收益：
- 能够了解在石油和天然气立法（EMRA、PRMS/SEC 储量报告、API 标准）背景下验证 AI 输出的责任
- 能够将商业机密、油井数据敏感性和道德界限转化为运营机密规则
- 能够通过端到端验证和治理规则维持人工智能在石油和天然气工程中的使用
模块考试
1、决定油气工程人工智能输出风险的基本原则是？
- A) 输出的风险等于该输出出现故障时可能造成的危害；验证规模相应 ✔
- B) AI 输出通常是安全的，因为它写得流畅且自信
- C) 使用最新模型时无需验证
- D) 如果输出参考标准，则不需要额外的控制
解释：输出的风险等于该输出出现故障时所造成的危害。虽然文献摘要中的小错误可能是无害的，但井压限制、泄漏警报阈值或储量报告中的错误可能会导致爆炸、环境灾难或重大财务损失；因此验证强度与潜在危害成正比。
2. 地震反演中的“非唯一性”问题为何需要使用人工智能？
- A）直接接受模型产生的第一个解释
- B) 通过将其与测井曲线、连井关系和地质约束联系起来来缩小解释范围 ✔
- C) 仅选择最高分辨率的切片。
- D) 完全放弃地震数据
解释：相同的地震反射数据可以用不止一种不同的地下模型（阻抗、岩性、流体分布）来解释。因此，人工智能产生的解释并不是唯一正确的解释。必须通过将测井记录与独立约束（例如井系和地质背景）联系起来来缩小测井记录的范围。
3. 使用机器学习从测井曲线估算渗透率（渗透率）时，应特别注意哪些限制？
- A) 该模型在每个油田和每个岩性中自动有效
- B) 所学到的关系是特定于教育条件的； ✔ 外推到不同地点存在风险，必须与岩心/油井测试联系起来 ✔
- C) 直接、无差错地测量测井渗透率
- D) 根本不应报告预测不确定性。
说明： 渗透率不是直接根据原木测量的；模型学习到的关系特定于训练数据的相和压力条件。盲目应用（外推）到不同地点或不熟悉的岩性可能会导致重大错误；输出必须与岩心测量和试井相关联。
4. 如果 Arps 双曲线模型的“b”指数保持过高（例如 b>1）并在回撤曲线分析 (DCA) 中长时间外推，会发生什么情况？
- A）欧元变得低于实际水平并且储备被隐藏
- B) 下跌变得不切实际的缓慢，欧元变得过高，乐观✔
- C) 生产数据自动清除
- D) 井压物理上增加
解释：在 Arps 双曲线模型中，素数 b 决定了下降速度随时间减慢的程度。取 b>1 并将其外推到长期将导致下降速度过慢且不切实际，并且欧元（最终估计产量）过高。因此，在后期，过渡到指数递减或最小回撤限制，并用物料平衡检验结果。
5. 为什么孔隙度和含水饱和度的阿奇方程是岩石物理解释中人工智能输出的验证锚？
- A) 因为它只显示油井成本
- B) 因为它建立了电阻、孔隙度和含水饱和度之间的物理关系并测试输出✔
- C) 只是因为它定义了日志的颜色
- D）因为它仅在实验室环境中才有意义
描述：Archi 方程建立了对数电阻率和水饱和度之间的物理关系。 AI建议的水饱和度值通过将其插入具有孔隙度和电阻率输入的Archi方程中并与当地地层系数进行比较来进行物理测试；结果应该在0-1范围内并且与核心一致。
6. 为什么“漏报”（遗漏）在管道泄漏检测中特别重要？
- A) 因为它将实际泄漏归类为“无”并延迟了干预并对环境/生命造成风险✔
- B) 因为它只改变 SCADA 屏幕的颜色
- C) 只是因为它增加了报告的页数
- D）因为假阴性总是无害的
解释：假阴性是对实际存在的泄漏进行“不存在”分类；在这种情况下，干预会被延迟，并且存在环境灾难、火灾/爆炸和人员伤亡的风险。误报会导致不必要的停止成本。在安全关键的管道中，会谨慎选择阈值以最大程度地减少误报，并得到现场确认的支持。
7. 在预测性维护中，根据压缩机的振动数据生成“剩余使用寿命”(RUL) 估计值时最合适的用途是什么？
- A) 接受预计的确切故障日期，并且在那一天之前不进行任何检查。
- B) 以估计的不确定性范围作为决策支持，通过现场检查和根本原因分析确认关键设备 ✔
- C) 当振动增加时完全禁用警报
- D) 如果 RUL 较低，则在没有任何不确定性的情况下最大限度地运行设备。
说明：RUL（剩余使用寿命）估计是概率估计，而不是确切的日期。正确的使用是利用其不确定性范围进行估计，并将其用作维护计划中的决策支持；在关键设备中，通过现场检查和振动频谱根本原因分析来确认。继续基于相亲的方式操作设备是有风险的。
