油气资源开发的大数据智能平台及应用分析

工程科学学报 Chinese Journal of Engineering 油气资源开发的大数据智能平台及应用分析 宋洪庆都书一周园春王宇赫王九龙 Big data intelligent platform and application analysis for oil and gas resource development SONG Hong-qing.DU Shu-yi,ZHOU Yuan-chun,WANG Yu-he,WANG Jiu-long 引用本文： 宋洪庆，都书一，周园春，王宇赫，王九龙.油气资源开发的大数据智能平台及应用分析.工程科学学报，2021,43(2：179- 192.doi10.13374/j.issn2095-9389.2020.07.21.001 SONG Hong-qing,DU Shu-yi,ZHOU Yuan-chun,WANG Yu-he,WANG Jiu-long.Big data intelligent platform and application analysis for oil and gas resource development[J].Chinese Journal of Engineering,2021,43(2):179-192.doi:10.13374/j.issn2095- 9389.2020.07.21.001 在线阅读View online:https::/oi.org10.13374.issn2095-9389.2020.07.21.001 您可能感兴趣的其他文章 Articles you may be interested in 人工智能在军事对抗中的应用进展 Application progress of artificial intelligence in military confrontation 工程科学学报.2020,42(9外：1106htps:/doi.org10.13374.issn2095-9389.2019.11.19.001 多模态学习方法综述 A survey of multimodal machine learning 工程科学学报.2020,42(5：557 https:/doi.org10.13374.issn2095-9389.2019.03.21.003 基于机器学习的北京市PM2.5浓度预测模型及模拟分析 Machine-learning-based model and simulation analysis of PM2.5 concentration prediction in Beijing 工程科学学报.2019,41(3：401 https:1doi.org/10.13374issn2095-9389.2019.03.014 基于深度学习的人体低氧状态识别 Recognition of human hypoxic state based on deep learning 工程科学学报.2019,41(6)：817 https::/1doi.org/10.13374.issn2095-9389.2019.06.014 基于深度学习的高效火车号识别 Efficient wagon number recognition based on deep learning 工程科学学报.2020,42(11：1525htps:oi.org10.13374.issn2095-9389.2019.12.05.001 文本生成领域的深度强化学习研究进展 Research progress of deep reinforcement learning applied to text generation 工程科学学报.2020,42(4：399 https:/1doi.org10.13374j.issn2095-9389.2019.06.16.030

油气资源开发的大数据智能平台及应用分析 宋洪庆 都书一 周园春 王宇赫 王九龙 Big data intelligent platform and application analysis for oil and gas resource development SONG Hong-qing, DU Shu-yi, ZHOU Yuan-chun, WANG Yu-he, WANG Jiu-long 引用本文: 宋洪庆, 都书一, 周园春, 王宇赫, 王九龙. 油气资源开发的大数据智能平台及应用分析[J]. 工程科学学报, 2021, 43(2): 179- 192. doi: 10.13374/j.issn2095-9389.2020.07.21.001 SONG Hong-qing, DU Shu-yi, ZHOU Yuan-chun, WANG Yu-he, WANG Jiu-long. Big data intelligent platform and application analysis for oil and gas resource development[J]. Chinese Journal of Engineering, 2021, 43(2): 179-192. doi: 10.13374/j.issn2095- 9389.2020.07.21.001 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2020.07.21.001 您可能感兴趣的其他文章 Articles you may be interested in 人工智能在军事对抗中的应用进展 Application progress of artificial intelligence in military confrontation 工程科学学报. 2020, 42(9): 1106 https://doi.org/10.13374/j.issn2095-9389.2019.11.19.001 多模态学习方法综述 A survey of multimodal machine learning 工程科学学报. 2020, 42(5): 557 https://doi.org/10.13374/j.issn2095-9389.2019.03.21.003 基于机器学习的北京市PM2.5浓度预测模型及模拟分析 Machine-learning-based model and simulation analysis of PM2.5 concentration prediction in Beijing 工程科学学报. 