器人具有检测碳氢化合物泄漏、收集数据和生成报告的能力，让离岸作业变得更安全、更高效。国内研发的软件 PIPESIM 目前尚处于起步阶段。2.2合作研发模式近年来，国际油公司在面临勘探和低油价等挑战时，积极与大型科技企业合作，加强人工智能技术应用，推动勘探开发业务向数字化转型迈进，进一步提升效益挖潜空间。2017 年 5 月 10 日，油服公司 KBR 和 IBM 宣布开展合作，利用物联网和大数据技术，帮助石油公司提高运营效率；2017 年 7月 3 日，GE 油气和贝克休斯公司宣布合并完成，利用数字化技术对传统石油行业进行智能化升级改造，打造石油工业新模式；2017 年 8 月 22 日，哈里伯顿公司宣布与微软达成战略协议，共同推动油气行业数字化转型33；2018 年 4 月 24 日，道达尔公司正式宣布和谷歌云签署协议，为油气勘探开发提供全新智能解决方案34。据展望预测，到2050 年，油气行业将有 25%的增量和 1/3 的成本削减通过数字化实现，油公司将更多地通过信息化手段实现增储上产。2.3油公司人工智能应用现状国际油公司以物联网、云平台为抓手，以全面感知、自动操控为重点，整体以数字化、自动化为特征，在局部环节有智能化应用；以商业化专业软件为载体，依据客户需求，探索了测井智能解释、钻井异常诊断等部分勘探开发场景智能化应用。例如，斯伦贝谢公司研发的智能地质油藏工程一体化DELFI 平台，核心是基于深度学习的软件平台，可自动优化复杂的平台功能，如建模、数模、分析及预测，可提供从钻共设计到业务管理全过程的软件支持。哈里伯顿公司研发的 DSG 是集地质、油藏、钻井、采油、数据管理、实时作业于一体的集成平台，能够实现安全、快速、准确的生产决策。康菲石油公司研发的大数据分析平台 IDW，通过分析地质、油藏、钻井和开发等各环节数据，在 Eagle Ford 页岩气开发中，单井产量提高了 20%。贝克休斯公司研发的 JewelSuite 平台，集成了三维地质建模、地质力学建模、Eclipse/CMG 数值模拟 Meyer压裂模拟、Abaqus 动态力学模拟等软件，实现了地质工程一体化研究。国外油气田智能化建设基本处于同一阶段，在管理模式和建设水平上较为先进。1999 年，大庆油田首次提出“数字油气田”概念；2003 年，胜利、塔河、克拉玛依油田提出实施数字油气田规划；2009 年，中国油气田数据化程度达到一定水平，为向智能油气田迈进打下坚实基础；2017 年，塔里木油田和中国石化西北油田分公司启动智能油气田建设工作；2019 年，大庆庆新油田宣布正式建设全面感知的智能油田；2021 年，大庆油田第一采油厂开始建设数智化采油厂。国内油气田信息化和数字化建设经历了单机应用、分散建设、集中建设及集成应用等发展阶段，基本实现了数字化油气田建设目标。当前正通过数据共享、业务协同及智能化应用建设，逐步迈向智能油气田阶段15。例如，由中国石油勘探开发研究院自主研发的 FalconCore 岩心图像智能分析系统，主要解决了传统岩矿鉴定方法效率低、专家经验依赖度高、鉴定结果不够精准量化等问题。该系统攻克了多通道图像、复杂样本检测与分割、小目标识别等难题，构建了岩石颗粒分割、矿物成分识别、孔隙结构识别、岩石结构评价等模型，在 CT 三维重构、扫描电镜图像的孔隙提取等方面形成了核心优势技术，在实现“一键式”智能鉴定的同时，支刘合：油气勘探开发数字化转型人工智能应用大势所趋6 数字化智能化专刊SPECIAL FOR DIGITALIZED AND INTELLIGENT持可交互式审核校正，助力系统终身学习。此外，中国石油勘探开发研究院自主研发的 IRes，是国内首个融合地质、油藏、工程多学科一体化大型软件系统，包含地质建模、油藏模拟、油藏工程分析、剩余油描述、生产调整优选与预测、经济评价等500 余个功能模块，目前 IRes 已在华北、辽河等12 家油田进行了应用推广。同时，中国石油勘探开发研究院研发的 HiSim（多功能一体化油藏数值模拟软件）具备地质建模油藏模拟一体化和黑油、组分、裂缝、化学驱、热采等多功能油藏数值模拟功能，可模拟复杂油气藏水驱、气驱、化学驱、稠油热采及非常规油藏大规模体积压裂等开发方式，适用于中国陆相复杂油气藏，满足不同油气藏开发层系重组、开发井网加密与调整、开发方案优化等工业化建模与模拟需求，是油田开发方案编制、剩余油分布研究、提高采收率技术评价的有力工具。该软件现已实现规模化应用，累计推广应用 300 余套，编制开发/调整方案百余个，应用覆盖中国石油、中国石化所属 20 余个油气田公司和海外部分项目公司。2.4非常规油气人工智能应用现状随着油气勘探开发对象正在从常规油气田向非常规油气田、浅层浅水油气田向深层深水油气田转变，勘探开发的技术难度越来越大、成本越来越高。