在油气资源开发逐步深入及多学科融合发展的大背景下，传统测井评价方法亟待进一步扩展思路、优化策略，以应对日益复杂的非常规油气藏解释、老井复查及降本增效等实际需求。作为第四次工业革命的核心，人工智能技术给各行各业带来了前所未有的机遇，同样测井处理解释专业也正在探索与人工智能高效结合的方式，寻求适用于当前油气勘探开发的新策略^[1]。近10年来，国内外智能化测井解释技术从理论基础到测试应用都有着较大进展。斯伦贝谢公司于2017年推出了DELFII认知勘探开发环境系统，并于2021—2022年先后在美国休斯敦和挪威奥斯陆创建了INNOVATION FACTORY中心，意在整合全球石油数据资源，支撑智能化勘探开发和行业数字化创新的发展需要；2021年，哈里伯顿公司推出了iStar综合智能钻测平台，将自动化、机器学习等技术融入到平台的数字架构中，实现钻进中的储层快速评价及井位优化^[2]。国内学者在测井解释智能化方面的方法类成果颇多^[3–9]，主要集中在油气层识别、测井曲线重构及沉积相分类等问题上^[10]；集成应用上，我国部分研究单位已于近些年筹备开展了油田的数字化转型^[11–13]，中国石油的LEAD测井处理解释软件平台基于Tensorflow框架采用数据、智能模型的存储及调用方案^[14]，以支撑基于软件平台的智能化算法开发与应用。可见，在智能化处理解释方向上，国内外都正处于积极探索阶段，但总体来说，人工智能在测井解释方面对方法研究较多，集成应用较少^[15]，距离大规模投产应用还有很长的路要走。

人工智能与传统测井解释的高效融合，需要着重考虑数据、算法及运行环境等3方面的内容，以支撑解释流程的完整运行，进而实现应用。受益于油气勘探开发行业的数据积累及智能化测井解释方法的研究成果，数据与算法在很大程度上已具备相应的水平和发展能力，但从运行环境方面看，目前国内还存在诸多问题。鉴于此，笔者基于中国石化一体化测井软件平台LogPlus开展优化测试工作，针对智能算法在专业工程软件中的高效运行环境进行研究，从平台环境、数据支持环境及算力环境等方面讨论智能化测井解释的应用方案，提出在测井解释软件架构上进行模块化改进，通过搭建外接集群实现高速运算机制，推动人工智能在测井解释软件中的应用，支持油气勘探开发的高效运转。

1.   智能化测井解释应用情况分析

1.1   应用现状

测井解释行业发展时间较长且各方法类别多种多样，导致国内测井方法类软件横向分散问题严重^[16]，造成了处理与维护层面上的不便，也逐渐形成了“信息孤岛”等问题。目前来看，测井解释的智能化发展过程也出现了类似情况，由于没有统一且集成化的运行环境支持，大多数智能处理解释方法均运行于独立的开发环境中，难以进一步实现大规模测试及应用，主要包括以下几个方面的问题：1）不易移植的配套开发环境，大多数智能算法的实现需要依靠第三方框架的支持，因此在软件平台没有相应底层框架支持的情况下，算法的集成环境可能会遇到与运行环境不兼容或者冲突等情况，进而导致人工智能与传统解释软件间融合难度的加大；2）无统一标准的数据机制，形成了大量异构数据及传输方式，极大地阻碍了数据与成果的共享，导致智能化处理运行成本增加；3）人工智能具有黑匣子特性，不同于传统测井解释方法，人工智能算法的核心内容往往隐藏在模型、参数及程序细节中，简单的方法套用基本不具备实用性，因此拉长了试验成果与生产应用之间的距离，阻碍了现有智能模型的进一步发展。

1.2   应用效率

相比于传统解释方法，高迭代性的人工智能算法在学习与预测过程中可能会涉及更高的时间及空间成本。模型训练阶段，从区块特征差异性及算法可行性角度考虑，人工智能在油气勘探开发领域的解释工作大多只聚焦于单一区块^[17–20]，即面向新区块时需要重新开发或者在原有模型的基础上开展重复性研究，即使不考虑原有模型结构不适用等情况，单纯的训练过程也是复杂且耗时的；应用阶段，无论是针对大量的常规测井数据还是成像数据，智能模型可能都需要较长的时间及内存来完成各个深度位置的计算工作，特别是遇到诸如选举机制模型时，处理时间将远远超出传统处理解释算法。总体来讲，相比于传统测井解释策略，人工智能的加入可能反而会导致部分处理过程笨重且不可控，也就违背了降本增效的初衷。