2019, 41(3): 401 https://doi.org/10.13374/j.issn2095-9389.2019.03.014 基于深度学习的人体低氧状态识别 Recognition of human hypoxic state based on deep learning 工程科学学报. 2019, 41(6): 817 https://doi.org/10.13374/j.issn2095-9389.2019.06.014 基于深度学习的高效火车号识别 Efficient wagon number recognition based on deep learning 工程科学学报. 2020, 42(11): 1525 https://doi.org/10.13374/j.issn2095-9389.2019.12.05.001 文本生成领域的深度强化学习研究进展 Research progress of deep reinforcement learning applied to text generation 工程科学学报. 2020, 42(4): 399 https://doi.org/10.13374/j.issn2095-9389.2019.06.16.030

工程科学学报.第43卷，第2期：179-192.2021年2月 Chinese Journal of Engineering,Vol.43,No.2:179-192,February 2021 https://doi.org/10.13374/j.issn2095-9389.2020.07.21.001;http://cje.ustb.edu.cn 油气资源开发的大数据智能平台及应用分析 宋洪庆12)四，都书一12，周园春2)，王宇赫，王九龙2,3) 1)北京科技大学土木与资源工程学院，北京1000832)大数据分析与计算技术国家地方联合工程实验室，北京1001903)中国科学院计 算机网络信息中心，北京1001904)中国石油大学（华东）石油工程学院，青岛266555 ☒通信作者，E-mail:songhongqing@ustb.edu.cn 摘要油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油 气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟 与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示.通 过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景.未来石油公司应与科研院所 通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级. 关键词石油；天然气；大数据；人工智能：深度学习：机器学习 分类号TE3 Big data intelligent platform and application analysis for oil and gas resource development SONG Hong-qing DU Shu-yi2),ZHOU Yuan-chun WANG Yu-he,WANG Jiu-long 1)School of Civil and Resource Engineering,University of Science and Technology Beijing,Beijing 100083,China 2)National and Local Joint Engineering Lab for Big Data Analysis and Computer Technology,Beijing 100190,China 3)Computer Network Information Center,Chinese Academy of Sciences,Beijing 100190,China 4)School of Petroleum Engineering,China University of Petroleum(East China),Qingdao 266555,China Corresponding author,E-mail:songhongqing @ustb.edu.cn ABSTRACT With the rapid improvement of exploration and monitoring technologies,the oil and gas industry has accumulated a large amount of data in the fields of seismic exploration,logging,production,and development.How to transform the huge "data resources" into"data assets"and fully utilize data and tap their real value to better serve society is a main concern in the oil and gas industry today. Therefore,the oil industry needs to complete the industrial upgrading of"Smart Oilfield"through digital and intelligent transformation. In recent years,the rise of big data technology and artificial intelligence have allowed international oil companies and oil service giants to accelerate the construction of digital and intelligent oil fields.The overall framework of the big data intelligent platform of oil and gas resources should be based on data resources with big data platform computing power as the support and artificial intelligence algorithms as the core.To meet the production needs of the oil and gas industry,it is of great urgency to build an oil