人工智能技术的应用已成为油气数字化转型的关键一步，不仅可以应用于提高生产运营效率、降低运营生产成本，还可以用来保障安全生产、降低环境风险。近年来，国内外油气资源开采逐步从常规地区向非常规地区转移，其中页岩气和致密油成为石油和天然气供应的关键来源35。非常规油气资源正在转变成“新常规”。2021 年，全球非常规油气技术剩余可采储量为 1136.26108t 油气当量，占全球26.11%。全球储量最丰富的非常规油气类型是重油，其次是油砂，煤层气储量较少36。人工智能为非常规油气资源提供了新的科技驱动力。作为新一轮科技革命和产业变革的新引擎和核心驱动力，人工智能正引领着油气技术革命的到来，为油气工业带来了一系列具有突破性和颠覆性的技术及综合解决方案37。国际石油公司纷纷将人工智能技术应用于非常规油气勘探开发，开展人工智能应用布局，已经取得初步效果。非常规油气储层致密，非均质性很强，油气赋存方式特殊，积累了海量数据，包括大量微纳尺度的岩心分析数据、测井数据、地震数据、钻完井数据、压裂数据、生产动态数据、排采数据等。非常规地质研究中，人工智能可应用于微观孔缝智能识别、页岩测井岩相智能解释、非常规油气测井智能解释方法等。非常规油气开发中，人工智能可应用于页岩油产能主控因素分析、产量动态预测和压裂施工参数优化等。进入页岩革命 2.0 时代，人工智能技术可应用于开发方案优化、钻井参数优化、钻井风险识别、完井参数优化、可预见性维护等领域。为了克服我国煤层气开采中“储量多、产量低”的困境，需要推进智能化、低碳化、配套化、经济化及可持续化发展的开采技术，其中包括构建能源大数据平台和智慧煤层气田38。基于扫描电镜的泥页岩矿物成分智能分析和孔缝分析是非常规油气人工智能应用的典型案例。利用扫描电镜分析泥页岩矿物成分（如草莓状黄铁矿、白云石等）时，依赖肉眼观察+图像处理软件进行手动统计，分析效率低，结果不够精准。构建扫描电镜矿物成分实例分割模型，可实现主要矿物的自动识别和结构参数的定量计算。基于高像素、全拼接扫描电镜图像的古龙页岩油孔缝智能分析，可提取古龙页岩油中的孔缝，计算长宽比、面孔率、孔径分布等参数，实现了从“手动统计”到“自动分析”、从“局部估算”到“全面分析”的转变。2023 年第 3 期73油气勘探开发人工智能面临的挑战3.1成本高、数据质量问题突出通用行业可快速获取海量数据资源，几个常用的公开数据集如 ImageNet、COCO、AudioSet 等几乎可以覆盖行业所需数据。能源行业的数据主要来自地下，具有多解性、不可验证等特点，数据质量问题主要表现在 3 个方面：一是数据零散、难以获取。主要数据积累不足，易获取的数据质量差，还有安全合规、数据归属权等原因。二是数据标准、质量不统一。由于存在多源异构数据与非结构化数据等多类型数据，海量数据存储与调用一直是极大难题。三是标注困难、样本缺失。由于存在小场景数据采集、复杂业务场景理解，数据标注需要行业专家识别，耗时耗力。3.2业务场景复杂，无法单纯依靠数据驱动对于通用行业，车辆、人脸、日常物品等业务场景较为简单，“所见即所得”。能源行业专业门槛高、专家经验依赖性强、应用场景相对复杂，需要充分结合专业知识，无法仅仅依靠数据驱动。此外，从通用技术转化成适配的专业技术及知识应用，仍存在一系列问题。3.3能源行业研发生态尚未成熟在通用行业中，如自动驾驶等具有优秀的研发生态，在聚集了世界顶级开发者的开源平台 GitHub上，存在不同的深度学习训练推理框架，如百度飞桨、Pytorch、TensorFlow 等，拥有丰富的开源代码，极大促进了自动驾驶技术的升级创新。对于能源等特定行业，人工智能研发生态不够完善，缺乏优质研发生态，行业内学者不断创新、合作的动力明显不足。3.4短期见效慢，认知尚浅，配套机制跟不上由于人工智能应用落地投入周期长、产品成本高、复合型人才培养成本高，油气勘探开发人工智能应用在短期内投入产出比不高。加之企业认识不足、缺乏有效管理机制与政策支持相配合等问题，人工智能投资意愿不足。企业目前大多存在认知不匹配及主观能动性不足两方面问题。其中，认知不匹配主要体现于，许多企业认为数字化转型等同于构建信息化系统或是对新技术进行试验，未意识到数字化转型是涉及企业全业务、跨职能的系统性改革工程。主观能动性不足主要体现在，如上下级之间，存在着分工和统一难协调等问题；部门之间，存在着潜在的利益冲突问题；业务与技术人员之间，存在目标差异下的协作配合等问题。当前油气勘探开发人工智能应用正向全业务链条、多学科融合方向演进。该领域智能化应用场景由点线面全面落地进程正在加快，应用场景正在由“单一向综合、数字向智能、操作向决策”转变。