可解释机器学习在油气领域人工智能中的研究进展与应用展望.pdf

天然气工业第44卷第9期

·114·NaturalGasIndustry2024年9月

,.[J].,2024,44(9):114-126.

引文：闵超,文国权,李小刚等可解释机器学习在油气领域人工智能中的研究进展与应用展望天然气工业

MinChao,WenGuoquan,LiXiaogang,etal.Researchprogressandapplicationprospectofinterpretablemachinelearninginartificial

intelligenceinoilandgasindustry[J].NaturalGasIndustry,2024,44(9):114-126.

可解释机器学习在油气领域人工智能中的研究进展

与应用展望

123123123

,,,,

闵超文国权李小刚赵大志李昆成

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

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

中图分类号：TP181文献标识码：ADOI:10.3787/j.issn.1000-0976.2024.09.011

Researchprogressandapplicationprospectofinterpretablemachinelearningin

artificialintelligenceofoilandgasindustry