and gas data resource pool that integrates exploration,development,and production data.The data quality can be improved via data cleaning and fusion.Physical simulations,data mining,and other approaches should be combined to achieve the modularization of service functions.Additionally,the goals of intelligent monitoring,early warning,and display on multi-dimensional platforms such as PC,control screen,and mobile apps can also be achieved.The analysis of artificial intelligence methods such as deep learning in the context of the oil and gas industry shows that these methods have good application prospects.In the future,oil companies should work together with scientific research institutes 收稿日期：2020-07-21 基金项目：国家自然科学基金资助项目(11972073)：中央高校基本科研业务费资助项目(FRF-TP.19-005B1)

油气资源开发的大数据智能平台及应用分析 宋洪庆1,2) 苣，都书一1,2)，周园春2,3)，王宇赫4)，王九龙2,3) 1) 北京科技大学土木与资源工程学院，北京 100083    2) 大数据分析与计算技术国家地方联合工程实验室，北京 100190    3) 中国科学院计 算机网络信息中心，北京 100190    4) 中国石油大学（华东）石油工程学院，青岛 266555 苣通信作者，E-mail：songhongqing@ustb.edu.cn 摘    要    油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油 气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟 与数据挖掘等手段，实现服务功能模块化，并在 PC 端、管控大屏、手机移动 APP 等多维平台实现智能监测、预警与展示. 通 过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景. 未来石油公司应与科研院所 通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级. 关键词    石油；天然气；大数据；人工智能；深度学习；机器学习 分类号    TE3 Big  data  intelligent  platform  and  application  analysis  for  oil  and  gas  resource development SONG Hong-qing1,2) 苣 ，DU Shu-yi1,2) ，ZHOU Yuan-chun2,3) ，WANG Yu-he4) ，WANG Jiu-long2,3) 1) School of Civil and Resource Engineering, University of Science and Technology Beijing, Beijing 100083, China 2) National and Local Joint Engineering Lab for Big Data Analysis and Computer Technology, Beijing 100190, China 3) Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China 4) School of Petroleum Engineering, China University of Petroleum (East China), Qingdao 266555, China 苣 Corresponding author, E-mail: songhongqing@ustb.edu.cn ABSTRACT    With the rapid improvement of exploration and monitoring technologies, the oil and gas industry has accumulated a large amount of data in the fields of seismic exploration, logging, production, and development. How to transform the huge “data resources” into “data assets” and fully utilize data and tap their real value to better serve society is a main concern in the oil and gas industry today. Therefore, the oil industry needs to complete the industrial upgrading of “Smart Oilfield” through digital and intelligent transformation. In recent years, the rise of big data technology and artificial intelligence have allowed international oil companies and oil service giants to accelerate the construction of digital and intelligent oil fields. The overall framework of the big data intelligent platform of oil and gas resources should be based on data resources with big data platform computing power as the support and artificial intelligence algorithms as the core. To meet the production needs of the oil and gas industry, it is of great urgency to build an oil and gas data resource pool that integrates  exploration,  development,  and  production  data.  