文献类型：期刊文章

作　　者：闵超[1,2,3] 文国权[1,2] 李小刚[3] 赵大志[1,2] 李昆成[3]

MIN Chao;WEN Guoquan;LI Xiaogang;ZHAO Dazhi;LI Kuncheng(School of Science,Southwest Petroleum University,Chengdu,Sichuan 610500,China;Institute for Artificial Intelligence,Southwest Petroleum University,Chengdu,Sichuan 610500,China;State Key Laboratory of Oil&Gas Reservoir Geology and Exploitation//Southwest Petroleum University,Chengdu,Sichuan 610500,China)

机构地区：[1]西南石油大学理学院 [2]西南石油大学人工智能研究院 [3]油气藏地质及开发工程全国重点实验室·西南石油大学

出　　处：《天然气工业》

基　　金：四川省科技创新苗子工程项目“基于可解释机器学习的油气田开发指标预测方法研究”(编号:2022034);成都市国际合作项目“基于深度学习的孔隙网络渗流模拟理论和技术探讨”(编号:2020-GH02-00023-HZ)。

年　　份：2024

卷　　号：44

期　　号：9

起止页码：114-126

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EAPJ、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：人工智能作为战略性新兴产业及新质生产力正迅速地渗透入油气领域,并有望成为行业发展的新引擎和制高点。“黑盒”的机器学习模型缺乏透明度和可解释性,导致现有机器学习方法在油气领域的认可度和信任度不高,制约了以机器学习为核心的人工智能在油气田中的融合和发展。为此,系统介绍了可解释机器学习方法在油气田勘探开发过程的研究现状,阐述了机器学习模型的可解释性是促进油气领域人工智能大规模应用的关键,以及事后可解释方法在油气机器学习方法上的局限性,并对技术的应用进行了展望。研究结果表明:(1)利用Shapley加性解释(SHAP)和模型无关局部解释(LIME)等事后可解释方法进行煤层气产能主控因素实例验证,指出了可解释的油气田特征指标还不足以完全指导可解释模型的构建和分析,需要基于本质可解释思路建立符合油气田勘探开发自身特点的本质可解释机器学习方法;(2)利用机理模型、因果推断和反事实解释等本质可解释方法,分析油气田数据和模型参数之间的因果关系,构建了本质可解释机器学习方法;(3)选取典型煤层气压裂数据进行产能预测实例验证,发现因果推断能有效挖掘地质参数、施工参数和产能之间的本质关系,且基于因果关系建立的机器学习模型可以实现预测泛化性能提升。结论认为,基于事后可解释和本质可解释机器学习方法不仅是未来油气领域人工智能发展的必然趋势,而且是解决人工智能在油气领域现场落地的“瓶颈”问题及关键技术。

关 键 词：油气田勘探开发  人工智能 机器学习  可解释机器学习  事后可解释  本质可解释  

分 类 号：TP181]