油气行业大数据进展大汇总，不懂你就要失业了

大数据石油大数据油气行业

石油Link | 2016-10-25 14:54

【数据猿导读】随着大数据对于石油行业的深入，原来的油藏，钻井等技术都将因为该技术而产生革命性的变化，若干年后，也许你的岗位将不复存在。本文从已经有的应用，如预测ROP，预测电潜泵损坏时间，预测井底状况，以及测井数据的机器解释等

大数据这个新兴的概念这几年和VR一样火了起来。但大数据究竟是什么，将会给石油行业带来哪些变革?本文从已经有的应用，如预测ROP，预测电潜泵损坏时间，预测井底状况，以及测井数据的机器解释等。探讨了大数据对于我们工作和生活的影响，随着大数据对于石油行业的深入，原来的油藏，钻井等技术都将因为该技术而产生革命性的变化，若干年后，也许你的岗位将不复存在。

什么是大数据

大数据这个概念，或许可以用淘宝的一个实例解释：

(图片来自“薄云借智”)

还可以用出行时使用的高德地图实时路况来解释：

当你使用高德地图导航的时候，可以发现，这个软件已经可以实时告诉你哪条道路发生了拥堵，道路的拥堵程度，以及通过拥堵路段所需要的时间。

在淘宝的案例中，将网购用户选购的文胸罩杯和她们的购物模式数据相结合，就得到了女性胸越大，购买力就越高这样一个关联。而在高德地图的使用中，每个使用高德导航的人，都会将自己的位置和速度信息回传到服务器，在某一拥堵路段，车辆平均速度很低，服务器会认为该路段发生了拥堵，并将这一信息反馈给用户;而根据低速行驶的时长，服务器就可以给出“预计通过时间”这一预测。

在上面的例子中，每一个淘宝和高德地图的用户，他们所产生的信息的汇总，就是大数据(Big Data)。这两个软件的用户规模都是亿级的，其产生的数据量也是惊人的。下图解释了传统数据库和大数据的一些区别。

(图片来自“薄云借智”)

其实，大数据(Big Data)本身仅仅是一堆数据，杂乱无章毫无意义。而这些数据只有经过了数据挖掘(Data Mining)之后，才会产生意义。而大数据该如何挖掘，就成为了大数据研究的重点。

石油行业的大数据

我们在日常生活中所接触到的大数据，和石油行业中所使用的大数据，有着极大的不同。如果我们借用对日常生活提供服务的大数据概念套用在石油行业，就理解错了。其中的不同点主要是：

产生主体的不同。百度阿里这些互联网公司研究的大数据，主要是由人类活动产生。而油气行业的大数据，主要是要依靠各类传感器(Sensor)产生。

背后机理的不同。人类行为主要受到人类心理活动的驱使。而油气行业所研究的问题，背后是物理和化学规律。

曾经硅谷有一些科技企业，跑到休斯顿的大石油公司去说，把你所有的数据都给我，我来给你做大数据分析，帮助你进行勘探开发和实际生产规划的决策。但是这个想法距离石油公司的实际应用还有很大的距离。因为硅谷的科技企业进行的大数据分析的方式并不适合于石油行业。油田决策这种动辄千万美元的事情，真正拍板的肯定还是资深工程师。要想证明现在数据分析的算法能够准确的帮助决策，还需要从实际的小项目入手，一点一点的让石油行业从业者信服。

有一个说法是：一切不谈具体场景的大数据分析都是耍流氓;还有一种说法是：一切不以预测为目的的大数据分析都是耍流氓。所以，真正的靠谱的大数据应用，应该是结合具体场景，同时能够实现预测。虽然，定夺在哪里打井这种事，大数据还搞不定，但工程上的一些具体应用，在美国已经实现了：

预测钻进速度

钻速ROP(Rate of Penetration)，是钻井中十分重要的一个工程参数，而ROP的预测一直是钻井工程希望实现的。现在，通过大数据技术，美国西弗吉尼亚大学石油工程系的Shahab Mohaghegh教授课题组所研究的算法已经能够利用大数据技术，结合LWD数据，预测下面10feet的ROP，并实现了相当高的准确性。

电潜泵工况预测

传统上，井下的电潜泵只有在已经损坏后，才会被打捞上来进行修理。这样就导致了非生产时间NPT(None Production Time)，造成经济损失。通用电气GE公司目前正在致力于通过在电潜泵上安装传感器，实时监控电潜泵工况，并利用大数据，预测电潜泵会在什么时候损坏，从而提前安排维修或更换，避免NPT。