The  data  quality  can  be  improved via data  cleaning  and  fusion.  Physical simulations, data mining, and other approaches should be combined to achieve the modularization of service functions. Additionally, the goals of intelligent monitoring, early warning, and display on multi-dimensional platforms such as PC, control screen, and mobile apps can also be achieved. The analysis of artificial intelligence methods such as deep learning in the context of the oil and gas industry shows that these methods have good application prospects. In the future, oil companies should work together with scientific research institutes 收稿日期: 2020−07−21 基金项目: 国家自然科学基金资助项目（11972073）；中央高校基本科研业务费资助项目（FRF-TP-19-005B1） 工程科学学报，第 43 卷，第 2 期：179−192，2021 年 2 月 Chinese Journal of Engineering, Vol. 43, No. 2: 179−192, February 2021 https://doi.org/10.13374/j.issn2095-9389.2020.07.21.001; http://cje.ustb.edu.cn

180 工程科学学报，第43卷，第2期 to tap the huge potential of oil industry data,achieve cost reduction and efficiency increase,and build a new smart oil and gas industrial ecosystem to complete industrial upgrading KEY WORDS petroleum:natural gas;big data;artificial intelligence;deep learning:machine learning 随着油田工业勘探、开发技术的飞速发展以及 油田的各个领域中，其应用范围已经从上游的勘 自动化与信息化程度的不断提高，石油工业已经迈 探、开发、生产贯穿至下游的销售及运营，很大程 入了数字化与智能化的时代.随之而来的，其数据 度上加速了油田智能化的进程.未来的石油工业，旨 量也从MB级迅速突破至TB级甚至PB级，呈现了 在形成以大数据技术为根基，人工智能算法为武 指数倍的增长山以中国石油天然气集团公司为例， 器，集数据的收集与存储、清洗与融合、挖掘与分 经过“十五”~“十二五”，已有约70个大型信息系 析、可视化及应用于一体的油气大数据智能平台. 统完成了建设并上线运行，其中，仅“勘探与生产技 1石油工业大数据发展及现状 术数据管理系统”就管理着约1500TB的数据，当 然这也只是油田数据的冰山一角.那么，如何有效 在2012年1月召开的达沃斯世界经济论坛 的存储、管理并利用这些数据成为了开发人员、信 中，以大数据为相关主题发布了报告“Big data,. 息人员和研究人员极为关注的问题.《Nature》在 big impact:New possibilities for international develop- 2008年推出了“Big Data”专刊，《Science》在201l年 ment”,深入的讨论了怎样利用大数据技术提高全 2月推出专刊“Dealing with Data”,主要围绕科学 球经济效益.同年5月，联合国在名为“Global 研究中大数据的问题展开讨论，分析了大数据产 Pulse”的项目中发布了一个有关大数据的报告，名 生、处理流程以及对科学研究的重要性，标志着大 "Big data for development:Challenges opportuni- 数据时代的来临.因此，结合大数据技术打造智能 ties”,对应用大数据技术处理发展中国家面对数 化数字化油田已经成为各国下一步的发展方向. 据洪流的问题进行初步解读.大数据技术的崛起 除了对海量的油田数据进行存储和管理，更 已然势不可挡，并逐步在各个领域展开了应用并 重要的是如何对这些数据进行深度的挖掘与分 取得了极佳的效果.因此，将大数据技术应用到石 析，从而能够更好的完善及优化油田开发方案，推 油工业领域已经成为必然的结果.据美国石油工 动石油工业的迅速发展.人工智能技术可以对油 程协会(SPE-OnePetro)数据库显示，自2000年开 藏数据进行深层次的剖析与解读，极大的提升了 始，大数据及人工智能在石油工业领域的研究呈 油田的开发效率和经济效益，其对于油田工业的 现井喷式增长，截止2020年6月，公开发表的相 重要性已经不言而喻.自步入21世纪以来，随着 关会议及研究论文已经超过了10000篇.如图1 机器学习和深度学习崛起，人工智能已经渗透到 所示，就机器学习和油气工业相结合的论文而言， 1400 1200 1000 Exponential growth 800 600 400 200 0 ■■■■■■ Time/a 图1SPE-one petro(美国石油工程师协会)数据库中机器学习相关文章增长图 Fig.I Graph depicting the increase in the number of machine learning-related articles in SPE-OnePetro

