石油公司与大数据

 

    大型石油公司在运用新技术的时候，更多考虑技术带来的收益和见效的时间，所以投资规模适中、见效明显、收益高的技术往往受到青睐。

 

    石油公司主要利用大数据技术处理设备的预测性维护数据和地震数据。值得关注的是，石油公司和互联网公司(如亚马逊和谷歌等)的合作越来越多，这种跨界联姻带来的预期也值得期待。

 

    壳牌(Shell)

 

    壳牌与惠普合作，在油田和炼厂布设了大量传感器和光纤电缆，并将海量数据传输到由亚马逊维护的私有云。通过数据仓库的搭建及大量数据分析方法的运用，壳牌对油藏情况有了更精准的把握，来自任何一个油田的数据都可以和远在万里之外的成千上万的油田数据进行对比，以确认最佳的钻井靶点。

 

    新一代的分析技术正把海量数据转化为合理的勘探决策、高质量的油井、较低的成本和可接受的环境影响。他们运用SAS(SAS是全球最大的软件公司之一，是全球商业智能和分析软件与服务领袖，经营范围是商业智能和分析软件及解决方案、智能领域专业咨询服务、基于SAS解决方案的专业培训和技术支持等)的预测性资产维护软件延长设备寿命和运行时间，由此带来的油气增量会给公司带来数千万美元的效益。大数据已深入设备运行的每个方面，在此基础上的数据分析技术帮助壳牌持续保持领先。

 

    SAS消除了壳牌设备运行业务流程中的不确定性。通过分析大量实时数据，壳牌提高了设备流程和资产效率，保持了良好的性能和可靠性。当SAS发出预警信号时，现场工程师可以快速诊断，并防止进一步出现更严重的问题。

 

    壳牌的工程师正利用这些设备监控大数据来提高公司最新平台Perdido　Spar的性能。在1万英尺的水下，一条面积相当于美国休斯敦的海床可生产石油和天然气13万桶油当量/日，借助SAS的大数据技术，壳牌可以在这里大显身手。

 

    除了勘探，壳牌还利用大数据来优化石油和天然气的运输、提炼和销售。

 

    炼厂需要建在尽可能接近最终用途的地方，尽量降低运输成本。通过海量数据结合复杂的算法，考虑生产燃料的成本和各种数据，可以确定每种产品的需求和资源分配形式，以达到炼厂最优化生产的目的。

 

    雪佛龙(Chevron)

 

    一口油井的一根光纤电缆每天可以产生超过1TB的数据，雪佛龙有数千口油井，多年来一直在收集和分析数据。在与微软达成协议使用其高度分布式架构的云服务后，雪佛龙的数据收集和分析系统正在升级。

 

    有了微软Azure的帮助，雪佛龙运用地震数据预测和建立油田地质模型的工作变得更简单和准确。

 

    此外，油井中的传感器收集性能、温度、压力和设备健康数据，钻井船和生产设施配备了数千个传感器，生成更多数据。Azure物联网中心不仅将继续收集所有这些数据，而且将帮助部署、管理和保护这些设备。

 

    有了这样庞大的物联网系统，加上机器学习技术，系统就可以给工程师更多指导，让他们确切知道要去哪里和要做什么。机器学习技术还可以比人类工程师更快、更一致地处理地震数据，并帮助建立地质模型，帮助工程师决定在哪里钻井，以及使用什么钻井技术。

 

    借助微软提供的大数据技术，雪佛龙提升了墨西哥湾部分油田的钻井效率逾20%，优化了勘探开发工作，大幅提高了油气田发现的数量和质量。

 

    沙特阿美(Saudi　Aramco)

 

    作为石油行业当之无愧的“巨无霸”，沙特阿美在技术上也必须是舍得下血本投入的。考虑到沙特阿美的体量，即使是很小比例的采收率和生产效率的提高，对公司长期发展也有明显好处。2017年以来，该公司采取了一系列措施，最大限度提高石油采收率，其中大数据技术起到至关重要的作用。

 

    运用大数据技术，沙特阿美的研发中心在应对关键油气挑战方面取得重大进展，包括改进地震处理和分析方法、提高天然气勘探的效率、优化提高原油采收率的方法、提高原油采收率和降低生产成本等。

