摘 要：针对天然气开采、集输、销售等传统业务模式难以满足现代能源市场需求的问题，利用人工智能技术对传统油气业务进行了研究。根据人工智能技术在各领域的发展优势，结合具体场景，从图像识别、预警监测、趋势预测等方面给出了该技术在天然气业务链中勘探、集输、巡检和销售等环节的具体探索与实践。结果表明，人工智能技术在天然气行业的落地应用，可有效提升生产效率和生产现场风险管控能力，进一步降低生产成本，推动行业可持续发展。
关键词：天然气；人工智能；图像识别；预警监测；趋势预测
中图分类号：TP39 文献标识码：A 文章编号：2096-4706（2025）02-0110-05
Application Exploration and Practice of Artificial Intelligence in Natural Gas Business Chain
CHEN Yuanke， DENG Qizhi， DENG Mi， LIU Yan， DAI Rui， FU Lian
（Northwest Sichuan Gas Mine of Petro China Southwest Oil and Gas field Co.， Ltd.， Mianyang 621700， China）
Abstract： In response to the problem that traditional business models such as natural gas extraction， gathering and transportation， and sales are unable to meet the demands of the modern energy market， this paper uses Artificial Intelligence technology to research traditional oil and gas businesses. Based on the development advantages of Artificial Intelligence technology in various fields， combined with specific scenarios， specific exploration and practice of this technology in exploration， gathering and transportation， inspection， and sales and other parts in the natural gas business chain are provided from the aspects of image recognition， early warning monitoring， trend prediction， and so on. The results indicate that the practical application of Artificial Intelligence technology in the natural gas industry can effectively improve production efficiency and on-site risk management and control capabilities， further reduce production costs， and promote sustainable development of the industry.
Keywords： natural gas; Artificial Intelligence; image recognition; early warning monitoring; trend prediction
DOI：10.19850/j.cnki.2096-4706.2025.02.020
0 引 言
随着全球能源结构的深刻变革和环境保护意识的日益增强，天然气作为一种清洁、高效的能源，其在全球能源消费结构中的作用日益凸显。然而，面对日益增长的天然气需求与资源供应压力，传统的天然气开采、集输、巡检、销售等业务模式已难以满足现代能源市场的需求。在传统开采、集输、净化和巡检业务中，往往依赖于人工经验、先进设备和大量人力资源，难以实现对复杂地质条件的气量精准分析预测，以及对生产异常情况的快速判断和有效处置，导致开采效率极其低下、生产风险不可受控、人力资源浪费严重。在这一背景下，人工智能技术的快速崛起为天然气全业务链中的各种难题和转型升级提供了新的思路和工具。
