油田开发中大数据技术的应用研究

2022-11-04辛丽丽香明贤

中国管理信息化 2022年14期

辛丽丽，李吟，香明贤

（新疆油田公司数据公司，新疆克拉玛依 834000）

0 引言

油田的数字化、智能化转型发展离不开互联网技术和大数据技术的支持，石油企业需要聚焦行业最新技术成果，积极将大数据技术引入油田开发工作中，将大数据技术与人工智能相融合，实现油田开发中大数据技术的高效应用，为油田的开发和企业的整体发展提供更多支持。在发展过程中，油田企业需要充分挖掘油田开发过程中油田数据的价值，为油田开发方案的优化提供更有效的数据支持，提升数据分析效率。同时，石油企业也需要积极引进人工智能技术，构建以大数据为基础的油田开发数据管理和挖掘的智能化平台。

1 大数据技术在油田开发中的应用价值

大数据技术在信息化时代具有极其重要的作用，被众多行业应用。各行业人员可以通过数据库和大数据技术实现对海量信息数据的存储、管理，通过业务分析、大数据、人工智能、机器学习以及数据挖掘等技术将数据库中业务相关数据的规律进行归纳、分析和总结，为企业的决策规划提供支持，助力企业生产发展效率快速提升。

在油田开发过程中，大数据技术能够从效益、效率和安全等多个领域为油田发展提供助力。在数据管理过程中，油田开发工作人员可以借助大数据技术实现对数据的高效分析，不仅可以对数据库中的油田开发数据进行有针对性的分析，最终发挥各业务部门相关数据的价值；还可以实现对各业务模块资源的高效整合，提升石油企业资源的利用效率。同时，在大数据技术的支持下，油田的生产经营效益将进一步提升。日积月累的数据信息成为大数据技术的应用基础，在大数据技术的支持下，各业务流程的管理工作更加高效和精细；在精细化、高效管理模式的支持下，油田的生产经营效益将大幅度增加。在油田安全生产方面，大数据技术能够对油田开发相关生产数据信息进行归纳总结，形成更安全可靠的生产管理方案，辅助工作人员排查并解决现有的生产风险与隐患，为油田的开发和安全生产提供助力。

2 油田开发中相关数据的特点

油田开发中的数据特点主要包含6 个方面，分别为规模化、多样性、真实性、高速性、多变性以及价值性。规模化是指油田开发中相关数据量极其庞大，如国内石油上游工程具有约45 万口油井、上百万测井文件、600 多个油气藏，工程建设期间产生的数据量达到PB 级（存储单位）。在多样性方面，上述PB 级的数据中包括测井路基、油田勘探开发、钻井报告、地震解释、岩心图片等方面多样化的数据，涉及不同领域大量的结构化、半结构化及非结构化数据。在真实性和高速性方面，大量油田积极将物联网技术与油田开发生产工作相结合，通过传感器技术、网络通信技术实时传输现场监测数据，在确保数据结果真实可靠的同时，有效提升了数据获取的高速性。在多变性方面，油田开发期间往往会因现场操作方法不一致和所开发油藏结果的复杂性等多种因素，导致最终得到的油田勘探开发相关数据存在不确定性，即多变性。价值性是将大数据技术应用到油田开发工作中的重要因素。油田开发过程中，工作人员能够借助大数据技术将测井与录井数据的价值发挥出来，实现对储层物性参数的精准预测，为油田开发效率的提升提供助力。在油田开发数据应用期间，油田管理人员需要在数据真实的基础上，将具有高速性、多样性、规模化等特征的数据进行融合，借助人工智能、大数据等相关技术对存在多变性的数据进行深入分析，实现对油田开发数据价值的充分挖掘。

3 大数据技术在油田开发中的应用

油田企业在发掘油田开发相关数据的过程中，需要积极推进人工智能与大数据技术的融合，借助更高效的数据分析技术为油田开发方案的优化提供精准指引，加强对开发时间久、油藏类型多的油田进行数据挖掘，实现油田开发生产经验的归纳总结。在油田开发过程中，油田开发工作人员可以借助大数据技术开展数据清洗融合、数据挖掘应用、生产指标预测、决策方案优化等相关工作。

3.1 数据清洗融合

油田开发过程中，油田企业需要重点解决“数据孤岛”问题，对于与油田开发存在关联的钻井、物探、测井、录井、试采等各项工作形成的数据，油田企业要避免通过独立的数据库进行存储和应用，而应结合各部门的工作需求对具有相同属性的不同业务数据进行深入分析，避免因专业角度存在偏差导致各业务部门对数据的应用方向产生较大偏差，同时避免影响后续的数据应用。在油田开发过程中，油田企业需借助大数据技术清洗、融合各业务部门的相关数据，在油田企业现有数据库的基础上，建立相应的大数据分析平台，实现对非结构、半结构、结构化等各类数据的存储和分析，通过统计理论、人机结合、数据完整性约束等技术方法将共享数据库中的数据进行清洗，消除冗余、失真、冲突数据的影响，根据专家决策意见为各类数据的转化融合建立量化的逻辑联系，充分发挥油田开发中数据的价值。