 

    大数据技术提高了GigaPowers(沙特阿美并行油藏数值模拟器)和TeraPowers(沙特阿美下一代油藏和盆地模拟器)的运行效率和模型分辨率，使石油工程师能更好地了解储层力学，从而实现长期的可持续生产。

 

    此外，沙特阿美还在大数据平台的基础上开发了下一代集成地震成像平台Geodrive，该平台可实现超高分辨率地下测绘和特征描述，并与阿卜杜拉国王科技大学合作对该平台进行了全面测试。

 

    借助大数据，沙特阿美的地质导向方案通过达兰最先进的地质导向中心，实现了93%的储层接触率，数百公里外的钻机已可以实时监控，带来更精确、优化的井位布置。实时钻井和井下数据通过卫星从钻井平台传输到先进的地质导向中心，由专家小组做出实时决策，实现最大化的储层接触率，从而提高井的生产率，降低开发成本。

 

    油服公司与大数据

    

    作为技术供应商，油服公司在大数据的应用方面比石油公司走得更远，各大油服公司在勘探、钻完井、采油等领域都有不同程度的尝试，取得的效果也各有千秋。

 

    斯伦贝谢(Schlumberger)

 

    作为油服领域的龙头老大，斯伦贝谢一直以来的制胜法宝就是核心技术。进入数字化时代，斯伦贝谢仍然不甘落后，较早将大数据技术与油藏数值模拟结合在一起，取得了不错的成绩。这样的技术思路，在当今以数据为驱动力的浪潮中，将大量储层和生产数据与高性能预测分析解决方案结合，在预测最终采收率的竞争中脱颖而出。

 

    目前，非常规油藏的完井和生产优化工作需要大量地质建模、裂缝模拟和生产模拟。通过大量分析，可以优化出完井设计参数，如最佳井距、支撑剂选型等。然而，在目前北美非常规油气生产井中，只有不到5%在压裂时有足够数据和计算时间来进行这样的模拟和设计工作。大数据、云计算和人工智能算法有助于油藏和裂缝模拟的并行计算更快、更高效，有助于斯伦贝谢大幅提升完井设计水平。

 

    这样的方法已在美国鹰滩页岩区的页岩油气井上应用。这次应用收集了2000多个数据点，在多线程集群环境中进行完井的敏感性分析，并大量运用随机森林、梯度增强、线性回归等机器学习和数据挖掘算法，建立代理模型。通过梯度增强技术，代理模型的精度达到90%以上，可以准确预测油气井产能。而且，这还是个即插即用的工具，可以随时快速评估完井参数的变化对未来油气井产能的影响。

 

    斯伦贝谢还将海量数据用于优化井队的钻井周期，通过建立增强性的KPI标准集，可以对每个操作进行标准化测量，通过将实际数据和标准化操作数据进行比对，将结果以简洁的可视化方式传达给井队，以便井队不断改进操作，优化钻井周期，降低成本实现卓越管理。

 

    贝克休斯(BHGE)

 

    贝克休斯如今正与美国NVidia公司展开全面合作，利用人工智能和图形处理器(GPU)技术加速对油气行业海量数据的实时提取，大幅减少石油勘探、开发、运输、加工、分发的成本。这样的“双持”也让贝克休斯在油气行业数字化领域的地位节节攀升，并迎来实质性的合作。

 

    BP在贝克休斯的支持下，正在部署基于云计算的高级分析平台POA，该平台建立在通用电气(GE)的Predix平台上，并结合了大数据技术，为资产绩效管理提供工业级分析。目前，该平台在墨西哥湾运营，每天分析1.55亿个数据点，以提供性能和维护方面的见解。此外，POA将整合其安哥拉业务，BP计划将该系统部署到今年的阿曼和北海业务中。

 

    在数据平台的合作基础上，贝克休斯还确保了生产设施上的关键旋转机械的高效运行。这些设备包括压缩机、发电机和关键泵，这对于确保全球范围内石油和天然气的安全开采和运输至关重要，尤其是在BP发生造成世界范围影响的安全事故后。

 