在人工智能领域，深度学习、机器学习、神经网络等作为其重要组成部分，近几年在各方面取得的重大突破推动了人工智能技术在各行各业中的应用落地[1-4]。Yang等利用分层Bi-LSTM网络对压裂曲线隐式特征进行提取，实现对裂缝形状的分类识别[5]。刘洋等对基于语义分析人工智能在石油天然气生产现场安全管理追溯中的应用进行了分析与展望[6]。黄维和等基于人工智能技术探究了天然气销量差异化预测和受多因素干扰的天然气价格预测[7]。在开发领域，Tripoppoom等基于k最近邻和神经网络两种模型，利用断裂形状、裂缝电导率、基质渗透率等历史生产数据，研究了具有类似特征生产单井的产量预测及压裂方法[8]。
本文从图像识别、预警监测和趋势预警三个方面总结了人工智能技术在天然气全业务链中的探索实践及应用，希望能够为油气行业的数字化转型和智能化发展提供一定参考。未来，随着人工智能技术的不断发展和完善，其在油气行业众多领域中的应用必将更加广泛和深入，为天然气产业的可持续发展提供有力支持。
1 人工智能技术应用
1.1 图像识别
1.1.1 安眼系统
近几年，各油气公司都处于快速上产关键时期，存在许多重点产能建设、隐患治理或升级改造项目。在以往的项目施工过程中，承包商人员技术能力和素质参差不齐，各种安全事故事件频频发生，存在巨大的安全风险。为缓解这种局面，基于人工智能技术开发了适用于油气行业的安眼系统，该系统中部署多达十余种行为识别算法，能够快速识别出施工现场的不带安全帽、未正确穿戴工作服、抽烟、人员跌倒等人员行为，以及生产现场的明火、烟雾等情况，真正实现对生产现场各种安全风险的有效把控。
如图1所示，安眼系统在生产场站的部署应用，对存在的安全风险及隐患能够做到“早发现、早预防、早解决”，真正从源头上杜绝安全事故事件发生的可能性，有效提高生产现场的安全管控能力。
1.1.2 智能AI巡检
由于净化厂装置一般都是较大的厂区，包含的塔、罐和机泵等动、静设备数量庞大。为保证装置各设备的安全正常生产，需要安装大量的就地压力表、温度计、磁翻板液位计等检测仪表。厂区操作工人每天的工作内容主要是到装置上去巡检和记录各种温度、压力、液位等工艺参数。为有效降低操作员工的劳动强度，基于深度学习算法开发智能AI巡检系统。通过在厂区不同区域安装一定数量的防爆式云台摄像机，就可基本覆盖装置上大部分的就地仪表。在选择每个摄像机安装位置时，需要将安装位置附近的就地仪表的朝向进行调整，确保该摄像机能够尽可能多的拍摄到各种仪表，使得单个摄像机的识别范围最大化。
如图2所示，在智能AI巡检系统部署调试完成后，对净化厂装置区现场仪表进行自动巡检识别，将识别的数据与DCS系统变送器数据进行实时比对，当两者数据偏差较大时形成偏差报警，及时提醒操作员工处理仪表检测故障，降低安全生产事故事件的发生概率，同时有效降低员工巡检劳动强度。
1.1.3 周界入侵
在天然气全产业链中，含硫天然气开采后必须通过净化厂处理后才能销售至用户。而在国内的天然气净化厂，处理量较大的可达几千万方/天，小的也有几十万方/天，由于净化厂的业务是将天然气原料气中的硫化氢分离出来，使得净化厂某些容器设备中的硫化氢含量极高，一旦不法分子闯入进行破坏，后果将不堪设想，因此净化厂一般都有专业安保团队驻场守护，定期在净化厂周围巡逻，确保厂区周界安全。为充分利用人工智能技术在图像领域的巨大优势，在净化厂周界围墙上布置双光谱摄像头，通过卷积神经网络等深度学习算法，利用双光谱摄像头不同时间的双光谱图像进行训练学习。经过部署和测试，成功搭建适用于净化厂等大型生产场站的全天候周界入侵报警系统，如图3所示。
在经过大量测试与优化后，在强光照和弱光照条件下对于人员闯入事件的识别准确率大大提升，有效降低工作人员的工作强度和安全风险。系统启用后，在全天候条件下一旦识别到有人员接触周界区域，系统会立即发出声音和弹窗警报，提醒值班人员加强关注，大大缩短从入侵发生到采取行动的响应时间，使得防范入侵能力得到有效提高。
1.1.4 地质勘探
在天然气地质勘探领域，准确识别岩石类型是影响天然气分布的重要因素之一。传统的岩石类型识别主要依赖于地质学家的大量丰富经验和肉眼观察，存在较大的主观性和不确定性。为有效避免上述问题，引入人工智能技术来进行辅助判断，使得对某一地区地层构造的认识变得更加简单，而其中帮助最大的便是图像识别技术。如图4所示，图像识别技术主要基于深度学习算法，通过对大量地质岩石图像数据进行训练和学习，实现对岩石类型的快速准确识别及分类，能够帮助地质人员更好的准确理解地质地层结构，为天然气地质勘探提供更为可靠的地质信息。
1.2 预警监测
1.2.1 光纤振动预警
近在天然气生产中，存在很多长距离的集气、输气管道，由于采气井站的地理位置特殊性，这些管道往往需要经过桥梁和公路等特殊重点环境。天然气集输作为全生产链路的重要环节，经过桥梁和公路等场景的管道一旦遭受重型车辆碾压、挖掘机作业等人为破坏，无疑将会带来巨大的安全风险和经济损失。针对此问题，引入布式光纤振动探测技术，该技术通过在管道沿线敷设光缆实时监测管道周边的土壤振动情况，及时发现对管道具有破坏性的挖掘事件、自然灾害和油气管道泄漏等意外事件，对可能发生的外部破坏提前预警，实现对管道及沿线光缆的监测和保护，防止管道安全事故的发生。
