耿黎東
(中國石化石油工程技術研究院,北京102206)
隨著物聯(lián)網(wǎng)、云計算的快速興起和智能終端的快速普及,數(shù)據(jù)已經(jīng)滲透到各個行業(yè)和領域,逐漸成為重要的生產(chǎn)因素。數(shù)據(jù)特性逐漸向更大、更快和更復雜的方向演變和發(fā)展,催生了一個全新的概念——大數(shù)據(jù)。2011年,J. Mckinsey等人發(fā)布了《大數(shù)據(jù):創(chuàng)新、競爭和生產(chǎn)力的下一個新領域》,對大數(shù)據(jù)的關注程度達到歷史新高[1]。
石油工程比以往更快的速度獲取了更大的數(shù)據(jù)量和更加多樣化的數(shù)據(jù),這些數(shù)據(jù)除了基于數(shù)以萬計的傳感器采集得到的數(shù)據(jù)外,還包含大量的半結構化和非結構化數(shù)據(jù)。鉆井、測井、錄井資料,生產(chǎn)數(shù)據(jù)和作業(yè)日志都可以快速添加為TB級甚至PB級的信息。油氣勘探開發(fā)的對象是不可見的地下巖石和流體,因此石油工程對數(shù)據(jù)的依賴性更強。與傳統(tǒng)信息技術相比,大數(shù)據(jù)技術對海量數(shù)據(jù)的分析和處理更為迅速和高效,可以提高決策的準確性、及時性和全面性,對油氣的增儲上產(chǎn)和降本增效起到重要的推動作用。為此,筆者介紹了大數(shù)據(jù)的定義和特點,分析了大數(shù)據(jù)技術在石油工程領域的應用現(xiàn)狀,并提出石油工程大數(shù)據(jù)技術發(fā)展建議,以加速大數(shù)據(jù)技術在石油工程中的研究和應用。
大數(shù)據(jù)技術目前并沒有教科書式的明確定義,互聯(lián)網(wǎng)數(shù)據(jù)中心(IDC)將其定義為基于高速的捕獲、發(fā)現(xiàn)和分析技術,以經(jīng)濟的方式從超大規(guī)模數(shù)據(jù)中提取有價值信息的、一種全新的技術和構架。大數(shù)據(jù)的核心意義不在于掌握龐大的數(shù)據(jù)量,而在于從海量的結構化、非結構化數(shù)據(jù)中提取出有效的數(shù)據(jù),經(jīng)過專業(yè)化處理獲取有價值的信息。以數(shù)據(jù)為本質的大數(shù)據(jù)技術不僅是技術變革,更是理念、模式和應用實踐的創(chuàng)新變革。
隨著油氣勘探開發(fā)的深入和石油工程技術的發(fā)展,石油公司已經(jīng)在勘探、地質、測井、鉆井完井和開發(fā)等各個環(huán)節(jié)積累了海量數(shù)據(jù),為大數(shù)據(jù)技術的應用奠定了良好的數(shù)據(jù)基礎。石油工程大數(shù)據(jù)除了具有大體量(vo lum e)、多樣性(variety)、時效性(velocity)、準確性(veracity)和低密度價值(value)的5 V特點外[2],還具有獨特的特點。例如,鉆井完井過程產(chǎn)生的數(shù)據(jù)種類很多,包括鉆前工程數(shù)據(jù)、工程設計數(shù)據(jù)、施工記錄數(shù)據(jù)、工程參數(shù)測量數(shù)據(jù)、測井數(shù)據(jù)和工程管理數(shù)據(jù)等;數(shù)據(jù)形態(tài)各異,包括各類靜態(tài)結構化表格、非結構化的視頻和圖片以及各類工業(yè)數(shù)據(jù)格式標準;數(shù)據(jù)體量變化幅度大,傳統(tǒng)測井方法的8項測井數(shù)據(jù)量約為1Mb/m,而聲波測井、成像測井等新型測井方法中的一項測井參數(shù)數(shù)據(jù)量就可達到1Gb/m以上;數(shù)據(jù)可管理性差,各類鉆井完井數(shù)據(jù)生成周期不同、采集方式各異,難以用統(tǒng)一的數(shù)據(jù)模型容納所有的鉆井完井數(shù)據(jù)。