本期聚焦石油與大數據。伴隨著數字化浪潮，能源和資源得以智能化分配，效率空前提升，能耗成本也大幅下降，數字化為能源革命賦能，已逐漸成為共識。石油行業油氣上游部門是由海量數據驅動的，數據量呈指數上升趨勢。

能源行業的全面自動化和數字化熱潮此時方興未艾，這是能源數字化的“紅”。“智能”系統日益廣泛的應用也使我們產生了一種錯覺，即所有的數字問題都可以通過數字方案來解決。然而，數字化時代全面來臨，黑客也隨之變得越來越大膽和有“創意”。與此同時，網絡安全工作的難度卻日漸增加。這是能源數字化的“黑”。

技術部門需要同時應對大量難以想象的結構化數據和非結構化數據，他們必須獲取并管理比以往更多的數據，并從這些數據中分析油田的各種規律。這些引領行業的大公司具體有哪些舉措或實踐？本版進行了梳理和解讀。

石油公司與大數據

大型石油公司在運用新技術的時候，更多考慮技術帶來的收益和見效的時間，所以投資規模適中、見效明顯、收益高的技術往往受到青睞。

石油公司主要利用大數據技術處理設備的預測性維護數據和地震數據。值得關注的是，石油公司和互聯網公司（如亞馬遜和谷歌等）的合作越來越多，這種跨界聯姻帶來的預期也值得期待。

殼牌（Shell）

殼牌與惠普合作，在油田和煉廠布設了大量傳感器和光纖電纜，并將海量數據傳輸到由亞馬遜維護的私有云。通過數據倉庫的搭建及大量數據分析方法的運用，殼牌對油藏情況有了更精準的把握，來自任何一個油田的數據都可以和遠在萬里之外的成千上萬的油田數據進行對比，以確認最佳的鉆井靶點。

新一代的分析技術正把海量數據轉化為合理的勘探決策、高質量的油井、較低的成本和可接受的環境影響。他們運用SAS（SAS是全球最大的軟件公司之一，是全球商業智能和分析軟件與服務領袖，經營范圍是商業智能和分析軟件及解決方案、智能領域專業咨詢服務、基于SAS解決方案的專業培訓和技術支持等）的預測性資產維護軟件延長設備壽命和運行時間，由此帶來的油氣增量會給公司帶來數千萬美元的效益。大數據已深入設備運行的每個方面，在此基礎上的數據分析技術幫助殼牌持續保持領先。

SAS消除了殼牌設備運行業務流程中的不確定性。通過分析大量實時數據，殼牌提高了設備流程和資產效率，保持了良好的性能和可靠性。當SAS發出預警信號時，現場工程師可以快速診斷，并防止進一步出現更嚴重的問題。

殼牌的工程師正利用這些設備監控大數據來提高公司最新平臺Perdido　Spar的性能。在1萬英尺的水下，一條面積相當于美國休斯敦的海床可生產石油和天然氣13萬桶油當量/日，借助SAS的大數據技術，殼牌可以在這里大顯身手。

除了勘探，殼牌還利用大數據來優化石油和天然氣的運輸、提煉和銷售。

煉廠需要建在盡可能接近最終用途的地方，盡量降低運輸成本。通過海量數據結合復雜的算法，考慮生產燃料的成本和各種數據，可以確定每種產品的需求和資源分配形式，以達到煉廠最優化生產的目的。

雪佛龍（Chevron）

一口油井的一根光纖電纜每天可以產生超過1TB的數據，雪佛龍有數千口油井，多年來一直在收集和分析數據。在與微軟達成協議使用其高度分布式架構的云服務后，雪佛龍的數據收集和分析系統正在升級。

有了微軟Azure的幫助，雪佛龍運用地震數據預測和建立油田地質模型的工作變得更簡單和準確。

此外，油井中的傳感器收集性能、溫度、壓力和設備健康數據，鉆井船和生產設施配備了數千個傳感器，生成更多數據。Azure物聯網中心不僅將繼續收集所有這些數據，而且將幫助部署、管理和保護這些設備。

有了這樣龐大的物聯網系統，加上機器學習技術，系統就可以給工程師更多指導，讓他們確切知道要去哪里和要做什么。機器學習技術還可以比人類工程師更快、更一致地處理地震數據，并幫助建立地質模型，幫助工程師決定在哪里鉆井，以及使用什么鉆井技術。