油气勘探开发是一个长链条系统工程，具有高复杂性、高不确定性、高实时性特点，亟须以问题导向、目标导向、结果导向为指引，紧抓机遇，持续攻关应用人工智能技术，提高智能化水平，提升勘探开发领域的精度、水平、效率、效益。4勘探开发人工智能发展建议随着油气人工智能技术不断发展，智慧油气田、智慧管道、智慧炼厂、智慧加油站等应用前景广阔。油气行业人工智能落地是一项复杂的系统工程，是一项持久攻坚战，不能一蹴而就，需要以点带面、逐渐铺开（图 2）。为推动油气勘探开发人工智能落地应用，提出如下建议。（1）针对数据获取成本高、数据质量问题，需建立数据质量管理框架，将业务、技术和方法相结合，实现持续自动化检查提高数据质量。具体而言，可利用区块链等技术建立可信、透明、可追溯的数据交换与业务协同体系，进一步加强能源行业的数据治理工作39。（2）针对业务场景复杂，无法单纯依靠数据驱刘合：油气勘探开发数字化转型人工智能应用大势所趋8 数字化智能化专刊SPECIAL FOR DIGITALIZED AND INTELLIGENT动的问题，需将行业机理模型和 AI 技术融合，培养复合型人才。企业人工智能落地是一项复杂的系统工程，单独的人工智能模型无法解决复杂的业务问题，需要将人工智能技术和机理模型相结合，将人工智能技术和专家经验相融合，构建知识与数据双驱动模型。（3）针对能源行业人工智能研发生态尚未成熟的问题，需共建智慧能源合作生态，鼓励智慧能源生态发展。一是加大底层根技术投入，构建算力、算法、数据三位一体的人工智能新生态；二是鼓励社会、高校和企业以核心产业主体的身份积极参与合作，共同构建人工智能行业应用的技术纵深；三是重塑能源生产、营销和管理方式，从而在能源结构、能源效率和能源安全等方面产生显著影响40。（4）针对短期见效慢、认识尚浅、配套机制跟不上的问题，需清楚认识到，数字化转型智能化发展是系统工程、持续工程、一把手工程、花钱工程。5结束语人工智能技术的不断发展和创新，促使油气行业加快实现智能化、自动化，助力油气增储上产、油田提质增效，未来将发挥更重要的作用，推动整个产业向更高水平迈进。加速信息技术创新和数字化转型，最大限度释放数字红利，是油气行业高质量发展的重要途径。建议以人工智能技术为油田提质增效切入点，开展系列攻关，逐步实现全行业数字化转型。【参考文献】1 Taherkhani A,Belatreche A,Li Y H,et al.A review of learning in biologically plausible spiking neural networksJ.Neural Networks,2020,122:253-272.2 Illing B,Gerstner W,Brea J.Biologically plausible deep learning But how far can we go with shallow networksJ.Neural Networks,2019,118:90-101.3 Wlfing J M,Kumar S S,Boedecker J,et al.Adaptive long-term control of biological neural networks with Deep Reinforcement LearningJ.Neurocomputing,2019,342:66-74.4 Liu Z,Bai C C,Yu H,et al.An adaptive deep learning model to differentiate syndromes of infectious fever in smart medicineJ.Future Generation Computer Systems,2019,111(3):853-858.5 Liu Z,Yao C H,Yu H,Wu T H.Deep reinforcement learning with its application for lung cancer detection in medical Internet of ThingsJ.Future Generation Computer Systems,2019,97(Aug.):1-9.6 Issa N T,Stathias V,Stephan S,et al.Machine and deep learning approaches for cancer drug repurposingJ.Seminars in Cancer Biology,2021.7 Ferraga M A,Maglaras L