數(shù)據(jù)采集、傳輸?shù)钠款i問題突出,目前油田現(xiàn)場采集設備還無法達到高精度、快速采集的要求,常用的井下數(shù)據(jù)無線傳輸方式傳輸速率低、可靠性差,有線傳輸方式雖然傳輸速度快,但存在設備開發(fā)成本高、制造工藝復雜等缺點。
近年來,國際油價低迷已成為新常態(tài),石油企業(yè)利潤大幅降低,如何利用大數(shù)據(jù)技術降低油氣勘探開發(fā)成本和提高勘探開發(fā)效率已成為油公司和油服公司發(fā)展的新突破點。相比互聯(lián)網(wǎng)、航空和電子商務等行業(yè),石油和天然氣行業(yè)大數(shù)據(jù)技術的研究、應用起步較晚,目前國內(nèi)外公司正在嘗試將大數(shù)據(jù)技術應用于石油工程中,并取得了一定進展。
2.1.1 國外
為了促進多部門協(xié)同工作和生產(chǎn)運營的一體化,國外大型油公司紛紛推出大數(shù)據(jù)分析平臺。康菲公司經(jīng)過近20年的發(fā)展,形成了IDW(integrated data warehouse)大數(shù)據(jù)分析平臺(見圖1)。
圖1 康菲公司IDW大數(shù)據(jù)平臺發(fā)展歷史Fig.1 The development history of IDW big data p latform of ConocoPhillips
IDW是一個涉及多學科的集中式大數(shù)據(jù)存儲中心,可存儲分析包括地球科學、鉆完井、油藏工程、生產(chǎn)、運營、財務等方面的數(shù)據(jù)(見圖2)[3]。其精髓在于將具有不同功能的數(shù)據(jù)倉庫整合起來,實現(xiàn)跨功能集成。不同業(yè)務部門的數(shù)據(jù)真正實現(xiàn)一體化存儲、管理和分析,數(shù)據(jù)的體量、多樣性、傳輸速度和質量均有了大幅提升,顯著提高了獲取有效信息的效率。此外,IDW要求每個業(yè)務部門都采用一體化的運營方法來組建業(yè)務和信息技術多學科團隊,建立了新的工作方式。IDW主要采用Teradata數(shù)據(jù)庫技術和PPDM數(shù)據(jù)模型,以Spotfire為數(shù)據(jù)分析工具,Informatica為ETL工具。康菲公司也正在嘗試將認知分析和人工智能等新興數(shù)據(jù)分析方法應用到IDW中。美國Eagle Ford頁巖氣開發(fā)過程中,采用IDW大數(shù)據(jù)平臺進行數(shù)據(jù)分析后,每臺鉆機平均鉆探量增加了80%,每口井的平均鉆井時間從一個月縮短至12 d。
圖2 IDW集中式數(shù)據(jù)存儲中心Fig.2 IDW centralized data storage center
科威特國家石油公司構建了基于數(shù)據(jù)分析和人工智能的地面地下一體化油田智能工作平臺,用于油田中長期產(chǎn)量預測、注水優(yōu)化及生產(chǎn)參數(shù)優(yōu)化。其工作流程為:1)采用節(jié)點分析、虛擬計量等方法,利用數(shù)字化工具記錄生產(chǎn)歷史;2)采用蒙特卡洛、線性回歸等方法,利用統(tǒng)計分析工具監(jiān)測實時生產(chǎn)狀況;3)采用神經(jīng)網(wǎng)絡、模糊邏輯等人工智能方法進行短期產(chǎn)量預測;4)應用數(shù)值模擬進行中長期產(chǎn)量預測??仆貒沂凸竟緫迷撓到y(tǒng)后油氣產(chǎn)量明顯提高,支撐了該公司至2030年日產(chǎn)油量400×104bbl的戰(zhàn)略目標[4–5]。
