当前, 全球已经进入第四次工业革命时代, 随着新一轮科技革命和产业变革的孕育兴起, 人工智能将重构几乎所有行业, 大数据、云计算、互联网等新一代信息技术同工业技术相互融合, 推动生产制造模式、产业组织方式、商业运行机制创新, 为工业经济发展打造了新动能、开辟了新道路、拓展了新边界。作为在国民经济和国家安全领域中扮演重要角色的石油工业, 改革开放40多年来取得了巨大成就, 技术革命与创新始终是推动其发展进步的动力源泉。

录井技术是石油工业上游领域涉及勘探开发的关键技术, 在油气钻探过程中发挥了重要且无可替代的作用。但由于自身特点和历史原因形成的传统模式, 工作场地大多分布在环境条件较差的野外, 录井信息大部分靠人工采集和经验化管理, 仪器设备需要有人值守作业, 导致工作效率低、信息化程度不高、受人员业务素质和责任心因素影响极大, 质量控制难度大, 已逐步凸显与行业发展、市场需求不相适应的困境; 且录井作业条件艰苦, 劳动力成本上升, 行业发展后劲不足、缺乏核心竞争力。因此, 录井行业要实现跨越式大发展, 必须转变发展思路, 从理念、技术、管理及战略各个层面打破固有思维, 积极探索新时代、大变革背景下录井的创新发展模式, 推动 “ 机器换人” 的生产要素变革, 促使录井工程与“ 互联网+” 、人工智能、地质研究的深度跨界融合, 解决录井行业现有的痛点与瓶颈。本文结合笔者近年来围绕“ 录井采集、资料处理、智能解释与信息发布” 这一主题所做的一系列研究, 探讨“ 互联网+” 时代的智慧录井应用与发展趋势。

“ 互联网+” 是把互联网的创新成果与经济社会各领域深度融合, 推动技术进步、效率提升和组织变革, 提升实体经济创新力和生产力, 形成更广泛的以互联网为基础设施和创新要素的经济社会发展新形态^[1]。近年来, 国家高度重视发展工业互联网, 作出一系列战略部署。党的十九大报告明确提出:“ 要推进互联网、大数据、人工智能同实体经济深度融合, 做大做强数字经济” 。2015年政府工作报告首次提出“ 互联网+” 的概念, 2017 年, 人工智能被首次写入政府工作报告, 2019年政府工作报告指出, 要打造工业互联网平台, 拓展“ 智能+” 。政府工作报告从“ 互联网+” 向“ 智能+” 表述变化的背后, 是我国对创新发展战略的升级迭代。近年来, 国务院印发的 《中国制造2025》《关于深化“ 互联网+先进制造业” 发展工业互联网的指导意见》《“ 十三五” 国家科技创新规划》《新一代人工智能发展规划》《关于促进人工智能和实体经济深度融合的指导意见》, 从国家战略层面上引导和促进了互联网、大数据、人工智能等新兴技术产业的健康发展。“ 互联网+” “ 智能+” 已成为发达国家推进“ 再工业化” 战略、抢占新一轮科技革命和产业变革制高点的必争之地, 更是我国深入推进供给侧结构性改革, 助力我国工业面向数字化、网络化、智能化新旧动能转换, 实现“ 换道超车” 、企业转型升级的重要机遇。

当前, 互联网创新发展与新工业革命正处于历史交汇期, 互联网应用场景从虚拟领域向实体工业快速延伸, 由网络化向数字化、智能化深度拓展, 成为推动大数据、人工智能和实体经济融合发展的突破口, 世界主要国家纷纷将数字化、网络化、智能化作为产业变革的核心。“ 互联网+” 正在持续地影响着整个经济社会并促使其不断发生深刻的变革, 它已经成功地改造了传媒、金融、零售及服务等多个行业领域。

