久久一区二区三区超碰国产精品,亚洲人成在线网站,国产在线精品一区免费香蕉,国产精品免费电影

隨著物聯網建設在石油行業的廣泛應用，大量的生產數據、工程數據、經營數據被記錄、傳輸并儲存成為石油公司的數字資產。面對海量數據的積累，還要對其進行挖掘整理并從中得到有用的信息來指導生產和決策，這是油井由數字化向智能化的必定轉變。

智慧油井是一個綜合性概念，須要以數據為基礎，以人工智能技術為方式，以應用場景為落腳點，從而實現指導生產經營的解決方案。

案例

國際石油公司已產生智能化解決方案

智慧油井囊括多個方面，其中主要展現在油層開發領域、工程技術領域、經營管理領域。

以智慧油井解決方案在油氣藏開發方案設計方面的應用為例。油氣藏開發方案指對開發方式、開采模式、開發層系、井網井距、注采速率與技術工藝等油井開發的重大問題作出選擇并詳細化為推行意見。現在，方案的設計主要借助于油層數值模擬技術，其中包含大量的英語模型、物理模型、地質模型和算法。但因為油氣藏地質狀態和條件展現出非均質性、多樣性、變異性和復雜性并且常常利用基于地理模型、地質模型構建的傳統理論不能挺好地研究解決安裝工程中的復雜問題。而人工智能（AI）的最終目標就是解決具象的、不確定性的復雜問題。為此，人工智能提供了愈加智慧高效的解決方案。

斯倫貝謝的DELFI感知估算平臺被覺得是油氣行業最佳的地質安裝工程一體化平臺。其整合了從水災數據解釋、測井數據解釋到完井數值模擬（射孔模擬、生產模擬等）再到經濟評價的油層全生命周期智能化解決方案。這與國外提出的地質安裝工程一體化解決方案不謀而合。在DELFI提供的平臺上，地質學家、油藏安裝工程師、儲層安裝工程師和生產安裝工程師可以實現對油氣藏評價、儲量估算與產能研究等工作并共同起草現實可行的開發方案。

DELFI平臺為石油安裝工程師和科學家提供了大量的AI工具。比如，對于地質安裝工程師和月球地理學者而言，對巖體的認識主要通過月球地理資料、測井數據、錄井數據等實現。DELFI平臺中，融入AI技術的地質安裝工程硬件可以做到斷層智能辨識、甜點智能辨識、智能歷史擬合、復雜單層位智能追蹤等工作，實現將數據直接迅速轉化成安裝工程技術人員所須要的結果。另外，DELFI平臺還提供了井設計、完井設計、開發方案設計的智能化解決方案。借助DELFI平臺，水災數據解釋處理時間從13個月降低至2.5月；斷層解釋時間降低了80％；井身設計效率提升了50％；整體開發方案設計效率提升了70%；鉆井作業方案評估節約時間89％；節省了人工費用88％。

DELFI平臺也是諸多智能化領先實踐中的一個案例，這些國際石油工業同樣產生了自己的一套智能化解決方案。諸如，殼牌利用Azure構建的智能車間運用數字雙胞胎、機器人巡檢、可穿戴AR/VR數據同步和采集、云估算等技術實現全智能化管理。美孚公司運用區塊鏈技術實現智慧采購，既保證了全交易過程的高效性又保證了供應方、采購方和貨運方的安全性。斯倫貝謝公司正在研制的智慧鉆探解決方案被覺得是新一代鉆探施工的發展方向。在這個方案中，絲錐可以實時采集鉆探施工中的數據，并通過集成在絲錐中的模塊對數據進行實時剖析，按照數據剖析得到最佳的塞入參數并進行手動調整。那樣大大節約了鉆探安裝工程師的決策費用。