借助微軟提供的大數據技術，雪佛龍提升了墨西哥灣部分油田的鉆井效率逾20%，優化了勘探開發工作，大幅提高了油氣田發現的數量和質量。

沙特阿美（Saudi　Aramco）

作為石油行業當之無愧的“巨無霸”，沙特阿美在技術上也必須是舍得下血本投入的。考慮到沙特阿美的體量，即使是很小比例的采收率和生產效率的提高，對公司長期發展也有明顯好處。2017年以來，該公司采取了一系列措施，最大限度提高石油采收率，其中大數據技術起到至關重要的作用。

運用大數據技術，沙特阿美的研發中心在應對關鍵油氣挑戰方面取得重大進展，包括改進地震處理和分析方法、提高天然氣勘探的效率、優化提高原油采收率的方法、提高原油采收率和降低生產成本等。

大數據技術提高了GigaPowers（沙特阿美并行油藏數值模擬器）和TeraPowers（沙特阿美下一代油藏和盆地模擬器）的運行效率和模型分辨率，使石油工程師能更好地了解儲層力學，從而實現長期的可持續生產。

此外，沙特阿美還在大數據平臺的基礎上開發了下一代集成地震成像平臺Geodrive，該平臺可實現超高分辨率地下測繪和特征描述，并與阿卜杜拉國王科技大學合作對該平臺進行了全面測試。

借助大數據，沙特阿美的地質導向方案通過達蘭最先進的地質導向中心，實現了93%的儲層接觸率，數百公里外的鉆機已可以實時監控，帶來更精確、優化的井位布置。實時鉆井和井下數據通過衛星從鉆井平臺傳輸到先進的地質導向中心，由專家小組做出實時決策，實現最大化的儲層接觸率，從而提高井的生產率，降低開發成本。

油服公司與大數據

作為技術供應商，油服公司在大數據的應用方面比石油公司走得更遠，各大油服公司在勘探、鉆完井、采油等領域都有不同程度的嘗試，取得的效果也各有千秋。

斯倫貝謝（Schlumberger）

作為油服領域的龍頭老大，斯倫貝謝一直以來的制勝法寶就是核心技術。進入數字化時代，斯倫貝謝仍然不甘落后，較早將大數據技術與油藏數值模擬結合在一起，取得了不錯的成績。這樣的技術思路，在當今以數據為驅動力的浪潮中，將大量儲層和生產數據與高性能預測分析解決方案結合，在預測最終采收率的競爭中脫穎而出。

目前，非常規油藏的完井和生產優化工作需要大量地質建模、裂縫模擬和生產模擬。通過大量分析，可以優化出完井設計參數，如最佳井距、支撐劑選型等。然而，在目前北美非常規油氣生產井中，只有不到5%在壓裂時有足夠數據和計算時間來進行這樣的模擬和設計工作。大數據、云計算和人工智能算法有助于油藏和裂縫模擬的并行計算更快、更高效，有助于斯倫貝謝大幅提升完井設計水平。

這樣的方法已在美國鷹灘頁巖區的頁巖油氣井上應用。這次應用收集了2000多個數據點，在多線程集群環境中進行完井的敏感性分析，并大量運用隨機森林、梯度增強、線性回歸等機器學習和數據挖掘算法，建立代理模型。通過梯度增強技術，代理模型的精度達到90%以上，可以準確預測油氣井產能。而且，這還是個即插即用的工具，可以隨時快速評估完井參數的變化對未來油氣井產能的影響。

斯倫貝謝還將海量數據用于優化井隊的鉆井周期，通過建立增強性的KPI標準集，可以對每個操作進行標準化測量，通過將實際數據和標準化操作數據進行比對，將結果以簡潔的可視化方式傳達給井隊，以便井隊不斷改進操作，優化鉆井周期，降低成本實現卓越管理。

貝克休斯（BHGE）

貝克休斯如今正與美國NVidia公司展開全面合作，利用人工智能和圖形處理器（GPU）技術加速對油氣行業海量數據的實時提取，大幅減少石油勘探、開發、運輸、加工、分發的成本。這樣的“雙持”也讓貝克休斯在油氣行業數字化領域的地位節節攀升，并迎來實質性的合作。

BP在貝克休斯的支持下，正在部署基于云計算的高級分析平臺POA，該平臺建立在通用電氣（GE）的Predix平臺上，并結合了大數據技術，為資產績效管理提供工業級分析。目前，該平臺在墨西哥灣運營，每天分析1.55億個數據點，以提供性能和維護方面的見解。此外，POA將整合其安哥拉業務，BP計劃將該系統部署到今年的阿曼和北海業務中。

在數據平臺的合作基礎上，貝克休斯還確保了生產設施上的關鍵旋轉機械的高效運行。這些設備包括壓縮機、發電機和關鍵泵，這對于確保全球范圍內石油和天然氣的安全開采和運輸至關重要，尤其是在BP發生造成世界范圍影響的安全事故后。