在“ 赋能” 石油工业建设方面, 壳牌公司为适应日益复杂的油气田地质条件和国际社会新变化的需要, 早在2008年提出了智能化油气田(Smart fields)这一概念, 并在建设过程中取得了较好的效果^[2]。智能化油田利用互联网、物联网、云计算和信息监控等技术, 包括实时监测、模型建立、决策与实施3个环节, 具备自主采集、分析、判断、规划、协调、重组与扩充、自我学习、自行维护等能力^[3]。近年来, 面对“ 互联网+” “ 智能+” 时代的到来以及国家“ 智慧能源” 战略的提出, 国内以智能化为代表的油气技术革命正式拉开序幕, 很多油气生产企业提出了油田智慧化或智慧油田建设的问题, 有的油区基本完成了智能钻井实时分析、数字油藏化描述、生产数据即时传输以及数字化油气田管理等应用建设, 覆盖了油田开发生产各个业务领域, 初步形成了资源共享、优化集成的信息系统平台, 打造了一系列核心业务应用系统, 实现了企业决策分析智能量化、生产运行实时优化、生产管理高效协同、生产经营精细管控的一体化运作模式^{[4, 5]}。当前“ 互联网+” 技术对我国石油天然气行业的贡献价值正处于量变到质变的关键节点, 新一代勘探开发智能化技术体系正在形成, 新一轮技术革命蓄势待发, 互联网、大数据、人工智能和行业深度融合, 成为不可阻挡的时代潮流。

根据录井技术现状与发展需求, 围绕“ 地层剖面建立、油气识别与评价、工程监控和信息传输” 四大工程任务, 借助“ 大数据、人工智能、移动互联网、云计算、物联网” 等新兴技术, 研究录井数据智能采集、录井设备运维、安全传输、智能解释及远程指挥决策一体化关键技术, 将钻井工程参数、岩性与油气显示识别、大数据分析等技术高度集成, 构建集井场数据采集、处理、评价、传输、发布于一体的系统管理平台, 突破录井作业以人为中心的人机物融合理论方法, 通过工业机器人自动选样、仪器自动分析、数据实时挖掘与智能解释评价, 以及环境感知、智能决策、自动控制技术单元的深度整合, 实现数据采集与传输、工程预警、实时智能解释评价、信息发布等井场协同信息化支持体系, 改变现有的传统录井作业方式, 逐步实现检测技术同人工智能技术协同融合、智能运行维护与无人值守录井的创新变革。

3.1 智慧录井系统总体架构

系统架构采用四层网络架构, 分别是采集层、网络层、应用层和用户层, 实现现场录井信息自动采集与分析、数据远程传输与视频监控、数据管理与智能分析、远程支持与决策管理等(图1), 形成具有较大应用价值的录井自动化、信息化、智能化解决方案。

图1

	Figure Option ViewDownloadNew Window
	图1 智慧录井系统架构

(1)采集层主要由录井仪器、传感器、工业计算机、工业机器人等构成, 完成录井信息自动采集与控制, 具备故障预见、系统自诊断和优化功能。

(2)应用层为录井数据中心, 提供数据存储、管理及数据挖掘分析、工程智能优化预警及设备故障预警, 通过相关协议采集录井设备及传感器数据, 并对数据进行解析、清洗、分类、入库、分析等工作。

(3)网络层是建立现场和用户之间数据传输通道, 为采集层信息的汇聚、集成、传递和控制提供支持, 同时为数据中心物联网人机通信交流提供信息平台。

(4)用户层是数据中心面向的信息输出对象, 主要包括各建设项目组、建设单位和录井施工单位, 提供远程实时监控、技术支持、协同研究与远程决策。

3.2 关键核心单元与工作流程

采集层与应用层是本系统的核心单元。采集层中包含基于工业机器人的智能取样分析系统、录井流程多目标实时优化在线运行与智能优化技术以及仪器装备智能故障诊断与维护系统; 应用层中包含智能数据管理系统、录井大数据信息挖掘与智能解释评价系统及智能预警系统。