國外大型油服公司通過建立大數(shù)據(jù)平臺,旨在增強多學科互通,實現(xiàn)工程技術一體化。2003年開始,斯倫貝謝公司著手整合勘探開發(fā)生產(chǎn)的16個數(shù)字化應用程序,將大數(shù)據(jù)分析、人工智能和物聯(lián)網(wǎng)等多個技術領域的優(yōu)勢集中,在微軟Azure云平臺上開發(fā)了DELFI勘探開發(fā)認知環(huán)境信息平臺(見圖3)[6]。DELFI整合了各類計劃、作業(yè)程序和軟件,存儲全部歷史數(shù)據(jù)資料,為各類專業(yè)操作系統(tǒng)和程序提供接口,目的是實現(xiàn)斯倫貝謝公司業(yè)務的數(shù)字化轉型,為油氣勘探開發(fā)生產(chǎn)提供低成本、高效率的專業(yè)化生態(tài)系統(tǒng)。通過利用大數(shù)據(jù)分析、機器學習和物聯(lián)網(wǎng)等最新的數(shù)字化技術,DELFI將地球物理、油藏工程、鉆井完井工程和采油工程等多學科知識交互融合,真正實現(xiàn)了技術一體化。
圖3 斯倫貝謝DELFI大數(shù)據(jù)平臺發(fā)展歷史Fig.3 The development history of Schlumberger’s DELFI big data p latform
貝克休斯公司依托通用電氣的Predix工業(yè)互聯(lián)網(wǎng)平臺,借助先進的數(shù)據(jù)采集技術、大數(shù)據(jù)分析算法和云計算技術,對海量的工程作業(yè)和生產(chǎn)運營數(shù)據(jù)進行統(tǒng)一分析和優(yōu)化,打破了數(shù)據(jù)信息之間的壁壘,并通過應用程序將現(xiàn)場情況和決策方案進行可視化展現(xiàn)[7]。哈里伯頓與微軟合作推出DecisionSpace 365云平臺,將地質、鉆井、油藏和生產(chǎn)等數(shù)據(jù)資料有效存儲起來,實現(xiàn)了不同工作流程數(shù)據(jù)的快速更新和一體化分析,提高了油藏模擬結果的準確性[8]。
除了大型石油公司、油服公司之外,部分小型技術服務公司也開展了大數(shù)據(jù)平臺的相關研究。美國AKW Analytics公司是一家成立于2013年、員工不超過10人的小型公司,專注于提供油氣行業(yè)大數(shù)據(jù)分析服務。該公司利用自主知識產(chǎn)權技術將大數(shù)據(jù)分析、機器學習和優(yōu)化結合到PALMTM(petroleum analytics learning machine)平臺中[9]。
PALMTM平臺以數(shù)據(jù)為中心,具有預測和指導功能,可以對來自不同數(shù)據(jù)源的數(shù)據(jù)進行實時多元分析,數(shù)據(jù)源包括地球物理、巖石物理、油藏工程、鉆井、壓裂、生產(chǎn)和管線輸送等,利用大數(shù)據(jù)和深度學習技術分析歷史產(chǎn)量的特征屬性和重要性的權重,實現(xiàn)了從鉆井完井到油氣生產(chǎn)再到提高采收率全過程準確的預測。