2.   智能化测井解释技术思路

针对上述问题，从集成应用的环境角度进行出发，以标准化与实用性为前提，探索智能化全流程融入的高效方案，以达到脱离人工、降本增效的目的。基于上述思想，以传统测井解释软件平台为基础，自下而上完成架构设计及智能化模块支撑工作，优化人工智能与测井平台的结合方式，提供数据、成果、模型的标准化信息机制，提高智能算法的可用性。在运算机制方面，将运算与平台进行分割，一是提升算力，通过高扩展性外接集群使传统处理平台能够实现大数据的快速处理解释，推动数据驱动策略；二是提高效率，降低成本，发挥智能化优势，减少工作量，通过分割的概念降低指令与执行间的耦合程度，实现自动化处理解释。

石油领域专业软件发展时间较长，且在各油田公司已形成一定的规模和依赖性，无法在短期内实现重新为现场作业构建处理解释平台的目的，也违背了智能化与传统处理解释结合的主旨。一体化测井软件平台LogPlus已在中国石化多家测井解释单位推广应用，完成了上千口井次的正式处理解释工作，反响良好，且为全自主化开发，给架构设计优化及智能算法测试提供了极大便利，因此，考虑在该软件平台基础上开展工作。为与LogPlus进行合理对接，实现智能处理模块的有效应用，针对系统设计、人工智能支持模块开发和应用测试等3项主要内容展开讨论。

3.   测井软件平台架构优化设计

为解决传统测井软件平台对于智能算法支撑能力不足的情况，基于分层设计理念开展了测井软件平台架构优化设计，明确划分各功能模块职责，形成平台与智能化的友好融合。同时，优化数据对接方案，为智能化测井解释算法提供数据支撑。

3.1   层次设计

测井软件平台面向专业解释人员进行设计开发，覆盖全流程业务所需，除提供测井解释方法之外，还需配套原始文件解编、数据管理、测井可视化交互和制图出图等功能，鉴于此，设计分层架构，将软件平台整体划分为3部分，自下而上分别为存储层、管理层和应用层（见图1），各层级由若干功能模块连接而成，通过相互间的数据与命令传输实现平台的层级管理，支撑测井解释的标准化作业流程，同时明确各部分职责，避免功能的冗余。

图  1  智能化测井软件层次设计方案

Figure  1.  Design scheme of intelligent logging software hierarchy

下载: 全尺寸图片 幻灯片

人工智能支持模块并行于传统算法模块并通过信息交互接口向系统模块提供智能化支持，该模块基于Client-Server的形式实现，以软件平台的系统模块作为交互界面，以外接运算服务器作为算力支撑，在提高系统对于智能算法支持能力的同时，保障了系统原有算法的高响应性。

3.2   测井数据对接方案设计

测井数据包含几十种加密格式，且各格式间存储结构差距较大，以往需要提前利用解编软件及表格处理工具对原始测井数据进行整理，虽然达到了处理测井数据的目的，但是也导致解释过程融入了大量不确定性操作，进而形成了大量异构数据及传输方式，给算法的后续应用带来了麻烦。专业测井解释软件对于各类原始测井数据文件一般都具有标准的处理方案，如LogPlus目前已内嵌几十种格式的解编模块，可通过建立数据对接机制，形成测井数据和人工智能算法之间的桥梁，实现智能算法的有效融入。平台内的工程数据通常包括常规测井曲线、阵列数据、井基本信息及解释结论等，将以上各类数据分为一维深度列数据、二维数据及表格结构化数据，以区域、井、井次、深度段进行分层，设计多层级表映射方式，将数据库中的数据进行分块存放，以方便后期检索。同时，为方便对人工智能支持模块进行数据支持，设计开发数据标签化逻辑组件，该组件的主要用途是为各类测井数据标记数据标签，类似于超市商品标签，帮助用户了解被标记数据块的各方面属性，将原始测井文件中得到的各类测井数据标签化，便于用户在使用算法时挑选训练及测试数据。以曲线或二维数据为一个对象进行标签化，标记它们的归属区域、井次、深度段、采样间隔等基本属性，对象策略可有效支持人工智能算法对测井数据的对接及处理，也有助于实现多井、多曲线的融合数据分析等，对于智能化解释的发展具有推动作用。