如图5所示，分布式光纤振动探测系统主要由传感光纤、信号采集终端、工控主机处理部分、监控终端等部分构成。通过振动信号采集终端大量采集各种破坏行为的振动信号作为学习数据，经傅里叶变换和人工智能算法实现对管道各种破坏行为的特征提取和特征学习，不断采集信号持续优化，最终得到能够识别管道破坏行为的智能算法模型。当前支持的入侵破坏行为识别包括夯土作业报警、大型机械挖掘报警、人工挖掘报警等。
光纤振动预警系统在正常工作时，信号采集终端实时采集光纤振动信号，一旦检测到具有某种破坏行为特征的振动信号，立即记录时间、地点以及疑似破坏行为，并发出报警信号，提供及时的安全防护。光纤振动预警系统的应用，不仅有效提升管道的安全防护能力，还实现了油气管道安防工作的数字化管理，大大提高管理效率和安全水平。
1.2.2 机泵预测性维护
在天然气开采生产全业务链中，像净化厂、注水站等厂站配备有大量的机泵等动设备，这些机泵设备对于安全平稳生产至关重要，一旦机泵设备故障停机，轻则直接停产影响产量，重则可能发生重大安全事故。因此对于这些机泵动设备，需要花费大量人力和物力去定时巡检、维护和保养。
近年来，得益于人工智能技术的快速发展，国内外关于动设备的在线监测预警技术得到广泛研究[9-11]。在天然气生产中，通过在机泵动设备上不同位置（驱动端、非驱动端、减速箱）安装一体化传感器，实时采集动设备的温度、振动、声音等信息数据，利用这些历史和实时数据基于机器学习算法和统计分析方法来对可能会发生的故障进行预测，并根据预测结果在故障发生前开展停机检查维护，避免故障问题导致更大的安全事故事件发生，如图6所示。与传统的故障后维修相比，机泵预测性维护能够显著降低维护成本，减少停机时间，提高设备利用率和安全性。
1.3 趋势预测
1.3.1 管网流量趋势预测
在气田生产过程中，理论上某片区单井产量之和与集气总站接收天然气总量应当相同。然而，在实际生产中发现，由于井站流量计精度差异、管道两端进出气流滞后效应以及管道系统运行中的流量损耗等因素，导致单井产量之和与接收总量存在一定偏差。尤其是在管输路径地形起伏较大的情况下，管道进出气存在滞后效应，滞后时间为压力波传递时间。
为解决这一问题，通过分析单井站调产历史数据，将单井流量变化反映到集气站流量变化的响应时间差上，利用神经网络算法构建管道操作压力与流量变化的时间滞后校正模型，如图7所示。实现在动态工况下（包括不同温度、压力、流量变化等因素）对管道进出流量预测，及时判断是否存在管道天然气泄漏、设备故障、阀门误动作等异常现象。一旦发现异常，系统将及时提示设备管理人员加强关注，指导操作人员在适当时间进行检维修，避免因管线突发泄漏导致异常停产事件发生，为提升生产管理水平做出贡献。
1.3.2 天然气产销预测
在天然气生产领域，由于从地底开采出来的天然气不易存储，天然气的销售用量和产量一般都是保持一定平衡的，然而一个地区对于天然气的销售用量会随着季节、客户群体需求量等因素的变化而变化。以往，天然气产量与销量的关系是：销量需求增大时，产量就跟着增加，销量需求减少时，产量就跟着降低。产量与销量两者之间在时间维度上存在一定滞后，对此的解决办法大多依靠经验丰富的分析人员进行动态配产，以保证产量能够及时跟随销量需求的变化，但这种方法还是不能解决销量需求变化的不稳定性和不确定性。
对于天然气生产企业而言，如何最大化的保证产销平衡一直都是长期困扰的一大难题。针对此问题，基于大数据及人工智能技术，利用以往某地区大量生产销售数据，经预处理后形成高质量数据集，对过往产销趋势进行拟合学习，建立适用于该地区的天然气产销预测算法模型。通过该模型预测结果，实现为该地区的产量配产决策提供科学支撑，从而有效减少气量积压和缺气风险，最终实现产销的动态平衡，产量预测系统如图8所示。
2 结 论
本文从图形识别、预警监测和趋势预测三个方面阐述了人工智能技术在天然气勘探、集输、巡检和天然气销售等领域的具体应用探索与实践。这些应用不仅极大地提升了天然气行业的勘探生产和运营效率，同时也为油气行业的安全、可持续发展提供了强有力的技术支撑。展望未来，人工智能与天然气行业的融合将持续不断加深，技术创新和应用场景将进一步拓宽。综合业务需求，以下方面可能是人工智能技术在天然气全产业链中新的突破点和发展方向：
1）小场景大模型本地化部署。近几年来，人工智能领域的大模型在国内外获得较大关注，相关较前沿的大模型研究都表现出较强的智能推理能力。大模型已经在多个领域展现出其巨大潜力，而在天然气全业务链中，基于小场景本地化部署的大模型应用具有相当广阔的应用前景。比如，利用大模型对历史气象数据、地质数据以及市场需求数据的综合分析，实现对产销趋势的精准化预测，为企业生产和销售提供决策支持。未来，将这些具体应用场景的大模型进行本地化学习、部署，既能解决安全和隐私保护等问题，确保敏感信息不被泄露，又能通过具体化场景大模型为科学决策提供技术支撑。