井底状况预测

哈里伯顿的Pinnacle部门，专业从事油藏分析和压裂检测，是井下光纤产品开发和行业应用领导者。光纤传感器下到井底后，可以提供完整、实时的井底情况。依靠一种新型光纤传输微地震接收器，和分布式光纤井下温度检测系统，并结合大数据分析技术，可以实现对地下裂缝的精准分析，从而评估压裂效果;并可以对地下的油气水流体状态，做出动态监测。

测井数据机器解释

传统的测井曲线，都是要靠测井工程师来进行人工解释。而现在利用大数据技术，结合机器学习，测井数据的机器解释已经能够实现。具体来说，就是先要训练电脑识别测井曲线，告诉机器每种曲线背后的物理机理及各种地层的响应特征，并使用大量的数据来训练。之后，训练过的机器就能够对测井数据进行自动解释，准确性达到了70%到80%。能够极大地降低测井工程师的工作强度。

通过大数据，以前很多不敢想，不可能的事情都可以变成可能。比如说，油田的区块分析，哪块有潜力而哪块没有，结合大数据就能做出判断;或者，压裂的效果，裂缝产生的长度，深度，以及流体流动的效果，结合大数据也可以给出。

石油大数据背后的技术

大数据应用于石油行业时，遇到的一个大讨论就是，Data-Driven还是Physics-Driven，直译为数据驱动还是物理驱动。Data-Driven意思是说，仅仅依靠分析数据，找到数据背后的规律。比如说，很多电商网站的推荐引擎具备这种能力，它能够在顾客买书的时候，推荐顾客刚好喜欢的其他书籍，顾客可能不知道“为什么”，其实网站也不在乎“为什么”，只是知道喜欢这种书的人和喜欢那种书的人之间，刚好具有一定的关联性。

这种推荐就是基于数据的，它能够通过统计分析人类所不能感知的关联，知其然而不知其所以然。文初给的阿里的例子也是数据驱动，数据发现女性罩杯和购买力存在正相关，却不知道为什么。而Physics-Driven的意思是，考虑数据背后的物理原理，结合物理原理和数据来解释问题，知其然也知其所以然。

长期以来，石油行业都是长期以来，石油行业都是Physics-Driven的，也就是，会提出各种各样的原理，原油成藏原理，原油迁移原理，钻头切割原理等等，而这些原理也被证明是确实有效的。那么，在大数据应用时，就不该彻底抛弃物理原理而单纯的采用Data-Driven;所采用的方式应该是，在物理原理的指导下，结合数据，进行大数据的分析。

石油行业的物理原理非常复杂，各种情况又千变万化，想让大数据在石油业应用，离不开的技术是神经网络(Neural Network)和深度学习(Deep Learning)。这两个术语是计算科学上的，简单解释都要一整篇文章。但通俗说起来，就是试图让机器拥有人类的思维方式，达到人工智能。

比如，一个小孩，当他第一次看到一只哈士奇，妈妈告诉他这是一只狗;之后他又看到了一只泰迪，妈妈告诉他这也是一只狗;再之后他看到了一只藏獒，妈妈告诉他这还是一只狗。那么，看过了几种狗之后，有一天小孩看到了一只他没见过的狗，比如京巴，他还是能够知道，这只京巴也是一种狗。其实哈士奇、泰迪、藏獒和京巴的外部特征差别还是很大的，但是人类就能够认识到这些狗之间还是有共性的，并把他们归为一类，其背后有着隐藏的分析处理过程，这在神经网络中称为“隐含层”。当然，这些特征可不是有一只头，四条腿，一条尾巴这么浅显，因为人类还可以分别狗和猫，而猫和狗都是一只头，四条腿，一条尾巴。

然而，如果让电脑来识别这些图像，电脑就傻眼了，电脑在知道了哈士奇泰迪藏獒是狗之后，却无法知道它没见过的京巴也是狗。而如果用神经网络和深度学习的方法训练电脑，就可以让电脑有着人脑般的结构和思维方式，即有了“隐含层”思维方式。从而有了“人工智能”。

可以预见的是，大数据技术在石油行业，必将会大放异彩，有着惊人的表现和成果。但是，这中间还有很长的路要走，难度相当大，这些电脑和算法需要大量的训练才能够达到理想的效果。因此，一大批同时懂得石油知识和大数据知识的跨界人才，需求量一定会相当大。在此，推荐石油专业的从业者和学生们，去自学一些大数据方面的知识，现在的网络这么发达，各种学习资料都能找到，想立于不败之地，就要抢先行动抢先布局。而作为企业来说，找到并重用这类跨界人才，就成了企业竞争力的保障。

来源：石油Link

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。