以智能钻井为例，深度解析数字油田的智能化建设

*引言：*2020年8月8日，数字油气行业专家孙旭东博士在美林数据2020数字智能线上论坛发表了《智能平台：数字油田的智能化技术应用与实践(智能钻井案例)》的主题演讲，从智能油田、智能场景、智能平台三个方面详尽的阐述了数字化油田的建设思考与实践。孙旭东博士主题演讲中对数字油田建设深刻的见解获得了线上线下观众的一致好评，以下正文根据其演讲主要内容整理而成。
油田勘探开发的数字化转型中，智能化技术已经开始广泛的应用。在可以看到的将来，智能化技术将成为数字化转型最为核心的技术，也是智能油田建设的关键所在。在建设智能油田的过程中，很多专家都谈论到了智能油田中智能指什么？智能油田的理论框架以及架构体系有哪些？但对于具体的业务研究人员来说，如何让人工智能以及大数据技术在智能油田领域落脚，最终成规模地应用，才是最值得关注的地方。

智能油田：勘探开发数字化技术现状

油田勘探开发行业经过数十年的技术发展，已经形成了精细的行业分工与高度的专业化要求，在理论、学术、行业应用方面都极其复杂。油气开发已经成为当今世界最为复杂庞大的工业体系之一，仅最为常规的油气勘探开发工作就需要经历项目评估、勘探规划、地质研究、探勘部署、石油工程、圈闭储量管理、油气藏评价、开发方案设计、产能建设、生产监测与优化等一系列环节。

目前，在整个油气勘探开发领域的软件工具方面，在国际上已经有了一套全领域的解决方案体系，相应的产品链涵盖全业务数据与知识的应用软件，完成了地震、地质、油藏、工程等一体化的应用闭环。以斯伦贝谢、哈里伯顿、贝克休斯为代表的石油行业解决方案提供商已经形成了从底层的数据模型到专业应用软件，再到全业务应用闭环的一整套完整的全产业链软件开发模型。实现了统一的行业数据模型与知识模型，统一的行业应用软件集成，统一的覆盖全业务生态的业务协同。行业的生态化环境正在逐步形成。
但截至目前，我国在国际上的成熟的油气勘探开发商业软件上仍然几乎为零。

除了在行业应用软件，在数据建设方面国内目前也面临着同样的问题。
全球范围内油田数字化、信息化建设历史远超20年，正从原有的地质模型和数学模型向着大数据、人工智能、知识管理和云协作方向演化，自动化与智能化成为了重要特征。在数据建设方面，石油行业在国际上也拥有一套完整的数据标准生态系统，例如RPDS、PPDM、POSC等很多底层数据模型已经对油田整体过程中各种数据进行了非常完整的定义。

但我国在对油田内部很多数据的定义系统还很不完善，在地理模型及数学模型方面仍是一片空白，数据的标准以及定义很大程度上依靠其他国家的专业软件。缺少对核心标准的掌握和理解导致我国在利用大数据以及人工智能建设数字油田时难以进行更加深入的应用。
虽然每年国内大数据与人工智能技术在油田的各个领域也都有大量的研究与应用，但建设效果始终无法达到预期。很大一部分原因就在于国内专业数据管理与专业软件建设的不足，导致在数据、应用、整体架构、业务体系没有形成一套完善统一的体系，最终让国内石油行业的人工智能技术应用落后于欧美等国。
大数据与人工智能技术普及化，人工智能的行业应用迎来黄金期。但我们在油田勘探开发核心技术上的落后，以及产业与技术缺乏深度融合，都严重制约了智能化技术的发展。需要我们要尽快弥补我们的“短板”,加快完善我国在油气开发数字化领域的核心技术和产品，以及共同打造职业化团队和专业化的队伍，实现油田开发队伍与人工智能队伍的融合发展。

智能场景：智能化落地与实践方法

智能场景是智能应用的业务场景，是基于产业架构下的关键点和智能点，是数字化转型的核心与基础。
以智能钻井为例，钻井过程中最大的需求是降本提效，而其中最为关键的是提升钻速（ROP）。影响钻速的因素包括：地层地质与岩性因素、钻井的钻头因素、井筒的管具组合与动力装置、钻井液的配置、井口的工程施工参数等。钻井过程中，需要考虑不同地层、钻头、管具和钻井液、井口动力系统等多个因素影响，明确钻速与不同参数之间的关联关系。

以往专家会通过后台调取井口采集到的数据（包含泵压、泵冲、扭矩等五十多个参数），根据多年经验进行判断以达到帮组地下钻进规避风险的目的。
这种根据个人经验构建公式的传统方式，不仅需要花费大量时间在调整参数适配模型的过程中，而且多数情况下，耗费大量时间调整参数适配模型的公式一旦到了新环境时常无法适用，需要重新进行调参。
大数据、人工智能技术的出现很好的解决了这样的问题。钻井场景会产生大量的数据，基于业务流程构建综合了井口实时采集数据（秒数据）、钻头钻具数据、钻井液数据及地层数据的一个大数据体，而后通过机器学习算法分析这些数据要素与最终钻速之间的关系，从而获得最有钻速的预测。最后，根据钻速预测模型，再反向提出钻井参数优化的选项和量化数值。通过人工智能寻找参数之间的潜在关联关系，基于不可变因素，通过调整可变因素在保证安全的前提下加快地下钻井速度，从而减少钻井高昂的时间成本，效率更高的同时也能快速适用于不同环境。
通过以智能钻井的应用为例可以看到，人工智能技术在应用过程中，首先需要从不同数据源获得各种样本数据，将样本数据中的异常和问题统一处理，进而融合形成训练样本。基于训练样本，从业务角度进行数据的业务分类（可能是不同施工井段，不同地层与岩性或者不同的钻具组合），进而基于特定的业务分类设计能够体现关联关系的特征工程，这些特征可能用到专业算法与经验公式。最后，通过选择和挂接不同的智能算法进行训练，形成算法模型，然后实现模型的服务化发布，最后通过实时的数据进行钻速预测和随钻过程中的钻井参数优化。

