大數據和數據科學在油氣行業的應用

油氣行業的各位同仁，無論您是從事上、中、下游哪個環節，我想近年大家一定在各種渠道頻頻聽到大數據(Big Data)和數據科學(Data Science)的概念。那么究竟什么是大數據，什么又是數據科學呢，它們說完全同一個概念嗎 。在油氣領域它們究竟有什么實際的應用，真的帶來了附加值嗎？

筆者基于自己的認識，從大數據和數據科學的基本概念出發，逐步引出今年10月份JPT雜志中談到的Devon石油公司如何使用數據分析技術給公司帶來附加值。

1.大數據 (Big Data)和數據科學 (Data Science)，它們是什么？

大數據描述數據的特征。在數據分析領域，大數據的特征已經形成了比較統一的認識，核心就是“3V”。換句話說，談大數據就不可不知道“3V”：

1.Volume （容量）：產生和存儲的數據容量巨大；
2.Velocity （速度）：數據產生速度較快，數據的傳輸和處理具有實時性。例如實時交通數據；在油氣領域，比如生產井中的測量儀（downhole gauge)和海上平臺的傳感器(sensors)的產生的 實時數據；
3.Variability （多樣性）：數據的類型和格式多種多樣，比如文本、email、視頻、音頻、圖片、財務交易等各種數據。

在不同的應用領域，可以再加入“3V”以外的一到兩個特征。以筆者看來，在油氣領域，如果數據具有3V中的一個或者以上的特征，都可以叫大數據（Big Data）。

那數據科學（data science)科學又是什么呢？顧名思義，就是從數據中獲取知識和信息的一種科學方法。嚴格意義上說，大數據和數據科學在應用中的側重點還是有所不同。大數據的應用范圍一般指數據的產生、存儲、整合和整理，它需要更多的計算機領域的知識。而數據科學則強調數據的分析和可視化，更多需要統計、機器學習、數據挖掘等知識。

在數據科學領域，最近還有一個很熱的詞叫Business Analytics (業務分析），JPT封面用的詞是Oilfield Analytics（油田分析）。這里的Analytics是指把業務領域問題轉成數據科學問題的分析方法。在應用領域，人們往往把Big Data、Data Science和Analytics幾個詞語混用，并沒有特別明顯的分界線。

2.油氣從業人員該扮演什么角色？

前面提到了大數據和數據科學需要計算機、統計、機器學習等方面的知識，那作為傳統的油氣從業人員，比如鉆、完井工程師，油藏工程師，生產工程師，地質學家，那數據科學是不是和我沒什么關系？當然不是。領域或行業專家才是數據科學成功應用的關鍵所在！

3.下面我們看看2016年10月份JPT雜志分享的Devon石油公司的幾個數據科學應用實例：

（1）定向鉆井

井下鉆具（BHA – Bottom Hole Assembly)裝備有地質定向（geo-steering）設備，其離最前面的鉆頭有一些距離，并且每90 英尺才作一次定向測量 (survey)，也就說兩次地質測量間的井筒軌跡(Well Trajectory)有超過100英尺是未知的，需要從測量數據中推算出來。Devon公司因此開發了基于人工智能和機器學習的實時鉆頭跟蹤程序，更為準確和真實的推算出井筒的真實軌跡。定向鉆井數據從油田現場實時地傳回公司的鉆井部門， 鉆頭跟蹤程序把井筒軌跡實時地可視化地呈現給鉆井工程師，如果軌跡偏離了既定軌跡，工程師則可以實時作出調整。

Devon公司另外一個在鉆井中的應用就是建立數據模型來分析井下鉆具（BHA)配置和鉆井性能（drilling performance）的關系。例如，該數據模型可以判斷出井的哪個部分可能給鉆井工程師帶來麻煩(non-productive time)，哪一項或者多項參數（鉆頭類型 drilling bit，鉆桿重量 weight-on-bit）最影響鉆井的快慢(rate of penetration）。

（2）預測壓裂中的支撐劑（proppant）堵塞 （screen-outs）

水力壓裂中的支撐劑堵塞是指支撐劑不能再流入裂縫而堵塞在井筒中。支撐劑堵塞非常令人頭痛和棘手的問題，工程師都希望能及時避免而不是發生后再去解決。如果在堵塞發生前有程序自動發出堵塞警示，那么壓裂工程師則可及時暫停泵入支撐劑。

Devon公司開發出了提前15秒警告支撐劑堵塞即將發生的人工智能程序，該程序在使用中逐步演化(evolve)，目前已經成為可以基于多項因素（壓裂液類型，地層特征和油田開發歷史等）作出決定性判斷的程序，大大降低了公司支撐劑堵塞發生率。

（3）全美頁巖區塊剩余油氣可視化 – 交互式地圖

交互式地圖程序包括了全美陸地48個州 (Lower 48) 過去10年10萬口水平井的數據。每重新計算一遍當前所剩余油氣量并以交互式地圖的方式呈現出來，只需短短10分鐘時間。工程師可以使用該交互式地圖快速地作出至少兩類重要的決策：

a. 快速找出理想的再次壓裂井 （refracturing candidates)；
b. 快速找出理想的礦權租賃區塊

（4）人工舉升 (Artificial lift)設備維護

常規的油田設備維護是周期性的 – 現場技術員按先后順序周期性地巡視和檢查人工舉升設備?；谠O備故障的大量歷史數據，以及每次故障相關聯的各種因素，Devon公司開發出了可以預測哪些井的人工舉升設備更有可能出現故障，從而不再使用周期性的設備檢查方式，而是由數據分析程序每天自動地告訴現場技術員需要巡視和檢查的設備。這種方式大大降低了設備故障率，并且節省了大量開支。

4.結語

誠然以上幾個實例離不開數據分析人員，而筆者認為成功的關鍵是領域專家 （鉆井工程師，壓力工程師，油藏工程師/地質學家和生產工程師）與數據科學家的緊密合作。前者的領域知識是保證數據模型準確率的關鍵。

Devon公司從2012年開始投資大數據相關技術以來，水平井90天產量提高了250%，而鉆井、完井和運營費用下降了40%。除去油價下跌帶來的供應商降價，數據科學的應用也功不可沒。

數據科學（數據挖掘，機器學習，人工智能）并不是新興事物，如何在油氣領域中有效地利用這些工具并帶來價值，才是關鍵所在，值得我們每位從業人員思考。

熊毅，本科畢業于武漢大學軟件工程專業，擁有中科院計算所碩士學位和科羅拉多礦業大學（ColoradoSchool of Mines）博士學位，現任雪佛龍（Chevron）公司油藏工程師，主要從事雪佛龍全球范圍內油藏模擬的技術支持工作。他在2007年以非油氣背景進入該行業，先后任斯倫貝謝（Schlumberger）北非區域電纜錄井（wirelinelogging）現場工程師和中國技術中心項目工程師。后赴美攻讀石油工程博士，專注油藏數值模擬，在地熱能源和非常規油氣藏模擬領域有較為深入的研究。發表期刊會議論文和著作章節10余篇，美國能源部軟件著作和技術報告2項。

未經允許，不得轉載本站任何文章：