通過分析如振動、轉子位置、溫度、壓力流量等數據，貝克休斯部署的大數據系統能識別機器工作狀態的變化，確定機器是否以最佳狀態運行。預測性識別異常操作的出現可最大程度減少設備中斷，并避免不必要的停機時間。

BP已將貝克休斯基于大數據的System1TM和SmartSignalTM軟件系統部署在其位于北海的英國和挪威部分的多個海上生產設施，以及墨西哥灣、里海和安哥拉等其他關鍵石油和天然氣生產平臺。利用對海上無線網絡的投資，BP能從其位于阿伯丁的高級協作環境中心遠程監控其海上油田的大部分關鍵設備，并利用來自全球的遠程專家支持。遠程監控給BP帶來了諸多實惠，尤其是避免了在惡劣天氣條件下需要額外的工作人員到鉆井平臺進行實地監控的情況。

貝克休斯協助BP從安裝在其海上設備的傳感器中采集和管理大量數據，這些傳感器能根據運行狀態和識別潛在問題來改變所捕集的數據量，從而進行準確的診斷和先發制人的干預。貝克休斯的目標很明確，就是要消除運營中的缺陷，這種大數據的解決方案最終使BP能采取更積極的維護方法，大幅降低管理風險。

關于大數據你需要知道的事

1.大數據不等于海量數據

人們往往認為運用大數據技術，必須有海量的數據。這是大數據這個名詞造成的普遍誤讀。

大數據是有關數據分析、統計學的技術，只要數據足夠真實，足夠全面，足以總結相關性規律，就可以運用這項技術。如生產數據、增產措施數據、各種井下作業的數據，雖然都到不了TB的級別，但只要問對了問題，選對了角度，同樣可以通過大數據技術帶來商業上的改變。所以，相比大數據（Big　Data）這個詞，全數據（All　Data）更貼切。

2.數據驅動的新角度、新方法

大數據不僅是關于商業智能（BI）的，而且是通過數據驅動，找到解決技術問題的新角度和新方法。很多技術領域雖然已有成千上萬的學術論文專門研究，但仍然沒有得到滿意的解決方案，那么大數據就可以成為一種統計學方法，對技術開放的心態往往會帶來意想不到的收獲。

3.開放的數據文化環境

大數據需要一個開放的數據文化環境。拋開數據安全的問題，需要打通各個信息系統之間的壁壘，使絕大部分數據處于受控的開放環境中，才能發揮數據真正的價值。如采油工程師要發現凝膠調剖技術適合在油田的哪些井使用，那么他需要的就不僅是生產數據，而且需要工區的地質數據、沉積環境的數據、試井和測井數據，甚至還需要地震解釋數據。如果采用目前的豎井式系統，那么這位采油工程師的工作量將多得“令人發指”，也會無端耗費他的很多精力，很可能花了幾個月時間也得不到想要的結果，而已投入的大量時間成本還可能驅使這位工程師執迷于研究內容，甚至得到一些不實的結論。

而在一個開放的數據環境中，所有數據集中在一起，這位工程師就可以迅速調用所需素材，快速建立數據之間的聯系。即使這些數據之間沒有相關性，他也很快能發現，及時調整研究方向。

因此，若要實施大數據項目，企業的決策者要有足夠的耐心，因為系統架構要足夠開放，會有大量的數據處理工作要做。但這是非常必要的，基礎沒打好，樓建得越高越危險。

4.大數據應用應回歸理性

大數據這個概念自從2012年在油氣行業再次引爆后，經歷了相當長時間的“科幻”期。在這個時期，大量石油行業的從業者都對這項技術寄予厚望，希望它能徹底改變行業，讓我們躺著賺錢。另外，石油公司對數據資產的嚴加看管使得油服公司尋求大數據技術的突破變得舉步維艱，如何讓雙方在信任的基礎上擁抱未來，是大數據要解決的技術之外的問題。

目前，油氣領域大數據技術還處于試驗階段，只有大型石油公司在勘探開發、鉆完井、設備維護等不同專業層面應用了大數據技術。然而，大數據的內核是統計學，一門探究相關性而不是探究因果關系和邏輯關系的學科。其相關性的本質讓這項技術逐漸回歸理性，越來越多的石油企業從撒網式應用轉變為聚焦突破關鍵技術點，并落腳在設備預測性維護、地震數據和地質油藏數據的快速處理、鉆井過程的智能導向等，回歸理性也為真正具備核心技術能力的公司帶來了最佳的入場時間。