2）基于人工智能的优化问题。为积极响应国家“节能减排”号召，天然气生产企业大力开展能耗提升、工艺优化、新能源发展等节能减排活动。当前，在天然气生产企业，耗能大户主要集中于大型净化厂和机泵较多的厂站，每年消耗的水、电、气费用高达上千万元。为实现能源企业节能降效，如何实现在不影响正常生产情况下的用电和天然气消耗最优管理是面临的一大难题。未来，希望能够通过人工智能技术对净化厂的耗能管理进行建模分析，得到适合的最优运行管理决策。
3）基于边缘计算的智能RTU应用。随着半导体行业的快速发展，控制器芯片的集成化程度越来越高，计算速度越来越快，很多控制器甚至在内部集成了神经网络专用计算芯片。在油气生产行业，人工智能的现场应用将会越来越多，对算力需求将会越来越高。若把所有的计算请求都汇集到云计算中心，云计算服务器负荷将会越来越大，同时对分散且复杂的网络环境造成传输拥堵、时延大等影响。针对这一问题，可将计算性能更强的芯片应用到生产场站的RTU设备中，在不影响RTU原有数据采集和控制功能基础上，进一步集成RTU的AI计算能力，实现将部分计算在边缘终端完成，既能有效减少数据传输延迟，提供系统实时性，又能将数据保留在本地，降低数据泄露风险。
参考文献：
[1] 周巍.基于视觉AI的管道高后果区预警系统 [J].油气与新能源，2022，34（2）：61-64.
[2] ZHANG C，LU Y. Study on Artificial Intelligence： The State of the Art and Future Prospects [J/OL].Journal of Industrial Information Integration，2021，23：100224（2021-05-17）.https：//doi.org/10.1016/j.jii.2021.100224.
[3] 雍鹏，宋鑫，胡卫东.计算机视觉技术在管道巡检中的应用 [J].智能城市，2021，7（17）：1-2.
[4] 马文礼，李治平，卢婷，等.机器视觉在油气勘探开发中的应用现状 [J].科学技术与工程，2018，18（17）：112-119.
[5] YANG Z，YANG C，LI X，et al. Pattern Recognition of the Vertical Hydraulic Fracture Shapes in Coalbed Methane Reservoirs Based on Hierarchical Bi-LSTM Network [J/OL].Complexity，2020，2020（1）：1734048（2020-01-01）.https：//doi.org/10.1155/2020/173404.
[6] 刘洋，谭昆，张健威，等.语义分析人工智能在石油天然气生产现场安全管理追溯中的应用展望 [J].石化技术，2023，30（11）：233-235.
[7] 黄维和，张曦，张元涛，等.天然气下游大数据技术研究与应用综述 [J].油气与新能源，2021，33（4）：1-5.
[8] TRIPOPPOOM S，MA X，YONG R，et al. Assisted History Matching in Shale Gas Well Using Multiple-proxy-based Markov Chain Monte Carlo Algorithm： The Comparison of K-Nearest Neighbors and Neural Networks as Proxy Model [J/OL].Fuel，2020，262：116563（2019-12-03）.https：//doi.org/10.1016/j.fuel.2019.116563.
[9] HALLAJI S M，FANG Y，WINFREY B K. Predictive Maintenance of Pumps in Civil Infrastructure： State-of-the-art， Challenges and Future Directions [J/OL].Automation in Construction，2022，134：104049（2022-01-04）.https：//doi.org/10.1016/j.autcon.2021.104049.
[10] 卢永，章文，王威，等.油液及振动监测在机泵群轴承早期故障预警中的应用 [J].润滑与密封，2020，45（10）：136-140.
[11] 焦瀚晖，胡明辉，王星，等.基于特征快速构造与卷积神经网络的机泵故障识别研究 [J].机电工程，2020，37（9）：1063-1068.
作者简介：陈元科（1996—），男，汉族，四川遂宁人，助理工程师，硕士，研究方向：油气行业智能化建设。
收稿日期：2024-08-19