3.2 数据挖掘应用

油田开发数据的挖掘应用需要借助人工智能与大数据技术来实现，油田开发工作人员可以借助高质量、大规模的油田开发相关数据对油田开发相关工作进行预测分析。例如，某油田的开发工作人员采用机器学习的方式在人工神经网络（Artificial Neural Network，ANN）中输入岩石参数，最终分析得到水油相对渗透率等相关数据结果；相关研究人员通过大数据技术对岩心实验相关的数据进行挖掘应用，最终预测了测井跨尺度建模情况，重构了油井眼的精准开发曲线。在油田开发数据挖掘过程中，油田工作人员可以借助大数据技术建立与相对渗透率、测井数据、岩心数据相关的预测模型，借助地层流体组分检测数据结果对炉体特征参数进行预测，实现对油水渗流差异情况的精准预测。相关研究成果指出，在借助油田开发数据和大数据技术预测相对渗透率曲线时，油田工作人员应将流体黏度、渗透率、孔隙度、油井深度、井位坐标等不同数据的价值发掘出来，从而获取更精准的预测结果。

3.3 大数据技术在油田开发业务中的具体应用

3.3.1 生产指标预测

油田开发的主要指标包括累积产油量、递减率、初期产油量等，各类指标数据的预测对于开发方案的优化改进具有积极意义。传统油田开发过程中，工作人员对于开发指标的预测通常需要借助油藏工程、数值模拟等技术手段来完成，但传统技术方法存在精度低、效率低、成本高等问题，对于油田的高效开发缺乏助力。

油田企业通过模式识别的方式对油田开发期间形成的各类数据信息进行价值挖掘，将数值模拟等传统方法替换为单井代理模型，能够精准、高效地预测油田产油量、分布情况等相关信息。例如，在实际操作时，油田企业工作人员可以在深度学习的基础上建立多层卷积神经网络，快速预测油田剩余石油的分布情况；可以通过LSTM 建立预测油田产能的模型，结合历史采油数据对其产油量进行预测；可以通过人工神经网络算法建立能够预测油井底部压力数值的模型，在模型中输入油井开发期间监测得到的油气密度、井底温度、油气水产量、油气黏度、溶解汽油比、井筒直径等各类参数信息，最终在直井多相渗流情况下，经过模型训练得到井底流压数据参数。

测试结果表明，深度学习、机器学习相关算法虽然在训练集中能将误差控制在9%～15%的范围内，拟合效果较好，但是在测试集中存在较大偏差，而且偏差数值随着时间的延长逐渐增加。针对这一情况，油田相关技术人员需要充分考虑模型的研究方向，一方面可以提升通用预测模型在不同油藏、不同阶段各类指标的预测效果，另一方面建立适用于单一油藏精准预测的专用模型。油田工作人员需要对不同油藏、井组、单井间的差异性进行研究分析，确认结合油藏工程建立的样本是否具备全面的特征，样本如何反馈部分难以量化的外界干扰、关井周期等因素条件。油田工作人员还需要考虑实测数据与模型模拟样本的具体应用方式。

在生产指标预测期间，油田工作人员需要积极改进机器学习算法存在的训练效率低、模型复杂等问题。在油田开发数据分析过程中，需要结合时序特征对数据信息开展聚类分析工作，从原油年度、储层厚度及渗透率3 个方面对数据集类别进行划分，并将油田开发期间形成的实时动态数据分段，分别开展相应的建模分析工作，实现指标预测效率的进一步提升。同时，工作人员还需要针对动态数据与静态数据两种数据类型建立相应的数据融合模块，将油田开发措施、开发动态、井内地质等数据汇总融合，将整合的数据用于单井产量相关生产指标的预测。此外，通过大数据技术中的数据清洗转化技术，油田工作人员能够实现对生产指标预测相关大数据的预处理，在实际操作时需将有无措施作为不同的预测指标，有针对性地设计不同的数据分割方法，为单井开发生产指标预测提供样本数据库，最终在重复的数据转换、变量分析过程中，从数据指标中筛选得到有价值的特征参数。

3.3.2 油田开发方案优化改进

油田开发方案的优化改进主要从注采量、井位、层析组合等方面进行，优化改进工作通常可以依靠对历史数据的模拟分析来实现，但常规数值模拟技术的方式存在收敛速度慢、求解困难的问题。为解决开发方案优化期间模拟计算的难题，油田工作人员可以借助代理模型实现计算效率的大幅度提升，为油田开发方案的动态优化改进提供助力。在实际操作时，油田工作人员需要合理应用大数据技术中的人工智能算法构建与油田开发相关的指标预测模型，依靠优化方法和目标对历史数据进行快速拟合，实现对开发方案的优化。历史拟合过程中，工作人员可以将主成分分析工作与神经网络算法融合应用，根据模拟得到训练数据，能够对历史拟合结果的神经网络模型进行预测，同时根据优化方法选取最佳的油藏模型参数，在此基础上，还可以借助遗传算法进一步优化油藏注采参数，最终借助代理模型优化完井策略，促使水平井以最佳产能产出原油。