*引言：*2020年8月8日，數字油氣行業專家孫旭東博士在美林數據2020數字智能線上論壇發表了《智能平臺：數字油田的智能化技術應用與實踐(智能鉆井案例)》的主題演講，從智能油田、智能場景、智能平臺三個方面詳盡的闡述了數字化油田的建設思考與實踐。孫旭東博士主題演講中對數字油田建設深刻的見解獲得了線上線下觀眾的一致好評，以下正文根據其演講主要內容整理而成。
油田勘探開發的數字化轉型中，智能化技術已經開始廣泛的應用。在可以看到的將來，智能化技術將成為數字化轉型最為核心的技術，也是智能油田建設的關鍵所在。在建設智能油田的過程中，很多專家都談論到了智能油田中智能指什么？智能油田的理論框架以及架構體系有哪些？但對于具體的業務研究人員來說，如何讓人工智能以及大數據技術在智能油田領域落腳，最終成規模地應用，才是最值得關注的地方。

智能油田：勘探開發數字化技術現狀

油田勘探開發行業經過數十年的技術發展，已經形成了精細的行業分工與高度的專業化要求，在理論、學術、行業應用方面都極其復雜。油氣開發已經成為當今世界最為復雜龐大的工業體系之一，僅最為常規的油氣勘探開發工作就需要經歷項目評估、勘探規劃、地質研究、探勘部署、石油工程、圈閉儲量管理、油氣藏評價、開發方案設計、產能建設、生產監測與優化等一系列環節。

目前，在整個油氣勘探開發領域的軟件工具方面，在國際上已經有了一套全領域的解決方案體系，相應的產品鏈涵蓋全業務數據與知識的應用軟件，完成了地震、地質、油藏、工程等一體化的應用閉環。以斯倫貝謝、哈里伯頓、貝克休斯為代表的石油行業解決方案提供商已經形成了從底層的數據模型到專業應用軟件，再到全業務應用閉環的一整套完整的全產業鏈軟件開發模型。實現了統一的行業數據模型與知識模型，統一的行業應用軟件集成，統一的覆蓋全業務生態的業務協同。行業的生態化環境正在逐步形成。
但截至目前，我國在國際上的成熟的油氣勘探開發商業軟件上仍然幾乎為零。

除了在行業應用軟件，在數據建設方面國內目前也面臨著同樣的問題。
全球范圍內油田數字化、信息化建設歷史遠超20年，正從原有的地質模型和數學模型向著大數據、人工智能、知識管理和云協作方向演化，自動化與智能化成為了重要特征。在數據建設方面，石油行業在國際上也擁有一套完整的數據標準生態系統，例如RPDS、PPDM、POSC等很多底層數據模型已經對油田整體過程中各種數據進行了非常完整的定義。

但我國在對油田內部很多數據的定義系統還很不完善，在地理模型及數學模型方面仍是一片空白，數據的標準以及定義很大程度上依靠其他國家的專業軟件。缺少對核心標準的掌握和理解導致我國在利用大數據以及人工智能建設數字油田時難以進行更加深入的應用。
雖然每年國內大數據與人工智能技術在油田的各個領域也都有大量的研究與應用，但建設效果始終無法達到預期。很大一部分原因就在于國內專業數據管理與專業軟件建設的不足，導致在數據、應用、整體架構、業務體系沒有形成一套完善統一的體系，最終讓國內石油行業的人工智能技術應用落后于歐美等國。
大數據與人工智能技術普及化，人工智能的行業應用迎來黃金期。但我們在油田勘探開發核心技術上的落后，以及產業與技術缺乏深度融合，都嚴重制約了智能化技術的發展。需要我們要盡快彌補我們的“短板”,加快完善我國在油氣開發數字化領域的核心技術和產品，以及共同打造職業化團隊和專業化的隊伍，實現油田開發隊伍與人工智能隊伍的融合發展。

智能場景：智能化落地與實踐方法

智能場景是智能應用的業務場景，是基于產業架構下的關鍵點和智能點，是數字化轉型的核心與基礎。
以智能鉆井為例，鉆井過程中最大的需求是降本提效，而其中最為關鍵的是提升鉆速（ROP）。影響鉆速的因素包括：地層地質與巖性因素、鉆井的鉆頭因素、井筒的管具組合與動力裝置、鉆井液的配置、井口的工程施工參數等。鉆井過程中，需要考慮不同地層、鉆頭、管具和鉆井液、井口動力系統等多個因素影響，明確鉆速與不同參數之間的關聯關系。

以往專家會通過后臺調取井口采集到的數據（包含泵壓、泵沖、扭矩等五十多個參數），根據多年經驗進行判斷以達到幫組地下鉆進規避風險的目的。
這種根據個人經驗構建公式的傳統方式，不僅需要花費大量時間在調整參數適配模型的過程中，而且多數情況下，耗費大量時間調整參數適配模型的公式一旦到了新環境時常無法適用，需要重新進行調參。
大數據、人工智能技術的出現很好的解決了這樣的問題。鉆井場景會產生大量的數據，基于業務流程構建綜合了井口實時采集數據（秒數據）、鉆頭鉆具數據、鉆井液數據及地層數據的一個大數據體，而后通過機器學習算法分析這些數據要素與最終鉆速之間的關系，從而獲得最有鉆速的預測。最后，根據鉆速預測模型，再反向提出鉆井參數優化的選項和量化數值。通過人工智能尋找參數之間的潛在關聯關系，基于不可變因素，通過調整可變因素在保證安全的前提下加快地下鉆井速度，從而減少鉆井高昂的時間成本，效率更高的同時也能快速適用于不同環境。
通過以智能鉆井的應用為例可以看到，人工智能技術在應用過程中，首先需要從不同數據源獲得各種樣本數據，將樣本數據中的異常和問題統一處理，進而融合形成訓練樣本。基于訓練樣本，從業務角度進行數據的業務分類（可能是不同施工井段，不同地層與巖性或者不同的鉆具組合），進而基于特定的業務分類設計能夠體現關聯關系的特征工程，這些特征可能用到專業算法與經驗公式。最后，通過選擇和掛接不同的智能算法進行訓練，形成算法模型，然后實現模型的服務化發布，最后通過實時的數據進行鉆速預測和隨鉆過程中的鉆井參數優化。