8. 如果在存在H2S（硫化氢）等有毒气体风险的场所使用基于AI的气体检测，则需要遵循哪一条原则？
- A）人工智能检测可能是唯一的安全层，取代经过认证的物理检测器
- B) AI是辅助层；无法替代独立认证的探测器和程序，多层安全必不可少 ✔
- C) 如果模型置信度得分较高，则可以关闭物理检测器
- D) H2S 检测只能通过办公室分析来完成
说明：H2S对于生命安全而言是一种致命气体；人工智能检测可以是一个有用的层，但它不能取代独立的、经过认证的物理气体探测器和疏散程序。安全关键功能不应基于单一人工智能模型，而应基于多层且独立的安全系统（纵深防御）。
9. 使用人工智能处理自由文本钻井日志报告（“整个班次中机械钻速下降、扭矩波动、可能的粘土膨胀”）的主要目的是什么？
- A）随机重写报告
- B) 自动增加钻孔深度
- C) 通过将不一致的自由文本翻译成标准字段来使数据可查询；将评论留给工程师，标签为“可能”✔
- D) 对井进行物理重新编号
描述：人工智能将不一致的自由文本操作报告转换为标准字段（事件类型、深度、指标变化、可能原因、行动），使数据可查询和可比较。然而，根本原因和操作决策是由钻井工程师确认的；该模型应保留“可能”标签。
10. 将特定地点测井、生产和储量数据输入通用人工智能工具时，正确的方法是什么？
- A) 准确输入实际坐标和生产值并获得最快响应
- B) 匿名化身份和价值观、使用代表性价值观并仅使用经批准/受控的工具 ✔
- C) 加载整个现场数据库并让模型学习
- D) 请注意，数据是保密的，并按原样共享。
描述：油井坐标、生产流程和储量信息在商业上极为敏感，并且通常属于许可证持有者/合作伙伴的机密数据；在一些国家，它受到公共监管。进入不受控制的外部服务会产生竞争、违约和法律风险。正确的方法是匿名化身份/坐标/实际值或使用代表性值并仅使用经过批准的、机构控制的工具。
11.人工智能工程计算中的“数量级控制”是什么意思？
- A) 增加结果的小数位数
- B) 通过快速计算测试结果是否大致在 10 的预期幂范围内 ✔
- C) 测量结果的图形分辨率
- D）标准化结果的颜色
描述：数量级检查是通过快速计算来测试结果是否大致在期望的10次幂范围内。例如，砂储层的渗透率预计在毫达西范围内，但出现数千个达西而不是达西则揭示了单位或编辑错误，而无需详细说明。
12. 使用Python将生产数据分析代码打印到AI时，验证结果最稳健的方法是什么？
- A) 如果代码有效并且没有给出错误，则接受结果为正确。
- B) 与已知小样本的单元测试、物理极限检查和独立方法比较 ✔
- C) 依赖大量代码
- D) 检查图形输出是否有颜色
说明：虽然生成的代码看起来流畅且正确，但它可能包含隐藏的错误（单位错误、日期偏移、数据泄露、收集错误）。最可靠的验证是手动计算已知小样本的预期输出，在代码中进行验证（单元测试），根据物理限制（例如无负流量）检查中间结果，并将它们与独立方法进行比较。
13. 在储备报告（例如 PRMS/SEC）中使用人工智能生成的欧元预测最准确的表述是什么？
- A) 无需评估员批准，因为 AI 输出自动有效
- B）人工智能有帮助；方法、输入和不确定性必须可追溯、记录并得到主管评估员的批准 ✔
- C) 欧元值最高的型号应始终是首选。
- D) 储备申报可以完全自动化，消除人为控制
说明：储备报告是可审计的文件，是投资者和监管决策的基础，由合格的储备评估员负责。 AI可以帮助数据清洗、梦境拟合、场景生成；然而，数据的方法、输入和不确定性必须以可追溯的方式记录下来，并得到授权评估员的批准。人工智能本身无法宣布储备金。
14. 关于在石油和天然气工程中使用人工智能的最终责任，哪种说法最准确？
- A）由于人工智能产生输出，责任就转移给软件公司
- B) AI提供支持和加速；决策和报告的责任仍由授权工程师承担，输出必须可验证且经过人工批准 ✔
- C) AI输出自动生效，无需工程师批准
- D) 责任仅由现场团队承担，与办公室工程师无关
描述：AI是数据处理、起草、发现和优化加速等支撑工作的有力工具；然而，签署的报告、安全关键决策、油井设计和储量声明的责任仍由授权工程师/评估人员承担。输出必须是可审计、可验证和人工批准的。