to tap the huge potential of oil industry data, achieve cost reduction and efficiency increase, and build a new smart oil and gas industrial ecosystem to complete industrial upgrading. KEY WORDS    petroleum；natural gas；big data；artificial intelligence；deep learning；machine learning 随着油田工业勘探、开发技术的飞速发展以及 自动化与信息化程度的不断提高，石油工业已经迈 入了数字化与智能化的时代. 随之而来的，其数据 量也从 MB 级迅速突破至 TB 级甚至 PB 级，呈现了 指数倍的增长[1] . 以中国石油天然气集团公司为例， 经过“十五”～“十二五”，已有约 70 个大型信息系 统完成了建设并上线运行，其中，仅“勘探与生产技 术数据管理系统”就管理着约 1500 TB 的数据[2] ，当 然这也只是油田数据的冰山一角. 那么，如何有效 的存储、管理并利用这些数据成为了开发人员、信 息人员和研究人员极为关注的问题. 《Nature》在 2008 年推出了“Big Data”专刊[3] ，《Science》在 2011 年 2 月推出专刊“Dealing with Data” [4] ，主要围绕科学 研究中大数据的问题展开讨论，分析了大数据产 生、处理流程以及对科学研究的重要性，标志着大 数据时代的来临. 因此，结合大数据技术打造智能 化数字化油田已经成为各国下一步的发展方向. 除了对海量的油田数据进行存储和管理，更 重要的是如何对这些数据进行深度的挖掘与分 析，从而能够更好的完善及优化油田开发方案，推 动石油工业的迅速发展. 人工智能技术可以对油 藏数据进行深层次的剖析与解读，极大的提升了 油田的开发效率和经济效益，其对于油田工业的 重要性已经不言而喻. 自步入 21 世纪以来，随着 机器学习和深度学习崛起[5] ，人工智能已经渗透到 油田的各个领域中，其应用范围已经从上游的勘 探、开发、生产贯穿至下游的销售及运营，很大程 度上加速了油田智能化的进程. 未来的石油工业，旨 在形成以大数据技术为根基，人工智能算法为武 器，集数据的收集与存储、清洗与融合、挖掘与分 析、可视化及应用于一体的油气大数据智能平台. 1    石油工业大数据发展及现状 在 2012 年 1 月召开的达沃斯世界经济论坛 中 ，以大数据为相关主题发布了报告“Big data， big impact: New possibilities for international develop￾ment”，深入的讨论了怎样利用大数据技术提高全 球经济效益. 同年 5 月 ，联合国在名为“ Global Pulse”的项目中发布了一个有关大数据的报告，名 为“Big data for development：Challenges & opportuni￾ties”，对应用大数据技术处理发展中国家面对数 据洪流的问题进行初步解读. 大数据技术的崛起 已然势不可挡，并逐步在各个领域展开了应用并 取得了极佳的效果. 因此，将大数据技术应用到石 油工业领域已经成为必然的结果. 据美国石油工 程协会（SPE-OnePetro）数据库显示，自 2000 年开 始，大数据及人工智能在石油工业领域的研究呈 现井喷式增长[6] ，截止 2020 年 6 月，公开发表的相 关会议及研究论文已经超过了 10000 篇. 如图 1 所示，就机器学习和油气工业相结合的论文而言， 1400 1200 1000 800 600 400 200 0 Number of papers Time/a 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 Exponential growth 图 1    SPE-one petro（美国石油工程师协会）数据库中机器学习相关文章增长图 Fig.1    Graph depicting the increase in the number of machine learning-related articles in SPE-OnePetro · 180 · 工程科学学报，第 43 卷，第 2 期

宋洪庆等：油气资源开发的大数据智能平台及应用分析 181· 近5年发表论文的比重已经占了总数量的60%以 发、建井、非常规完井和生产管理四个专业领域 上，当然，油气大数据的发展并不限于学术研究领 一体化建设，打破在实践应用中地球物理学、地质 域，全球各大石油公司也纷纷致力于和顶级T企 学、油藏工程学、钻井与采油工业学之间的专业 业合作门，联手发展适用于石油工业的大数据分析 壁垒，从而实现各学科的相互融合.如图2所示为 技术，打造数字化智能化油田，从而孕育全新的油 国内外油气大数据智能平台构建实例，在2018年 气革命 10月，由美国《世界石油》杂志于休斯顿举行的 2018年4月，道达尔与信息技术巨头谷歌强 “世界石油奖”的颁奖活动中，哈里伯顿凭借Voice 强联手，针对石油勘探开发中地质数据缺失或误 of the Oilfield!9摘得了“最佳数字化转型奖”.该产 差较大的难题，利用模糊逻辑技术能够对“不完 品是哈里伯顿通过实际应用检验的智能油气建设 备”数据进行处理的特性，基于地震数据并整合了 解决方案，依托工业物联网组件与边缘计算设备 自然语言处理技术构建了更加精细的地质模型， 对数据进行实时收集，基于云平台和大数据分析 率先将大数据技术应用于地质数据处理.2018年 技术进行油田的智能诊断、分析及预测等，可以实 9月，壳牌牵手微软在石油领域智能化方向展开合 现对于井口、油田及资产管理的闭环管理模式 作，Shell Geodesic在两家巨头的研发下应运而生. 当然，国内也已经展开了油田智能化的建设 它能够利用机器学习及控制算法来更为逼真的展 工作.对于上游勘探开发而言，北京科技大学联合 现油气层钻井图像，针对在致密岩层钻井过程可 中国石油大学（华东）及中国科学院计算机网络信 能引发的突发情况提供有效的决策建议.2019年 息中心等机构，搭建面向油气资源开发的大数据 1月，英国BP公司投资500万英镑助力人工智能 智能平台，可实现对油田海量数据的快速弹性可 初创公司Belmont Technology,开发了一个融合物理、 扩展，基于分布式计算引擎Spark开发π-flow数据 地质、历史和油藏信息的地球科学云平台，为BP 处理系统，可以利用不同深度学习算法对油气数 提供独特的“地下资产图谱”.