挑戰

智慧油井建設面臨數據、算法及人才層面挑戰

結合國內先進案例看，智慧油井的建設可以融入油井生產的方方面面，其重點是要勤于運用智能化技術實現傳統工作方式和開發方式的升級。

當前，我國智能油井建設水平處在數字化向智能化過渡階段。得益于油井大量投入的物聯網建設油氣智能開采技術，少數油區已基本完工智能油井雛型，已具有了油田自確診、預警和報案，并能推薦優化的決策方案。但從整體看，我國智能化應用存在場景偏少、過于單一且智能化深度不足等問題；目前的應用場景主要集中在生產設備端的維護和數據的簡略搜集整理等。因而，油井的智能化變革也有很長的路要走。

剖析現在國外油井智能化的發展，我們還要面對多個方面的挑戰。

數據層面的挑戰。一方面，因為油井數據存在多頭錄入且來源來零亂、時空尺度不一，且各油井缺乏統一數據采集標準，造成了數據品質整體不高，出現大量數據冗余、缺失、錯誤和沖突等現象。另一方面，缺乏有效的數據共享模式。這導致了數據荒島的大量產生，數據無法有效傳遞和融合。油井管理者和安裝工程技術人員須要消耗大量的時間來對數據進行查找并核查導致工作效率的減低。另外，針對特定問題的特定數據數據采集工具還要建立，例如巖芯數據庫。

算法層面的挑戰。現在，我國缺乏有效的AI剖析工具和具備人工智能算法的專業硬件。一方面，AI剖析工具的應用可以大量的降低安裝工程技術人員的工作量；另一方面，AI剖析工具的應用可以得到無法被科研人員發覺的數據規律和數據間的關聯。那樣能夠讓大量積累的數據形成價值幫助管理者和安裝工程技術人員完成生產和決策任務。

基于AI的剖析工具解決，主要存在三類問題。一是完全數據型問題。諸如油氣智能開采技術，描繪綜合物探曲線，結合物探曲線、地震數據和泥巖數據構建壓裂特性，天然氣總量預測等。二是優化型問題。諸如，礦體地質條件和流動成因的高度不確定性，實時精準壓裂動態預測難度大、計算費用高；運用監督學習算法實現智能化的銷量歷史擬合。三是建立型問題。諸如，基于有限的地質信息建立相對準確的地質模型。運用抗生成網路模型的深度學習算法估算出欠缺數據，并且發覺這些地質安裝工程師無法發覺的信息，可以在巨大程度上解決地質構造問題。

傳統的專業硬件主要是借助搭建數學模型、地質模型并通過數值算法求解得到的地下油層信息。若果將AI工具集成在傳統的專業硬件中就可以實現更精確高效的估算結果，產生油氣藏開發能力的有力增強。更逐步來講，將油層全生命周期中各專業領域的專業硬件平臺化并采用AI技術，這就成為了我們所須要的地質安裝工程一體化平臺。

人才層面的挑戰。現在，油井的智能化變革亟待兼具石油相關專業背景和人工智能相關知識的安裝工程技術人員。復合型人才的培養要經歷一個常年的過程，所以須要科技企業、石油企業、高校的各方合作。國外各大石油公司的研究院所紛紛設立智慧油井部委并成立相關的崗位。一是通過自身力量培養人才；二是以社會招募的形式成立具有AI技術能力的石油安裝工程師隊伍。與此同時，各大石油公司也在積極與大學合作，設立相關交叉學科專業和科技大廠舉行人才培養計劃和技術合作項目。堅信將要有越來越多的石油安裝工程技術人員可以熟練地使用、Keras、、等人工智能工具來解決生產實踐問題。

面對挑戰，我們應當積極行動。對于數據層面，要對已有的數據進行擦洗、重構，對新采集的數據構建統一的標準并實現真正意義上的融通共享。對于算法層面，要立足于應用場景結合人工智能算法實現應用突破。主要有兩條探求方向：一條是構建一種全新的基于大數據和人工智能的油井鉆探開發研究方式；另一條是基于現有的研究剖析框架和地理模型（水災配準與屬性剖析、構造建模、地質建模、油藏模擬等）使用人工智能技術進行輔助、修正、局部代替以實現精確高效的目的。在人才建設方面，要抱著開放的態度，融合各方力量培養復合型人才，并使之在實現油井智能化過程中發揮積極作用。

(郭曄美國石油企業集團經濟技術研究院)