收益：
- 能够区分人工智能在石油和天然气工作流程中哪些地方可以节省实时时间和成本，以及哪些决策应由授权工程师负责
- 能够实施一门学科，通过数量级、物理合理性和现场/井证据交叉验证每个人工智能输出
- 认识不确定性、幻觉、商业机密和安全关键风险的概念，并养成通过匿名上下文设置安全提示的习惯。
石油和天然气工程是以安全、高效和环保的方式将流体从地下数公里处的储层（含有石油或天然气的多孔岩体）输送到地面的艺术。这项业务从始至终都与数据交织在一起：地震剖面、测井记录、岩心测量、生产流程、压力测井、设备传感器、管道 SCADA 流程。人工智能正是在如此丰富的数据中发挥作用；它加快了速度，使模式可见，并将工作时间缩短到几分钟。但让我们重申一下本模块的第一句话，也是最重要的一句话：人工智能是这个职业的加速器，而不是签约者。井喷、管道爆炸或误报储量的代价是生命、环境和巨额资本；授权工程师承担这个费用，而不是人工智能。
在本单元中，我们将规划如何将人工智能嵌入到石油和天然气工作流程中：哪里有真正的收益，哪里存在危险，以及我们将使用什么验证规则来测试每个输出。
人工智能带来真正利润的地方
行业中人工智能最强的领域是从大量样本中提取模式很有价值并且可以快速发现错误的领域：
- 数据结构化和清理：使分散的测井记录、不同格式的生产表、自由文本钻井报告可查询。
- 模式识别：地震剖面中的断层痕迹、测井曲线中的相（沉积环境特有的岩石类型）边界、振动频谱中的断层特征。
- 预测和预测：来自原木的孔隙度、来自生产历史的退化曲线、来自传感器的剩余使用寿命。
- 草稿制作：报告框架、文献摘要、代码片段、程序大纲。
- 异常检测：管道压降、设备异常振动、生产意外偏差。
这些领域的共同点是：人工智能产生初稿或值得注意的草稿，工程师对其进行验证并承担责任。
人工智能无法接管责任的地方
有些决定本质上应该由工程师决定，因为一旦出现错误，损害是不可逆转的：
- 井控和压力管理（防喷）决策。
- 安全关键警报阈值（气体泄漏、H2S、高压）。
- 向投资者提供的储备声明和官方数据。
- 管道和压力设备完整性/退役决策。
- 环境排放和现场安全审批。
注意：“人工智能建议”并不是一种辩护。工程错误调查中要问的问题是：“授权工程师用什么独立证据验证了这个输出？”如果您没有答案，则根本不应该使用输出。
验证规则：三层过滤器
根据重要性将每个 AI 输出通过三个过滤器。
1.数量级控制。结果是否大致在 10 的预期幂范围内？砂岩储层的渗透率通常在毫达西-达西范围内；如果模型显示“80,000 达西”，则存在单位或编辑错误，而无需详细说明。孔隙率在0%~40%之间； 65%在物理上是不可能的。
2.物理合理性检查。输出是否遵守已知的物理定律？水饱和度应在0-1之间；生产流量不能为负；物料平衡（已生产+剩余=初始）应关闭；下降曲线无法显示产量随着时间的推移而增加（除非有新井/干预措施）。
3. 独立证据检查。将输出与不产生输出的源进行比较：岩心测量、油井测试（压力-流量数据）、邻近井、现场检查、第二种方法。在证据层次中，直接测量（岩心、试井）始终优于模型预测。
提示：根据输出的风险衡量验证强度。对于文献综述，快速阅读就足够了；完全独立的计算和第二工程师控制对于井压限制至关重要。
安全提示：隐私和上下文
从商业角度来看，石油天然气数据极其敏感。油井坐标、生产流程和储量数据通常属于许可证持有者和合伙企业；参与不受控制的外部人工智能服务会造成竞争损失、违约和法律风险。
- 使用假名（“Well-A”、“Field-X”）而不是实际的井名称/坐标。
- 用代表性（比例）值替换实际产量和储量数据；比例和图案被保留，秘密号码不被泄露。
- 仅使用经机构批准且具有数据处理协议的工具。
三个迷你案例：从数字来看
案例 1 — 节省时间，正确使用。某一油田240口井的LAS测井文件以不同的命名和单位保存。人工智能驱动的标准化将单位转换和曲线名称匹配从两天减少到三小时。随机抽取10%的孔进行人工检查；检测到并纠正了两个文件中中子测井的不匹配情况。收益是真实的，因为验证层已经就位。