然而人工智能技术应用的过程不是一蹴而就的，每一步都需要很多工作进行铺垫。
首先，通过从业务场景中构建智能模型代替经验模型，用更简单的设计、更快地训练，大幅降低模型研究工作量来解决传统经验模型设计创建难度的问题。
其次，以智能模型为核心，构建智能场景中完整的模型应用的流程，封装复杂算法，暴露必要的参数接口，解决模型设计与创建复杂的问题并降低使用难度。
最后，通过智能平台的方式固化场景设计的模式，形成行业/产业化的解决方案来减少构造场景花费时长并完成智能场景设计创建自动化。

智能平台：数字油田智能转型与升级

有了智能模型和智能场景，就需要智能平台对场景流程进行管理，实现数据、处理、算法、场景流程等所有要素的复用。通过TempoAI智能平台，以往需要半个月的工作量，可以在两小时内快速建立完整的“钻井参数优化场景”的流程（模型）。

（1）数据获取
石油工程数据包括钻完井设计与随钻数据、测录井数据、测试完井数据，数据采集频度从秒数据米数据为计量的自动化数据、到以小时和工作日为计量单位的人工数据。通过数据库或数据文件导入钻井实时秒数据、钻井液实时数据，以此作为预测模型的数据样本。

（2）针对钻井井场实时数据的预处理
钻井井场的实时数据一般以秒为单位，间隔3~5秒采集并传输一次。由于采集设备和传输条件的约束，会出现数据质量问题，以及数据多且混杂的现状。因此，针对数据的处理工作非常庞大，一般包括：数据的字段筛选、数据录筛选、数据异常值的处理、数据噪点处理与平滑处理、基于数据业务逻辑筛选（离散数据筛除与非业务相关数据筛除等）等各种数据处理方法。

（3）数据融合
将来源于不同数据源的各类数据按照一定规则插值融合，构成一个用于训练的样本集合，称为数据融合。将钻井井场实时数据与钻井液数据融合称为一个大的样本集。如果有其他关于管具、钻头、地层、岩性等相关影响因素，也需要将这些数据样本导入进来，按照时间或者深度，进行融合计算，形成大样本集，这样的样本集最终预测的结果可能会更加的准确（但对于预测模型的数据要求也更高）。

（4）特征工程
由于机器学习需要人为选择特征，因为基于业务逻辑特点而设计特征项是非常重要的工作。基于SPE较多论文研究，在ROP预测中，包括MSE在内的多种专业化复合参数对于钻速预测具有极大的关联性，因此，运用传统的业务经验和公式计算这些特征项是一个重要步骤。由于较为复杂的逻辑难以使用模式化的定制工具完成，因此，TempoAI提供了代码嵌入功能，通过Python或R语言等实现算法功能的扩展。

（5）数据标定
样本集的自变量与因变量设定，并选择算法。一个用于预测的样本集，需要指定的训练数据和预测结果数据。在设定数据角色后，再选择合适的算法用于训练。

（6）模型训练和模型输出
经过样本数据训练后形成了一个模型，这个模型就是智能学习的结果，将这个模型存储，可以在后期应用新的数据进行预测和分析。例如，决策树模型训练完成后，形成一个带有参数的树模型，这个树模型可以针对新数据进行预测。此时，一个完整的流程构建完成了。可以在智能建模工具中完成定制，也可以使用编码实现。

（7）应用模型进行预测的应用过程
在训练模型完成后，就是一个针对模型使用的过程。同样，真实的数据获取之后，同样经过处理、融合和特征构建，形成与模型相匹配的数据项，这个数据经过模型的计算，会获得预期的计算值（分类，回归等）。最后，便是一个将智能模型进行服务化发布的过程。

总结

安永全球及美洲人工智能顾问Keith Strier认为公司应该从整体上考虑技术问题，“价值是通过将数字技术结合在一起来解决特定的业务问题来实现的，这实际上是一种全方位技术的整合。”安永加拿大国家油气战略负责人Lance Mortlock对此表示赞同：“问题不在于使用哪种技术，而在于技术如何支持实现业务流程和人员能力。”
智能化技术不是独立的技术，而是与传统产业的逻辑，以及数据技术、IT技术相关的。因此在数字油田领域，人工智能技术应该与传统业务紧密结合。未来，人工智能技术应该与油田产业的具体场景相融合，以具体问题为切入点，才能实现人工智能的真正落地，帮助油田实现真正的智能化。