同年2月，埃克森美 据进行流水线式处理及分析，通过油气一体化管 孚与微软建立合作关系，投资约10亿美元用于机 控大屏完成对油气田开发的实时监测、预警及展 器学习算法研究，通过人工智能优化油气井性能 示，能够有效的对油田的开发方案进行评价与指 及分析钻完井数据.雪佛龙已经和微软及斯伦贝 导，见图2.除此之外，在2018年11月，中石油整 谢在2019年9月达成了三方协议，旨在利用云计 合了大庆油田、辽河油田等多家石油子公司的现 算及人工智能技术加快油气工业的数字化转型. 场数据，建立了油气资源的数据湖，打造了旗下第 而现如今国际三大油服巨头，贝克休斯、斯伦 一个智能油气平台“梦想云”，并通过搭建协同的 贝谢、哈里伯顿正紧锣密鼓的向数字化智能化油 研究环境，支撑上游业务的数字化、智能化转型， 田进军图2017年7月，贝克休斯与通用电气完成 初步实现了勘探开发、生产管理及协同研究的一 并购重组，依托其独创的Predix平台，迅速打造全 体化.对于中下游而言，2019年12月，国家石油天 世界第一家全领域数字化油气工业公司.贝克休 然气管网集团有限公司成立，旨在依托大数据及 斯的大数据平台是侧重于独立的数字化板块建设 物联网等技术，对油气储运管线进行数字化建设 以及对全产业链的覆盖.借助通用电气推出的第 和智能升级，全面打造覆盖全国的“智慧管网” 一个面向工业的互联网平台Predix平台所开发的 2020年7月15日召开的华为全球油气峰会表明， 油田数字化板块，与其上游、中游、下游及工业板 华为正致力成为油气数字化转型的忠实伙伴，利 块并列为贝克休斯五大业务板块，集地质建模、油 用5G网络、大数据及云计算等技术解决中石油大 藏模拟、力学分析和可视化于一体，可用于油藏各 庆油田计算性能及数据存储等问题，并且在测井 类数据的采集以及通过人工智能算法优化采收方 油气藏识别、地震波识别、故障诊断等五个场景 案等.而斯伦贝谢主要涉及上游勘探开发生产领 实现AI应用分析.2020年8月21日，首家油气数 域，并强调的是油藏数据、管理系统及硬件设施的 据科学分实验室在中国科学院计算机网络信息中 有效组合，进而实现了更高水准的油田一体化建 心成立，中国工程院韩大匡院士指出，国内油气行 设.2017年9月，斯伦贝谢主要针对油气上游领域 业的数字化智能化发展目前还处于起步阶段，要 推出了名为DELFI的勘探开发认知环境作为基础 充分利用大数据及人工智能手段实现“智慧油田” 的的数字化平台，将硬件设施、软件开发、数字化 战略目标，完成从现如今的“跟跑”到“并跑”甚至 技术和油藏专业知识有机结合，致力于勘探与开 未来“领跑”世界的转变.国内外数字化转型发展

近 5 年发表论文的比重已经占了总数量的 60% 以 上. 当然，油气大数据的发展并不限于学术研究领 域，全球各大石油公司也纷纷致力于和顶级 IT 企 业合作[7] ，联手发展适用于石油工业的大数据分析 技术，打造数字化智能化油田，从而孕育全新的油 气革命. 2018 年 4 月，道达尔与信息技术巨头谷歌强 强联手，针对石油勘探开发中地质数据缺失或误 差较大的难题，利用模糊逻辑技术能够对“不完 备”数据进行处理的特性，基于地震数据并整合了 自然语言处理技术构建了更加精细的地质模型， 率先将大数据技术应用于地质数据处理. 2018 年 9 月，壳牌牵手微软在石油领域智能化方向展开合 作，Shell Geodesic 在两家巨头的研发下应运而生， 它能够利用机器学习及控制算法来更为逼真的展 现油气层钻井图像，针对在致密岩层钻井过程可 能引发的突发情况提供有效的决策建议. 2019 年 1 月，英国 BP 公司投资 500 万英镑助力人工智能 初创公司 Belmont Technology，开发了一个融合物理、 地质、历史和油藏信息的地球科学云平台，为 BP 提供独特的“地下资产图谱”. 同年 2 月，埃克森美 孚与微软建立合作关系，投资约 10 亿美元用于机 器学习算法研究，通过人工智能优化油气井性能 及分析钻完井数据. 雪佛龙已经和微软及斯伦贝 谢在 2019 年 9 月达成了三方协议，旨在利用云计 算及人工智能技术加快油气工业的数字化转型. 而现如今国际三大油服巨头，贝克休斯、斯伦 贝谢、哈里伯顿正紧锣密鼓的向数字化智能化油 田进军[8] . 2017 年 7 月，贝克休斯与通用电气完成 并购重组，依托其独创的 Predix 平台，迅速打造全 世界第一家全领域数字化油气工业公司. 贝克休 斯的大数据平台是侧重于独立的数字化板块建设 以及对全产业链的覆盖. 借助通用电气推出的第 一个面向工业的互联网平台 Predix 平台所开发的 油田数字化板块，与其上游、中游、下游及工业板 块并列为贝克休斯五大业务板块，集地质建模、油 藏模拟、力学分析和可视化于一体，可用于油藏各 类数据的采集以及通过人工智能算法优化采收方 案等. 而斯伦贝谢主要涉及上游勘探开发生产领 域，并强调的是油藏数据、管理系统及硬件设施的 有效组合，进而实现了更高水准的油田一体化建 设. 2017 年 9 月，斯伦贝谢主要针对油气上游领域 推出了名为 DELFI 的勘探开发认知环境作为基础 的的数字化平台，将硬件设施、软件开发、数字化 技术和油藏专业知识有机结合，致力于勘探与开 发、建井、非常规完井和生产管理四个专业领域 一体化建设，打破在实践应用中地球物理学、地质 学、油藏工程学、钻井与采油工业学之间的专业 壁垒，从而实现各学科的相互融合. 如图 2 所示为 国内外油气大数据智能平台构建实例，在 2018 年 10 月，由美国《世界石油》杂志于休斯顿举行的 “世界石油奖”的颁奖活动中，哈里伯顿凭借 Voice of the Oilfield[9] 摘得了“最佳数字化转型奖”. 该产 品是哈里伯顿通过实际应用检验的智能油气建设 解决方案，依托工业物联网组件与边缘计算设备 对数据进行实时收集，基于云平台和大数据分析 技术进行油田的智能诊断、分析及预测等，可以实 现对于井口、油田及资产管理的闭环管理模式. 当然，国内也已经展开了油田智能化的建设 工作. 对于上游勘探开发而言，北京科技大学联合 中国石油大学（华东）及中国科学院计算机网络信 息中心等机构，搭建面向油气资源开发的大数据 智能平台，可实现对油田海量数据的快速弹性可 扩展，基于分布式计算引擎 Spark 开发 π-flow 数据 处理系统，可以利用不同深度学习算法对油气数 据进行流水线式处理及分析，通过油气一体化管 控大屏完成对油气田开发的实时监测、预警及展 示，能够有效的对油田的开发方案进行评价与指 导，见图 2. 除此之外，在 2018 年 11 月，中石油整 合了大庆油田、辽河油田等多家石油子公司的现 场数据，建立了油气资源的数据湖，打造了旗下第 一个智能油气平台“梦想云”，并通过搭建协同的 研究环境，支撑上游业务的数字化、智能化转型， 初步实现了勘探开发、生产管理及协同研究的一 体化. 