然而人工智能技術應用的過程不是一蹴而就的，每一步都需要很多工作進行鋪墊。
首先，通過從業務場景中構建智能模型代替經驗模型，用更簡單的設計、更快地訓練，大幅降低模型研究工作量來解決傳統經驗模型設計創建難度的問題。
其次，以智能模型為核心，構建智能場景中完整的模型應用的流程，封裝復雜算法，暴露必要的參數接口，解決模型設計與創建復雜的問題并降低使用難度。
最后，通過智能平臺的方式固化場景設計的模式，形成行業/產業化的解決方案來減少構造場景花費時長并完成智能場景設計創建自動化。

智能平臺：數字油田智能轉型與升級

有了智能模型和智能場景，就需要智能平臺對場景流程進行管理，實現數據、處理、算法、場景流程等所有要素的復用。通過TempoAI智能平臺，以往需要半個月的工作量，可以在兩小時內快速建立完整的“鉆井參數優化場景”的流程（模型）。

（1）數據獲取
石油工程數據包括鉆完井設計與隨鉆數據、測錄井數據、測試完井數據，數據采集頻度從秒數據米數據為計量的自動化數據、到以小時和工作日為計量單位的人工數據。通過數據庫或數據文件導入鉆井實時秒數據、鉆井液實時數據，以此作為預測模型的數據樣本。

（2）針對鉆井井場實時數據的預處理
鉆井井場的實時數據一般以秒為單位，間隔3~5秒采集并傳輸一次。由于采集設備和傳輸條件的約束，會出現數據質量問題，以及數據多且混雜的現狀。因此，針對數據的處理工作非常龐大，一般包括：數據的字段篩選、數據錄篩選、數據異常值的處理、數據噪點處理與平滑處理、基于數據業務邏輯篩選（離散數據篩除與非業務相關數據篩除等）等各種數據處理方法。

（3）數據融合
將來源于不同數據源的各類數據按照一定規則插值融合，構成一個用于訓練的樣本集合，稱為數據融合。將鉆井井場實時數據與鉆井液數據融合稱為一個大的樣本集。如果有其他關于管具、鉆頭、地層、巖性等相關影響因素，也需要將這些數據樣本導入進來，按照時間或者深度，進行融合計算，形成大樣本集，這樣的樣本集最終預測的結果可能會更加的準確（但對于預測模型的數據要求也更高）。

（4）特征工程
由于機器學習需要人為選擇特征，因為基于業務邏輯特點而設計特征項是非常重要的工作。基于SPE較多論文研究，在ROP預測中，包括MSE在內的多種專業化復合參數對于鉆速預測具有極大的關聯性，因此，運用傳統的業務經驗和公式計算這些特征項是一個重要步驟。由于較為復雜的邏輯難以使用模式化的定制工具完成，因此，TempoAI提供了代碼嵌入功能，通過Python或R語言等實現算法功能的擴展。

（5）數據標定
樣本集的自變量與因變量設定，并選擇算法。一個用于預測的樣本集，需要指定的訓練數據和預測結果數據。在設定數據角色后，再選擇合適的算法用于訓練。

（6）模型訓練和模型輸出
經過樣本數據訓練后形成了一個模型，這個模型就是智能學習的結果，將這個模型存儲，可以在后期應用新的數據進行預測和分析。例如，決策樹模型訓練完成后，形成一個帶有參數的樹模型，這個樹模型可以針對新數據進行預測。此時，一個完整的流程構建完成了。可以在智能建模工具中完成定制，也可以使用編碼實現。

（7）應用模型進行預測的應用過程
在訓練模型完成后，就是一個針對模型使用的過程。同樣，真實的數據獲取之后，同樣經過處理、融合和特征構建，形成與模型相匹配的數據項，這個數據經過模型的計算，會獲得預期的計算值（分類，回歸等）。最后，便是一個將智能模型進行服務化發布的過程。

總結

安永全球及美洲人工智能顧問Keith Strier認為公司應該從整體上考慮技術問題，“價值是通過將數字技術結合在一起來解決特定的業務問題來實現的，這實際上是一種全方位技術的整合。”安永加拿大國家油氣戰略負責人Lance Mortlock對此表示贊同：“問題不在于使用哪種技術，而在于技術如何支持實現業務流程和人員能力。”
智能化技術不是獨立的技術，而是與傳統產業的邏輯，以及數據技術、IT技術相關的。因此在數字油田領域，人工智能技術應該與傳統業務緊密結合。未來，人工智能技術應該與油田產業的具體場景相融合，以具體問題為切入點，才能實現人工智能的真正落地，幫助油田實現真正的智能化。

總結

以上是生活随笔為你收集整理的以智能钻井为例，深度解析数字油田的智能化建设的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。