A,Moschoyiannis S,et al.Deep learning for cyber security intrusion detection:Approaches,datasets,油/气田储存管道运输企业与居民用户储存智慧油气田场站智慧管道智慧炼厂智慧加油站油气行业人工智能应用炼化物联网基础（工控系统、感知设备等）信息基础（云技术体系、数据生态等）业务场景（相关业务领域应用模块）图 2油气行业人工智能未来发展愿景2023 年第 3 期9and comparative studyJ.Journal of Information Security and Applications,2020,50:1-19.8 Ertam F.An efficient hybrid deep learning approach for internet securityJ.Physica A,2019,535:1-11.9 Amanullah M A,Habeeb R A A,Nasaruddin F H,et al.Deep learning and big data technologies for IoT securityJ.Computer Communications,2010,151:495-517.10 Chaabani H,Wergh N,Kamoun F,et al.Estimating meteorological visibility range under foggy weather conditions:A deep learning approachJ.Science Direct,2018,141:478-483.11 Lundervold A S,Lundervold A.An overview of deep learning in medical imaging focusing on MRIJ.Zeitschrift fr Medizinische Physik,2019,29(2):102-127.12 Liu Y,Wu L.High performance geological disaster recognition using deep learningJ.The International Academy of Information Technology and Quantitative Management,2018,139:529-536.13 Affonso C,Rossi A L D,Vieira F H A,et al.Deep learning for biological image classificationJ.Expert Systems With Applications,2017,85:114-122.14 Wang H Z,Lei Z X,Zhang X,et al.A review of deep learning for renewable energy forecastingJ.Energy Conversion and Management,2019,198:1-16.15 吉菁菁.“双碳”目标下，人工智能发展的应对策略 N.北京科技报,2023-02-13(7).Ji Jingjing.Countermeasures for AI development under the goal of“carbon peak and carbon neutrality”N.Beijing Sci-Tech Report,2023-02-13(7).16 Zhou T,Ding C,Lin S,et al.Learning oracle attention for high-fidelity face completionC.Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.17 王哲峰,高娜,曾蕊,等.基于深度学习模型的测井电成像空白条带充填方法 J.测井技术,2019,43(6):578-582.Wang Zhefeng,Gao Na,Zeng Rui,et al.A gaps filling method for electrical logging images based on a deep learning modelJ.Well Logging Technology,2019,43(6):578-582.18 Lahiri A,Jain A K,Agrawal S,et al.Prior guided GAN based semantic inpaintingC.P