人工智能影响下的地球物理测井教学改革思考
冯程，祁利祺，殷文
（中国石油大学〔北京〕克拉玛依校区a.石油学院；b.文理学院，新疆克拉玛依834000）
在人工智能的浪潮驱动下，以及国家提出“双碳”的时代背景下，地球物理测井教学向智能化方向转型，已经成为主要的目标任务之一，这对能源行业的教育事业是一项巨大的改革创新［1］。随着油田勘探开发技术的蓬勃发展，油藏的探明储量和开发程度越来越高，但当油藏进入开发中后期时，产量和效益会逐渐降低［2-3］，基于人工智能手段充分利用测井数据资源，无疑成为缩减成本不可替代的手段。人工智能是互联网科学的一个重要分支［4］，以点带面地促进了地球物理测井各个领域向智能化的方向发展［5］，非常受用于基于测井资料评价储层参数这类复杂的非线性问题［6］。近年来，许多科研工作者将这些技术引入地球物理测井的多个应用当中，且都取得了不错的效果［7-10］。人工智能与地球物理测井结合所带来的优势应该远不止于此，但是目前国内还缺少应用人工智能方法系统解决油藏评价的实例。例如面对大规模老井复查的庞大工作量问题，只有高效率的人工智能方法才能妥善解决，因此，油田行业急需补充大量的将测井与人工智能学科相互融合的应用型人才。
综观当今的整个石油教育行业，构建专业的人工智能测井技术体系，培养优秀的智能化测井人才，形成良好的智能化测井平台是大势所趋，也是未来的方向与目标，这是石油行业可持续发展的重要一步。尽管如此，地球物理测井中人工智能的教学内容还是相对不足，学校的教育还是以传统测井方法为主，所以填补这一部分的空白是未来需要努力的方向。
勘查技术与工程是以石油、矿产所处的地质环境为研究对象，运用现代设备对地球进行探测，并利用信息处理技术对得到的资料进行处理，从而解决地下资源分布、地质灾害等问题的专业。其主要包括物探、测井和钻探工程三个方向。本文主要是展开对勘查技术与工程（测井方向）的课程安排改革方法的研究。
目前主要的测井方法有电法测井、声学测井及核测井，每种方法的测量参数及反映的信息各不相同，因此需要结合多种测井方法来反映地质环境的整体情况。首先通过电磁、声学等设备测量并采集井壁周围地层中的信号响应；其次将所测得的响应信号通过数字信号处理等方法转换为测井曲线；最后地质人员对其进行综合解释，分析得出地层的岩性、物性、电性、含油性等特征。上述流程简化为资料收集、处理和综合解释三部分，其课程设计如图1所示。
图1地球物理测井专业课程组成关系
在图1中，专业基础课、测井核心课、测井资料分析和测井资料应用这四个模块组成了勘查技术与工程（测井方向）的课程核心，其模块与模块之间的关联性强。第一个模块是专业基础课模块，该模块注重对专业理论知识的学习，为后续课程的进一步学习打牢了基础，如“岩石物理基础”“弹性波动力学”等；第二模块为测井核心课，是在专业基础理论知识的基础上，结合测井相关知识而建立的核心课程，如在学习“岩石物理基础”后，可以进一步了解“声波测井”的基本原理及应用；第三个模块为测井资料分析，其对在前一模块涉及的测井方法收集到的资料进行分析处理，如“测井解释与数字处理”等；第四个模块为测井资料与应用，该模块注重对前三个模块知识的融会贯通，并能应用于实际生产，如“测井资料综合解释”等。
测井信息具有数据种类多、数据量大和多源异构等数据特征［3］，而人工智能在解决大数据问题上具有明显的优势。而在实际的测井生产中已经有人工智能与测井相结合的先例，并且取得了良好的效果。人工智能可以在很多方面与测井相结合：（1）测井曲线方面。由于机器或人为等因素不可避免地出现了测井曲线的失真或缺失，而人工智能算法比传统的经验模型和多元线性回归方法能更好地补全缺失的曲线数据［11-13］。（2）岩性识别方面。人工智能算法可以进行监督和半监督的数据分类，而测井数据通常数据量庞大，因此利用人工智能算法进行岩性识别既不用担心数据量不足的问题，又可以节省人力、物力［14］。（3）储层参数方面。传统物性参数通过经验公式建立模型计算，但是在非均质性较强的地层中很难建立测井曲线数据与物性参数之间的关系［15］。而人工智能中的神经网络算法具有自适应性和学习能力，能建立测井曲线与物性参数的非线性模型。总之，人工智能的优势在于处理大数据问题。人工智能与测井相结合是一个新的领域，将人工智能引入测井，将为测井的多解性和不确定性提供新的思路与方法。通过地球物理测井专业课程建设与人工智能的需求对比可以看到，当前的课程设置没有将测井与人工智能相结合，主要存在以下问题：（1）测井课程与人工智能课程相互独立，导致课程的连通性差，不易于课程学习与理解，难以将测井与人工智能相结合。（2）测井课程设置注重测井的基本原理，测井课程与人工智能的结合不足。（3）课程侧重传统测井方式，缺少对当前国外