PALMTM平臺包含多種分析工具、算法和模型:有MAPGEORES(油藏模型)、MAPDRILL(鉆井數(shù)據(jù)集成)、MAPFRAC(水力壓裂)、MAPPROD(產(chǎn)能優(yōu)化)、MAPGATHER(管線維護)和MAPPORTFOLIO(資本支出優(yōu)先順序)等分析工具;有邏輯回歸、支持向量機、k-最鄰近、決策樹和神經(jīng)網(wǎng)絡/深度學習等算法;利用mongo DB處理非結構化數(shù)據(jù),采用P ostgreSQL和MySQL處理結構化數(shù)據(jù)。
2.1.2國內(nèi)
國內(nèi)大型石油公司在大數(shù)據(jù)平臺建設方面也取得了一定進展。中國石油歷經(jīng)30余年的探索發(fā)展,推出了國內(nèi)油氣行業(yè)首個智能云平臺——勘探開發(fā)夢想云平臺[10]?;赑aaS云平臺和勘探湖技術,建立了通用的協(xié)同工作環(huán)境,實現(xiàn)了勘探開發(fā)經(jīng)營、管理、決策的一體化,大幅提高了協(xié)同工作效率和決策水平。目前,夢想云平臺的數(shù)據(jù)湖中包含了超過48萬口井、600個油氣藏和7000個地震工區(qū)的鉆井、生產(chǎn)數(shù)據(jù)。中國石油內(nèi)部應用夢想云平臺后,在線協(xié)同效率提高20百分點以上,研究工作效率提高20%以上,硬件成本節(jié)約50%以上。
中國石化正在逐步打造統(tǒng)一的、規(guī)范的、覆蓋公司內(nèi)各油田勘探開發(fā)業(yè)務的協(xié)同平臺——EPBP(Sinopec E&P business cooperation platform)。EPBP的核心是實現(xiàn)崗位業(yè)務信息化,由崗位工作人員在線填報本崗位的關鍵業(yè)務數(shù)據(jù),并由相關責任部門進行數(shù)據(jù)審核。填報的數(shù)據(jù)在該系統(tǒng)中統(tǒng)一匯總管理和應用。在數(shù)據(jù)模型方面,石油工程部分涵蓋了鉆井管理、錄井管理和測井管理3個一級專業(yè)目錄,包含119個數(shù)據(jù)表,基本上能夠滿足石油工程關鍵業(yè)務數(shù)據(jù)管理的要求。在數(shù)據(jù)錄入和管理方式方面,具有較為嚴謹?shù)臄?shù)據(jù)審核管理流程。但是,由于僅提供了網(wǎng)頁版的數(shù)據(jù)錄入工具,在少數(shù)網(wǎng)絡條件較差的井場,存在著因網(wǎng)絡不穩(wěn)定造成填寫數(shù)據(jù)丟失,需要反復錄入的問題。在數(shù)據(jù)共享與應用方面,該平臺具有便利的數(shù)據(jù)授權共享機制,且性能良好。
2.2.1 鉆井工程
1)鉆井設計優(yōu)化。道達爾公司提出一種基于大數(shù)據(jù)分析的工作流程,基于地質特征的啟發(fā)式定義,實現(xiàn)不確定性條件下復雜井況井位設計的優(yōu)化[11]。該方法首先利用搜索方法生成井眼軌跡,然后篩選和計算每個井眼軌跡的特征,不同的特征采用不同的模型表征,最后將聚類算法應用于井身結構參數(shù)特征矩陣,利用機器學習算法得到最優(yōu)特征參數(shù),并預測新井眼軌跡的最終累計產(chǎn)量。NOV公司建立了包含地質數(shù)據(jù)、巖石力學數(shù)據(jù)、鉆井數(shù)據(jù)及地理數(shù)據(jù)的鉆頭選型大數(shù)據(jù)庫,并利用ANN方法對數(shù)據(jù)進行訓練,形成了基于大數(shù)據(jù)技術的鉆頭優(yōu)化選型新方法[12];侯凱等人[13]利用聚類方法得到了測井數(shù)據(jù)和地層特性間的相似性關系,使用K-means模型評價了相似地層中鉆頭的使用效果,并采用k-最近鄰算法得到最優(yōu)的鉆頭選型方案。