实际处理过程中，从平台接收原始测井文件，经过解编处理后将数据进行分类及标签化处理，形成独立的数据块，根据所选算法的参数信息及用户指令对数据块进行读取，生成可被智能算法识别的表格型数据文件，发送到服务端进行解释，并将结果返回平台等待进一步分析，达到智能化融入的目的（见图2）。

图  2  智能化解释数据流设计

Figure  2.  Data flow design of intelligent interpretation

下载: 全尺寸图片 幻灯片

4.   人工智能支持模块

人工智能支持模块为智能算法提供完整的运行环境，负责接收从客户端传来的算法应用指令及数据集，经过智能算法模型的集群计算后将结果回馈给客户端，完成线上的智能化解释。

4.1   基本运行框架

石油工程领域人工智能发展过程中，测井解释技术人员陆续提出各类智能解释方案，然而新兴技术给测井行业带来新鲜血液的同时，也引发出新的问题：相比于传统解释方法，智能算法本身就伴随着更高数量级的迭代计算及更加复杂的运算原理；如果再细化到每次的解释工作中，解释人员往往需要对模型进行更新，使其适用于新区块或井段，大量的处理工作使软件平台的资源被长时间占用，可能会导致响应性差、解释结果不稳定等问题。因此，考虑引入分布式集群的处理机制，通过集成环境及线上算力支持，解决智能算法在测井解释过程中的疲态。

人工智能支持模块基于测井平台的应用层建设理念进行开发，依据测井解释特征进行信息对接、数据块传输、分块存储和资源调用等，形成可支持全流程标准化智能处理的技术架构。参考平台开发前期的测井数据相关应用处理方法，可以实现原始测井数据到智能处理模块的有效连接，支持平台外接数据处理及集群应用等问题，保障解释过程的稳定运行。采用Hadoop开源框架开展智能处理模块涉及的存储和计算的相关研究，以形成跨终端集群的可靠、可伸缩的应用层支持，分布式框架中部署的主机间通过套接字进行通讯，以主控制终端对其余主机进行资源管理配置，实现集群的统一状态管理^[21–23]。Hadoop主要包含HDFS和MapReduce（MR）两大组件，HDFS负责分块储存管理，MR负责对数据进行映射、规约处理等。为了支持研发后期对于分布式端可扩展性的可能需求，采用Docker集群搭建运行环境，存留适当镜像方便二次扩展，对于后期的投产应用也具有应用价值。保密方面，考虑各区块测井数据的机密性，将分布式集群的开发工作集中于局域网内进行，通过对多台终端进行有效链接，以实现线上处理的测试环境（见图3）。

图  3  智能模块测试环境

Figure  3.  Intelligent module test environment

下载: 全尺寸图片 幻灯片

4.2   计算模块设计

人工智能支持模块的集群运算底层采用由UC Berkeley AMP lab设计并开发的开源计算框架Spark进行搭建，其目的是处理大规模数据，不仅拥有MR的大部分优点，还可将阶段性中间结果保存在内存中，省去了读写HDFS的步骤，为Hadoop框架上的智能化测井解释工作带来了更高的运算效率，更适用于数据挖掘和机器学习等需要大规模迭代的计算方法。同时，Spark的有向无环图DAG任务调度执行机制优于MR的迭代机制，可以为后期平台的实时处理显示等功能带来可行的解决方案。算法支持方面，Spark在智能算法及各类预处理功能上都有良好的支持，可有效解决前文提到的配套环境部署问题。

在计算框架基础上，设计开发了标准化数据接口供算法程序使用（见图4），可以实现多算法模块的统一数据对接，形成完整的信息交流机制，同时有助于降低人工智能支持模块内部的耦合程度，简化后期各部分开发工作的协同难度，提升平台整体迭代更新效率。

图  4  标准化数据接口设计

Figure  4.  Standardized data interface design

下载: 全尺寸图片 幻灯片

人工智能支持模块的开发工作需要分别在软件客户端和服务端上进行，其在客户端的职能主要是算法信息管理与发起调用请求。调用从测井软件平台发起，通过事先制定的调用规则对服务端算法脚本进行控制，因此在开发阶段需要涉及到对算法信息的标定，采用INI格式配置文件存放算法的各种信息，包括环境配置、控制变量、特征参数和脚本路径等，当客户端的算法模块获取到用户选择的算法id后，系统会自动查询该id的INI配置信息，并按照事前规定，调用线上算法生成相应的调用界面，具体逻辑步骤，如图5所示。服务端收到平台发出的请求后，可按照相应参数进行计算。算法模块的编写基于PySpark，包括分类、回归和聚类算法等，且均采用标准化数据接口获取训练数据，保障算法运行的统一化，运行过程中利用弹性分布式数据集对数据进行拆分存储，同时将运算任务划分为多个阶段，以提高大数据解释效率。