对于中下游而言，2019 年 12 月，国家石油天 然气管网集团有限公司成立，旨在依托大数据及 物联网等技术，对油气储运管线进行数字化建设 和智能升级，全面打造覆盖全国的“智慧管网”. 2020 年 7 月 15 日召开的华为全球油气峰会表明， 华为正致力成为油气数字化转型的忠实伙伴，利 用 5G 网络、大数据及云计算等技术解决中石油大 庆油田计算性能及数据存储等问题，并且在测井 油气藏识别、地震波识别、故障诊断等五个场景 实现 AI 应用分析. 2020 年 8 月 21 日，首家油气数 据科学分实验室在中国科学院计算机网络信息中 心成立，中国工程院韩大匡院士指出，国内油气行 业的数字化智能化发展目前还处于起步阶段，要 充分利用大数据及人工智能手段实现“智慧油田” 战略目标，完成从现如今的“跟跑”到“并跑”甚至 未来“领跑”世界的转变. 国内外数字化转型发展 宋洪庆等： 油气资源开发的大数据智能平台及应用分析 · 181 ·

.182 工程科学学报，第43卷，第2期 历程如图3所示.总的来说，目前我国油气工业虽 并携手诸如华为等数据科技企业，使得油气行业 然还处在数字化转型的初级阶段，但是各大石油 上中下游的数字化以及智能化发展迅速，相信在 以及天然气公司积极开展对“智慧油田”的建设， 不久的未来可以孕育出全新的油气工业生态圈. Large screen with integrated management control Wellsite edge Cloud computing and bi DecisionSpaceTM Production 365 loT automation facilities Dom Wellsite edge computing Big data analysis platform Production services Services and applicationsnd appiiinthe oil and gas field Construction process of oil and gas big data intelligent platform Digital oilfield production monitoring platform 困2国内外油气大数据智能平台构建实例图 Fig.2 Construction and example of the intelligent platform for domestic and foreign oil and gas big data In April,Total joined In Octobet, In Janury,BP In July,PetroChins farces with Google to Halliburton n the"Best Degit nd s or is of the and gas. computing chnolog 2017 208 2019 2020 In September In Novembe Microsod in the Pineline netwotk develonmer Dream Cloud"an elhatiornehip Group Co.Lid was counitive ctroleim field an st如ed the digital to intelligently analyze established to bualda oy developed oal and gas well Chinese Acaden可yof pipe network. sciences. 图3国内外油气工业数字化转型发展历程 Fig.3 Development process of the digital transformation of the oil and gas industry at home and abroad 2油气大数据“6V”属性特点分析 有结构化数据如地震反演、生产数据等，还包括半 对于大数据特性的描述比较具有代表性的是 结构化数据如地震解释、钻井报告等，以及非结构 3V定义uo:即规模性(Volume),多样性(Variety)和 化数据像测井曲线、岩心图片等，因而具有“Variety” 高速性(Velocity).国际数据公司(IDC)在此基础 特性.现如今，这些油田数据的获取大多是基于物 上添加了第4V的特性，价值型(Value).IBM则认 联网的井下或地面传感器等边缘监测设备，在保 为真实性(Veracity)也是大数据技术的必然要素 证了数据的“Veracity”特性的同时，可以实现对数 对于石油工业而言，还有一些学者认为除了上述 据的实时传输，突出了油气数据的“Velocity”.另 SV的特性，还应该具有多变性(Variability)l2I 外，由于储层地质结构的复杂性以及油田现场人 如图4所示)为石油工业大数据的“6V”特 为操作等不确定因素，都会令勘探、开发、生产领 性.石油工业的“Volume”主要体现在其庞大的数 域相关数据产生“Variability”,如油田生产过程中 据量，就石油上游而言，已经构建了9大类数据资 的产量、压力等数据，而油气数据最为重要的就 产库，涵盖了600多个油气藏，7000余个地震工 是它的“Vlue”,如在油田勘探中，可以利用地震 区，开发了近45万口井，管理超过108万个测井文 数据预测地质空间结构从而确定地下油气藏所 件，累计存储量达1.7PB以上而这个庞大的数 在；在油田开发领域，通过测井录井数据来预测储 据体包括了勘探、测井录井及生产等各个领域，既 层物性参数节约生产时间：在油田生产中，利用生

历程如图 3 所示. 总的来说，目前我国油气工业虽 然还处在数字化转型的初级阶段，但是各大石油 以及天然气公司积极开展对“智慧油田”的建设， 并携手诸如华为等数据科技企业，使得油气行业 上中下游的数字化以及智能化发展迅速，相信在 不久的未来可以孕育出全新的油气工业生态圈. Wellsite edge computing ① ② ③ Cloud computing and big data platform Landmark Construction process of oil and gas big data intelligent platform Production services and applications in the oil and gas field Digital oilfield production monitoring platform Large screen with integrated management control 1. IoT