2)機械鉆速預測。為了確定不同動態(tài)鉆井特征參數(shù)相互作用的影響程度,提高機械鉆速預測的準確性,德州農(nóng)工大學提出一種基于大數(shù)據(jù)和機器學習的鉆速預測方法[14]。該方法首先建立了包括層間厚度、鉆井液密度、鉆壓和轉速等參數(shù)的鉆速特征集合,通過繪制不同特征參數(shù)隨時間的變化曲線直觀地檢查是否有特定參數(shù)控制響應;然后利用主成分分析法對特征數(shù)量進行降維,以此來提高模型的預測精度和計算簡便度;最后通過特征分析推導出每個特征屬性的相對權重和貢獻。此外,采用確定系數(shù)R2和均方誤差度量不同預測模型的預測精度,發(fā)現(xiàn)采用隨機森林模型預測的鉆速與實際鉆速的誤差最小,預測效果最好。左迪一等人[15]利用大數(shù)據(jù)分析方法分析了塔里木油田克深區(qū)塊鉆井的提速技術:利用相關系數(shù)法分析了影響機械鉆速的主控因素;采用隨機森林和梯度提升樹方法建立了針對不同類型井特點的機械鉆速預測模型,并通過局部依賴分析獲得最優(yōu)鉆井參數(shù)。中國石油集團長慶鉆井公司將各區(qū)塊的地層地質信息進行整合,將神經(jīng)網(wǎng)絡技術與專家頭腦風暴相結合構建出機械鉆速預測模型,并采用歷史數(shù)據(jù)進行了有效測試[16]。
3)地層巖性預測。鉆井過程要鉆遇不同巖性的地層,實時了解鉆頭周圍巖石的物理、力學性質,對于提高鉆井效率、控制井眼軌跡具有重要作用。俄克拉荷馬大學以鉆頭與鉆柱性能大數(shù)據(jù)為基礎,采用機器學習算法建立了隨鉆預測鉆頭周圍巖性的方法[17]:首先建立油田現(xiàn)場的公共大數(shù)據(jù)集,并分析測井數(shù)據(jù)的主成分,用不相關成分代替相關變量;再利用k-均值、層次聚類和自組織映射神經(jīng)網(wǎng)絡等3種聚類方法對巖性變化進行分離,通過觀察3個巖性群的測井數(shù)據(jù)和巖心特征來確定巖性群的巖石物理意義;最后采用隨機森林、神經(jīng)網(wǎng)絡和梯度增強等分類技術預測不同巖性群的巖性。該方法在Volve油田現(xiàn)場進行了測試,巖性預測準確率達到了75%。
4)鉆井風險預測。李維校等人[18]采用支持向量機方法,對鉆壓、轉速、鉆速、扭矩、泵壓和排量等參數(shù)進行實時監(jiān)測和分析,建立了考慮鉆井過程狀態(tài)的鉆井風險識別模型;BP公司建立了鉆井過程中的套管卡管預測模型,通過分析過去發(fā)生的與靜摩擦事件相關的230個屬性特征,以近實時狀態(tài)預測可能發(fā)生的靜摩擦事件,幫助司鉆提前校正管柱下入方法。CGG公司將大數(shù)據(jù)分析技術應用于英國大陸架復雜井段鉆井中,采用趨勢分析和相關性分析方法識別鉆井風險,優(yōu)化鉆井參數(shù)[19]。在Terada Aster平臺構建了包含約350口井的鉆井參數(shù)、測井資料、地質和井位數(shù)據(jù)的數(shù)據(jù)庫,建立了鉆井參數(shù)(鉆壓、機械鉆速、扭矩等)與井筒條件之間的聯(lián)系。通過單井、地層、地層地理位置以及任何組合形式,可以將影響鉆井質量的鉆井參數(shù)顯示出來。通過分析不同鉆井參數(shù)關系曲線上的異常點來識別鉆井過程中的異常情況,并提前采取預防措施。沙特阿美公司開發(fā)了大數(shù)據(jù)井涌監(jiān)測自動化系統(tǒng)[20],該系統(tǒng)采集壓力、流量、懸重、泵速和鉆壓等參數(shù)后,將每個參數(shù)組標注“有井涌”或“無井涌”(見圖4),并采用決策樹、k-最近鄰和人工神經(jīng)網(wǎng)絡等5種模型對樣本進行學習,最后針對每個參數(shù)組進行井涌預測。結果表明,最理想的模型是決策樹和k-最近鄰,精度達到90%。k-最近鄰比決策樹模型更精確,但計算時間長。