图  5  算法调用逻辑示意

Figure  5.  Algorithm invocation logic

下载: 全尺寸图片 幻灯片

5.   应用测试

5.1   模块应用功能

人工智能支持模块作为测井平台应用层模块，考虑其扩展性和实用性，以实际油田投产应用为目标，分析测井数据特征及处理方式是否满足测井解释过程需求，具体功能包括标签数据管理、智能模型构建及存储、智能算法调用和平台可视解释交互等（见图6）。

图  6  功能界面示意

Figure  6.  Functional interface

下载: 全尺寸图片 幻灯片

5.2   测试配套环境

采用由3台工作站搭建而成的小型分布式环境测试人工智能支持模块，软件客户端、服务端及集群均由内部局域网进行连接。从某地区实际测井数据中解编得到深度1 580 m及4 500 m的测井数据，其中1 580 m深度段使用原始0.10 m的采样间隔，作为小型数据集，4 500 m深度段数据采用0.01 m进行重采样，作为大数据集；采用智能算法和传统算法2种算法，为了对比Hadoop集群处理与传统处理方式的区别，设计了本地及线上集群2种方法。

5.3   测试结果

小数据集测试结果见表1。从表1可以看出，线上处理相比于本地处理反而更慢，基本都增加了1 s左右，主要原因是测井数据在发往人工智能支持模块的集群部分前需要进行多次数据处理及存储操作，且数据文件的传输也受网络带宽影响，导致启动计算的过程有些许延迟，总体处理时间的增加表明采用集群架构处理小数据集时没有提升计算效率。因此，对于传统算法这种计算量较少且不需要第三方支持的处理方式，人工智能支持模块的处理模式可能并不适用；对于智能算法来说，虽然在处理小数据集时没有处理时间优势，但将计算过程迁移到服务器上的策略降低了客户端的运行压力，同时避免了前文提到的开发环境的问题。

表  1  小数据集测试记录

Table  1.  Small data set test records

类别	处理方法	处理时间/s
		本地	线上
传统算法	泥质砂岩水淹分析	0.68	1.29
	岩性分析	0.92	1.78
智能算法	AdaBoost地层预测	2.05	3.28
	随机森林分类算法	4.00	4.66

下载: 导出CSV 

| 显示表格

大数据集测试结果见表2。从表2可以看出，线上处理有着明显优势。人工智能支持模块对接收的数据进行了有效拆分，集群式的计算模式使整体处理时间大幅缩短，在智能算法类别中计算效率提升了近70%，证明了集群处理架构对于大数据的高效处理能力。

表  2  大数据集测试记录

Table  2.  Big data set test records

方法类别	处理方法	处理时间/s
		本地	线上
传统算法	泥质砂岩水淹分析	13.390	7.930
	岩性分析	21.240	8.150
智能算法	AdaBoost地层预测	29.421	9.980
	随机森林分类算法	35.030	11.540

下载: 导出CSV 

| 显示表格

从表2也可以看出，传统算法线上处理时间也有所缩短，但其实用性还有待论证，这是因为传统算法不涉及对大批量数据的训练过程，且处理过程往往需要人工进行干预，线上处理模式的延迟响应可能会严重影响常规处理体验。

6.   结论及建议

1）智能化测井解释算法的快速发展对传统测井软件平台的开发及运行环境提出了更高需求，提出的软件平台架构设计和线上集群分布式处理设计，可有效支撑传统测井解释软件到智能化软件的转型，提高智能化测井解释算法的应用效率。从应用集成角度来看，该设计的可扩展能力强于传统测井软件平台，更容易实现不同种类算法的嵌入。

2）智能化测井解释过程迁移到线上集群的策略，虽然能够加快大体量测井资料的处理速度，但在实时响应能力上与传统算法具有差距，特别是测井资料进行结构化映射及数据传输在一定程度上造成了计算延迟。

3）建议后续开展基于数据流的线上计算方法研究，实现大体量数据的分段实时计算，提高响应速度。同时，应用测试时只采用3台工作站组成的小型运算环境，需要在后续集群扩张阶段加强对任务分发逻辑的优化工作，提高并发速度及系统整体的容错性。