automation facilities 2. Wellsite edge computing 3. Big data analysis platform 4. Services and applications DecisionSpaceTM Production 365 Domestic Foreign 图 2    国内外油气大数据智能平台构建实例图 Fig.2    Construction and example of the intelligent platform for domestic and foreign oil and gas big data In July, Baker Hughes became the world’s first full-field digital oil and gas industry company relying on the Predix platform. In April, Total joined forces with Google to take the lead in applying big data technology to geological data processing. In October, Halliburton won the “Best Digital Transformation Award” for its product “Voice of the Oilfield”. In January, BP developed an earth science cloud platform that integrates physics, geology, histoy, and reservoir information. In September, Chevron, Microsoft and Schlumleiget reached a tripartite agreement to accelerate the digital transformation of oil and gas. In July, PetroChina and Huawei collaborated to realize intelligent analysis of oil and gas scenarios utilizing 5G and cloud computing technologies. In September, Schlumberger launched DELFI’s exploration and development cognitive environment as a basic digital platform. In September, Shell collaborated with Microsoft in the application of artificial intelligence in the petroleum field and jointly developed “Shell Geodesic”. In November, PetroChina built its first intelligent oil and gas platform “Dream Cloud” and started the digital construction of oil and gas field. In February, Exxonmobil and Microsoft established a cooperative relationship to intelligently analyze oil and gas well performance. In December, the National Petroleum and Natural Gas Pipeline Network Group Co., Ltd. was established to build a nationwide “smart pipe network”. In August, the first oil and gas data science sublaboratory was established in the Computer Network Information Center of the Chinese Academy of Sciences. 2017 2018 2019 2020 图 3    国内外油气工业数字化转型发展历程 Fig.3    Development process of the digital transformation of the oil and gas industry at home and abroad 2    油气大数据“6V”属性特点分析 对于大数据特性的描述比较具有代表性的是 3V 定义[10] ：即规模性（Volume），多样性（Variety）和 高速性（Velocity）. 国际数据公司（IDC）在此基础 上添加了第 4V 的特性，价值型（Value）. IBM 则认 为真实性（Veracity）也是大数据技术的必然要素[11] . 对于石油工业而言，还有一些学者认为除了上述 5V 的特性，还应该具有多变性（Variability） [12] . 如图 4 所示[13] ，为石油工业大数据的“6V”特 性. 石油工业的“Volume”主要体现在其庞大的数 据量，就石油上游而言，已经构建了 9 大类数据资 产库，涵盖了 600 多个油气藏， 7000 余个地震工 区，开发了近 45 万口井，管理超过 108 万个测井文 件，累计存储量达 1.7 PB 以上[14] . 而这个庞大的数 据体包括了勘探、测井录井及生产等各个领域，既 有结构化数据如地震反演、生产数据等，还包括半 结构化数据如地震解释、钻井报告等，以及非结构 化数据像测井曲线、岩心图片等，因而具有“Variety” 特性. 现如今，这些油田数据的获取大多是基于物 联网的井下或地面传感器等边缘监测设备，在保 证了数据的“Veracity”特性的同时，可以实现对数 据的实时传输，突出了油气数据的“Velocity”. 另 外，由于储层地质结构的复杂性以及油田现场人 为操作等不确定因素，都会令勘探、开发、生产领 域相关数据产生“Variability”，如油田生产过程中 的产量、压力等数据. 而油气数据最为重要的就 是它的“Value”，如在油田勘探中，可以利用地震 数据预测地质空间结构从而确定地下油气藏所 在；在油田开发领域，通过测井录井数据来预测储 层物性参数节约生产时间；在油田生产中，利用生 · 182 · 工程科学学报，第 43 卷，第 2 期