圖4 用于井涌監(jiān)測的人工神經(jīng)網(wǎng)絡模型Fig.4 The artificial neural network m odel for kick monitoring
2.2.2 儲層壓裂
低油價背景下,利用大數(shù)據(jù)分析技術優(yōu)化水力壓裂參數(shù)、設計水力壓裂方案,是獲得最大水力壓裂價值、降本增效的有效手段。斯倫貝謝公司提出利用云進行裂縫和儲層并行模擬,結合大數(shù)據(jù)分析和人工智能算法建立代理模型,以實現(xiàn)快速、有效的壓裂設計[21]。建立代理模型的過程主要包括數(shù)據(jù)創(chuàng)建和數(shù)據(jù)分析2部分(見圖5)。首先建立目標區(qū)域的靜態(tài)地球數(shù)值模型,通過調(diào)整儲層滲透率、相對滲透率和裂縫滲透率,使模型的計算結果與歷史產(chǎn)能擬合;然后利用標準抽樣方法對參數(shù)空間內(nèi)的敏感參數(shù)(井距、壓裂段數(shù)、簇數(shù)等)進行隨機抽樣,通過對多個參數(shù)排列組合,得到多個參數(shù)的影響;最后利用隨機森林、梯度提升、線性回歸和決策樹等預測分析技術尋找輸入數(shù)據(jù)與輸出數(shù)據(jù)之間最好的擬合關系,建立代理模型,并利用鉆井完井過程中獲得的新數(shù)據(jù)對代理模型進行訓練,以提高模型的準確性。
圖5 代理模型建立流程Fig.5 The flow chart of establishing an agent model
2.2.3 油氣開發(fā)
1)采收率預測。美國奧斯汀大學與中國石化石油工程技術研究院聯(lián)合研究了一種基于大數(shù)據(jù)挖掘和數(shù)學回歸算法的頁巖油氣藏的最終采收率(簡稱EUR)預測新方法[22]。該方法首先利用敏感性測試方法選取與巖性和工程參數(shù)相關的主控影響因素,然后利用非線性回歸和多元線性回歸方法評估EUR與工程和生產(chǎn)參數(shù)的相關性,再在原有模型的基礎上加入巖性參數(shù)因子,最后利用優(yōu)化后的數(shù)據(jù)模型測算頁巖油氣藏的最終采收率。A.W ilson建立了基于無因次數(shù)和大數(shù)據(jù)挖掘技術的油田采收率預測方法,并將其應用于墨西哥灣油田[23]。該方法主要包含以下步驟:首先收集包括地質參數(shù)、儲量及產(chǎn)量參數(shù)、油層物理參數(shù)、壓力、體積和溫度等84種油田屬性參數(shù);然后利用無因次數(shù)完成油田數(shù)據(jù)集的聚類和降維;再利用無因次數(shù)分析流體流動驅動力的相對重要性;最后利用偏最小二乘回歸法提取潛在的因數(shù),實現(xiàn)數(shù)據(jù)降維,將油田聚類并計算采收率。
2)產(chǎn)量分配。Devon公司綜合大數(shù)據(jù)分析方法、地理信息系統(tǒng)和IT技術,研發(fā)了適用于北美非常規(guī)頁巖油氣區(qū)塊的簡易產(chǎn)量分配平臺[24]。該平臺根據(jù)復雜的頁巖油氣井生產(chǎn)歷史數(shù)據(jù),快速計算和評估各產(chǎn)區(qū)中各區(qū)域的油氣生產(chǎn)情況,甚至可以精確計算出單井各層射孔段的產(chǎn)量分配。