    通过分析如振动、转子位置、温度、压力流量等数据，贝克休斯部署的大数据系统能识别机器工作状态的变化，确定机器是否以最佳状态运行。预测性识别异常操作的出现可最大程度减少设备中断，并避免不必要的停机时间。

 

    BP已将贝克休斯基于大数据的System1TM和SmartSignalTM软件系统部署在其位于北海的英国和挪威部分的多个海上生产设施，以及墨西哥湾、里海和安哥拉等其他关键石油和天然气生产平台。利用对海上无线网络的投资，BP能从其位于阿伯丁的高级协作环境中心远程监控其海上油田的大部分关键设备，并利用来自全球的远程专家支持。远程监控给BP带来了诸多实惠，尤其是避免了在恶劣天气条件下需要额外的工作人员到钻井平台进行实地监控的情况。

 

    贝克休斯协助BP从安装在其海上设备的传感器中采集和管理大量数据，这些传感器能根据运行状态和识别潜在问题来改变所捕集的数据量，从而进行准确的诊断和先发制人的干预。贝克休斯的目标很明确，就是要消除运营中的缺陷，这种大数据的解决方案最终使BP能采取更积极的维护方法，大幅降低管理风险。

 

    链接

 

    人们往往认为运用大数据技术，必须有海量的数据。这是大数据这个名词造成的普遍误读。

 

    大数据是有关数据分析、统计学的技术，只要数据足够真实，足够全面，足以总结相关性规律，就可以运用这项技术。如生产数据、增产措施数据、各种井下作业的数据，虽然都到不了TB的级别，但只要问对了问题，选对了角度，同样可以通过大数据技术带来商业上的改变。所以，相比大数据(Big　Data)这个词，全数据(All　Data)更贴切。

 

    2.数据驱动的新角度、新方法

 

    大数据不仅是关于商业智能(BI)的，而且是通过数据驱动，找到解决技术问题的新角度和新方法。很多技术领域虽然已有成千上万的学术论文专门研究，但仍然没有得到满意的解决方案，那么大数据就可以成为一种统计学方法，对技术开放的心态往往会带来意想不到的收获。

 

    3.开放的数据文化环境

 

    大数据需要一个开放的数据文化环境。抛开数据安全的问题，需要打通各个信息系统之间的壁垒，使绝大部分数据处于受控的开放环境中，才能发挥数据真正的价值。如采油工程师要发现凝胶调剖技术适合在油田的哪些井使用，那么他需要的就不仅是生产数据，而且需要工区的地质数据、沉积环境的数据、试井和测井数据，甚至还需要地震解释数据。如果采用目前的竖井式系统，那么这位采油工程师的工作量将多得“令人发指”，也会无端耗费他的很多精力，很可能花了几个月时间也得不到想要的结果，而已投入的大量时间成本还可能驱使这位工程师执迷于研究内容，甚至得到一些不实的结论。

 

    而在一个开放的数据环境中，所有数据集中在一起，这位工程师就可以迅速调用所需素材，快速建立数据之间的联系。即使这些数据之间没有相关性，他也很快能发现，及时调整研究方向。

 

    因此，若要实施大数据项目，企业的决策者要有足够的耐心，因为系统架构要足够开放，会有大量的数据处理工作要做。但这是非常必要的，基础没打好，楼建得越高越危险。

 

    4.大数据应用应回归理性

 

    大数据这个概念自从2012年在油气行业再次引爆后，经历了相当长时间的“科幻”期。在这个时期，大量石油行业的从业者都对这项技术寄予厚望，希望它能彻底改变行业，让我们躺着赚钱。

 

    然而，大数据的内核是统计学，一门探究相关性而不是探究因果关系和逻辑关系的学科。其相关性的本质让这项技术逐渐回归理性，越来越多的石油企业从撒网式应用转变为聚焦突破关键技术点，并落脚在设备预测性维护、地震数据和地质油藏数据的快速处理、钻井过程的智能导向等，回归理性也为真正具备核心技术能力的公司带来了最佳的入场时间。另外，石油公司对数据资产的严加看管使得油服公司寻求大数据技术的突破变得举步维艰，如何让双方在信任的基础上拥抱未来，是大数据要解决的技术之外的问题。