案例 2——人为准备金风险。工程师将生产数据输入模型以加速回撤曲线分析；该模型在双曲线缩减中采用 1.4 的 b 素数，并将其推断为 30 年，使欧元（最终预测产量）达到预期的两倍。物料平衡检查显示该数字与储库容积相矛盾；将b碱基移至物理极限并修正结果。如果考虑盲目，储备就会被夸大。
案例 3 — 安全关键限值。一个团队向 AI 寻求“优化”气体检测警报阈值的建议；该模型建议增加阈值以减少误报。 HSE 工程师否认了这一点：气体检测中的假阴性（漏掉实际泄漏）是致命的，并且阈值不能设置为低于法定/标准限值。人工智能推荐本身并不能成为一层安全保障。
弱提示/强提示
弱提示：
看看这口井的产量数据，告诉我们它的储量。 [数据]
强力提示：
根据以下（代表性/匿名）生产数据进行草稿回撤曲线分析。遵循以下规则：- 应用 Arps 模式；保持 b 指数在 0-1 的物理范围内，写下你的理由。 - 将欧元预估值作为低/中/高情景给出，而不是单个数字。 ——单独列出每个假设；表明与物料平衡交叉检查所需的附加数据。 - 不要将结果呈现为“精确”；标记需要验证的步骤。数据：【匿名生产表】
强烈的提示强加了物理边界、场景思维和验证的需要。
四个可复制模板
1）输出风险分类：
在使用以下人工智能输出之前确定风险类别：（a）什么将被损坏/什么将被损坏，（b）损坏是否可逆，（c）应验证哪些独立证据。输出：[摘要]
2）数量级过滤器：
检查以下结果的数量级：典型的预期范围是多少，结果是否在此范围内，如果不在，可能的单位/结构错误在哪里？结果及其单位：[值]
3）匿名化助手：
从下面的文本中识别商业敏感信息（井名、坐标、实际流量、储量、合作伙伴关系）并给出化名/代表值建议。文本：[文本]
4）验证计划：
为以下工程输出编写验证计划：哪一手计算、哪个物理边界、哪些独立数据（岩心/试井/邻井）以及需要哪个第二方确认？输出：[摘要]
人工智能的作用：概览
任务
人工智能的作用
工程师的角色
验证锚
日志标准化
配置、改造
样品控制
原始文件，核心
孔隙率估计
账户汇票
批准
核心，Archi方程
扣除额/欧元
模型拟合、场景
决定
物料平衡
泄漏/报警
异常标志
决定、干预
独立探测器
储备声明
汇票、帐目
责任、签字
PRMS/SEC，评估器
常见错误
- 将流畅性误认为准确性。模型的自信语言并不意味着数字是正确的。
- 不根据风险缩放验证。像文献摘要一样快速地传递安全关键输出。
- 将机密数据输入不受控制的车辆。无需匿名即可共享真实油井和生产数据。
- 用“人工智能建议”逃避责任。在没有独立证据的情况下将打印输出移至签名。
- 将安全功能加载到单个模型中。用人工智能取代独立的、经过认证的层。
综上所述
- 人工智能是石油天然气工作流程中的强大加速器；但决定和签名责任仍由授权工程师承担。
- 通过三层过滤每个输出：数量级、物理合理性、独立证据。
- 根据输出的风险（错误损失）衡量验证强度。
- 对业务敏感数据进行匿名处理并仅使用经批准的工具。
- 安全关键功能不应基于单一人工智能模型，而应基于多层独立系统。
应用任务
从您自己的企业（或代表性企业）中选择一个人工智能用例：例如，根据日志或生产缩减估算孔隙度。为此输出编写一个三层验证计划：（1）预期的数量级是什么，（2）适用什么物理限制，（3）您将确认哪些独立证据，以及谁将进行第二次检查。然后匿名化您的提示，使其不包含实际的井名/坐标/编号。
清单
- [ ] 我可以区分人工智能获利的领域和工程师应承担责任的决策。
- [ ] 我通过数量级、物理合理性和独立证据来过滤每个输出。
- [ ] 我根据输出的风险来衡量验证强度。
- [ ] 我对商业敏感数据进行匿名处理，并仅使用经过批准的工具。
- [ ] 我不依赖单一模型来实现安全关键功能，而是依赖多层独立的安全系统。