該平臺的地理信息系統(tǒng)自帶的制圖工具可提供產(chǎn)能分配圖,用戶可以直接在地圖上做出選擇并使之數(shù)據(jù)化。該平臺應用于試驗井Parkins22-20N-13W井的Chester目標產(chǎn)層,5m in內(nèi)生成以目標井為中心、半徑19.2 km區(qū)域油氣累計產(chǎn)量分布圖,評估顯示該井周圍1.6 km區(qū)域內(nèi)已生產(chǎn)約13.8×103m3當量油氣,已產(chǎn)油氣量較高,說明該區(qū)域內(nèi)Chester層的枯竭風險較高,可據(jù)此指導布井。
3)生產(chǎn)設備性能優(yōu)化。殼牌公司利用大數(shù)據(jù)技術分析了大量的歷史生產(chǎn)數(shù)據(jù)、自動化監(jiān)測數(shù)據(jù)、故障維修日志和測試數(shù)據(jù)等,建立了電潛泵故障預測模型,與采油專家經(jīng)驗結合,對預測模型進行實時修正,識別并去除因傳感器等故障導致的偽劣數(shù)據(jù),進一步提高了預測精度(超過80%),大大減少了故障停機次數(shù)。挪威國家石油公司將大數(shù)據(jù)分析技術應用于設備維護作業(yè)系統(tǒng),基于實時采集的設備運行數(shù)據(jù),利用智能算法計算了設備的最佳維修保養(yǎng)周期,優(yōu)化了維修保養(yǎng)停機的計劃,達到了設備維修保養(yǎng)周期最大化的目的。此外,基于歷史數(shù)據(jù)建立了設備的失效模型,并優(yōu)化了設備檢測策略和方案,利用大數(shù)據(jù)技術實時監(jiān)測設備運轉,一旦設備運行達到方案預設的條件,系統(tǒng)將預警并給出維修保養(yǎng)建議,從而避免了設備嚴重故障造成的停機大修事故。
目前,國內(nèi)外能源公司在油氣勘探、開發(fā)業(yè)務中嘗試使用大數(shù)據(jù)分析技術,并取得了良好的實施效果,主要具備以下特征:1)國際大型石油公司正在或基本已建成大數(shù)據(jù)分析平臺。通過建立大數(shù)據(jù)分析平臺,將人、過程和技術聯(lián)系起來,以實現(xiàn)價值的最大化;2)小場景產(chǎn)生大價值。針對鉆井、壓裂、生產(chǎn)中具體的應用場景,以解決具體業(yè)務問題為目標,通過大數(shù)據(jù)發(fā)現(xiàn)各相關因素的變化情況并預測其變化帶來的結果,提高業(yè)務預見性,實現(xiàn)業(yè)務的自動優(yōu)化;3)云化趨勢降低技術使用門檻,與互聯(lián)網(wǎng)公司跨界聯(lián)姻趨勢明顯。各大能源公司均與數(shù)字巨頭公司合作構建云上數(shù)據(jù)平臺,向云化解決方案的演進使石油公司能夠更專注于數(shù)據(jù)和業(yè)務邏輯,不需要維護底層的硬件和網(wǎng)絡;4)引入了智能算法。通過引入機器學習和深度學習等智能算法,進一步提高了大數(shù)據(jù)分析的準確性和實時性。
利用大數(shù)據(jù)技術優(yōu)化石油工程作業(yè)流程、實現(xiàn)降本增效目的已成為各大石油公司的廣泛共識。在大數(shù)據(jù)技術應用日益廣泛和深入的趨勢下,石油行業(yè)應借助互聯(lián)網(wǎng)、電子商務等行業(yè)的大數(shù)據(jù)應用經(jīng)驗,明確各領域的應用需求,積極推動大數(shù)據(jù)技術的推廣應用。具體建議如下:
1)建立統(tǒng)一的石油工程大數(shù)據(jù)平臺,實現(xiàn)數(shù)據(jù)互通、信息分享。數(shù)據(jù)是石油公司智能化轉型的基礎,建立統(tǒng)一的大數(shù)據(jù)平臺需要油田分公司、油田服務公司和科研機構的共同參與,只有加強石油工程各環(huán)節(jié)的數(shù)據(jù)共享,打破數(shù)據(jù)孤立分散、相互隔絕的局面,通過共享不同專業(yè)和部門之間的信息數(shù)據(jù),規(guī)范數(shù)據(jù)的采集、傳輸、存儲、轉換、集成和應用,提升數(shù)據(jù)的一致性和可靠性,才可能實現(xiàn)一體化的數(shù)據(jù)融合。
2)緊密聯(lián)合數(shù)字化巨頭,自主創(chuàng)新與合作研發(fā)并重。與互聯(lián)網(wǎng)、電子商務等行業(yè)相比,石油行業(yè)在信息通信技術方面的技術積累和人才積累明顯薄弱,通過自主創(chuàng)新獲得大數(shù)據(jù)技術成功將是一個非常漫長的過程。加強與數(shù)字化巨頭公司的合作,探索以石油公司為主體,與阿里巴巴、華為等國內(nèi)頂尖信息企業(yè)、高等院校聯(lián)合籌建石油工程大數(shù)據(jù)技術重點實驗室,提供專項資金支撐石油工程大數(shù)據(jù)技術的研發(fā)。
3)完善大數(shù)據(jù)管理機制和技術標準。建立針對石油工程的大數(shù)據(jù)標準體系,推進油田現(xiàn)場數(shù)據(jù)采集、指標口徑、交換接口、訪問接口、數(shù)據(jù)質量和數(shù)據(jù)交換等關鍵標準的制定和實施。推進數(shù)據(jù)管控制度建設,明確業(yè)務職能責任部門、專業(yè)分公司石油工程數(shù)據(jù)管理及共享的義務和權利,形成石油工程大數(shù)據(jù)治理長效機制。
4)強化基礎技術、前瞻技術研究。針對傳統(tǒng)的大數(shù)據(jù)優(yōu)化算法在處理高維石油工程大數(shù)據(jù)時性能急劇下降的問題,結合石油工程大數(shù)據(jù)特點,強化機器學習、深度學習等智能算法的基礎研究,開展鉆井井筒數(shù)字孿生系統(tǒng)、鉆完井機器人、井場虛擬現(xiàn)實/增強現(xiàn)實和認知計算等前瞻技術的研究,以提高石油工程大數(shù)據(jù)分析的速度和準確度,為下一代石油工程智能化的發(fā)展奠定技術基礎。
5)堅持“以點帶面”和“先易后難”原則,逐步構建石油工程大數(shù)據(jù)生態(tài)系統(tǒng)。研究石油工程大數(shù)據(jù)技術發(fā)展戰(zhàn)略,制定石油工程與大數(shù)據(jù)技術融合發(fā)展的技術路線,先針對容易實現(xiàn)的具體應用場景部署實施相關項目,再集成各單項技術形成石油工程人工智能生態(tài)系統(tǒng)。建議近期重點攻關鉆井參數(shù)優(yōu)化、鉆井風險預警、油藏智能導向鉆井、完井參數(shù)優(yōu)化和地質工程一體化等單項技術。
海量數(shù)據(jù)是石油工程多學科交叉融合一體化的基礎,從海量數(shù)據(jù)中快速分析、挖掘得到有價值信息的核心就是大數(shù)據(jù)技術。大數(shù)據(jù)技術的進步為石油工程的信息化、智能化發(fā)展提供了新的機遇,建立統(tǒng)一的、一體化的大數(shù)據(jù)平臺,結合石油工程專業(yè)的特點,借助機器學習、深度學習等人工智能算法,形成石油工程領域大數(shù)據(jù)生態(tài)系統(tǒng),對于優(yōu)化工程作業(yè)參數(shù)、提高作業(yè)效率和降低作業(yè)成本具有重要意義。
致謝:論文撰寫過程中,孫旭東專家給予了幫助和指導,李丹丹、廖璐璐、陳曾偉等同事幫助完成了資料的收集工作,在此表示感謝!