基于工业机器人的智能取样以及录井大数据信息挖掘与智能解释评价是本系统的关键技术。

3.2.1 基于工业机器人的智能取样分析系统

智能取样分析系统运行流程见图2, 整体布局见图3。技术流程为:钻井现场返出的钻井液和岩屑混合物, 通过引流装置引入智慧录井平台仪器房内, 首先经过定量脱气器脱附出所含的气体, 采用红外光谱法实时在线检测其中的烃类及非烃气体含量; 然后经过固液分离技术分离出其中的岩屑样品, 经过自动清洗后进行岩屑白光和荧光普照, 获得含油岩样的相对位置信息荧光图像信息, 通过视觉引导系统控制机器人选样送入相关录井仪器进行自动检测分析, 获取地层岩性、物性、含油气性等录井参数; 剩余样品通过自动封装系统自动封装, 信息标识喷码, 留作地质观察样。工程预警系统通过安装在钻机上和循环系统的传感器, 实时监测钻井工程参数。

图2

	Figure Option ViewDownloadNew Window
	图2 智能取样分析系统流程

图3

	Figure Option ViewDownloadNew Window
	图3 智能取样分析系统整体布局

以上所有采集参数送入应用层数据管理平台供后续整理与统计分析。

3.2.2 录井大数据信息挖掘与智能解释评价系统

石油勘探开发研究的对象是地下的地质构造、岩性、物性、电性、油气的生储盖等实体特征。众多的勘探井和开发井提供了各种类型的大量数据, 蕴含着丰富的地质信息, 这些地质信息是油田今后生产开发的主要依据之一。随着大数据时代的来临, 各种常见数据分析方法已得到广泛研究和应用, 数据挖掘方法作为其中一类主要的方法, 在近几十年来一直是研究者们所关注的热点之一。数据挖掘(Data Mining, DM)是从大量数据中提取出有效的、新颖的、有潜在作用的、可信的、并能最终被人们理解的模式(pattern)的处理过程, 是数据库知识发现(Knowledge Discovery in Database, KDD) 的关键组成部分, 一般包含数据采集、数据存储、数据清洗、挖掘建模、模式评估、知识表达等步骤。

录井大数据信息挖掘与智能解释评价系统, 主要对采集层所采集的录井数据进行统计分析, 通过建立合理的数据分析预测模型, 实现录井岩性剖面、储集层流体性质及录井工程参数特征在线实时解释评价。本系统数据挖掘系统架构及分析流程如图4、图5所示。在智能解释评价前应根据解释内容预先建立不同的解释方案, 并依据方案确定相应的解释模型。

图4

	Figure Option ViewDownloadNew Window
	图4 录井大数据信息挖掘与智能解释评价系统架构

图5

	Figure Option ViewDownloadNew Window
	图5 数据挖掘分析流程

建立模型过程中, 首先调用建模数据, 根据模型类别差异选择机器学习与深度学习算法。算法分为监督模型学习、无监督模型学习或数据降维等。监督模型常见的算法有贝叶斯、决策树、神经网络、支持向量机、回归分析等, 这些模型都是属于预测模型, 通过已有的一部分输入数据与输出数据之间的对应关系, 生成一个函数, 将输入映射到合适的输出, 例如分类。聚类分析和关联分析属于无监督模型, 直接对输入数据集进行建模, 例如K-近邻分类、Apriori算法、时序分析算法等。第三类数据维度归约主要包括主成分分析法、因子分析法等, 使用数据编码或变换, 以便得到原数据的归约或“ 压缩” 表示, 以综合指标替代原数据进行分析。模型经过学习训练后对结果验证, 根据验证结果的符合率对模型各种算法进行评估, 确定最佳训练模型并持续优化。

在实际解释应用中, 录井采集的原始数据先经过数据清洗, 去除异常数据和离散数据, 提取与分析任务相关的数据, 并转换或合并成适当的形式, 以利于挖掘; 然后调用相应的解释模型, 利用数据挖掘算法抽取数据中隐藏着的模式与知识, 包括分类、聚类、关联、预测等, 获取实时处理结果; 最终采用可视化或知识表达技术, 将被发现的知识用于在线岩性解释、油气水层解释、工程异常解释、决策支持等。

石油工业历史上的每一次跨越, 几乎都得益于技术革命的推动。当前, 录井行业正面临着生产方式的智能化、数字化、信息化的深度融合与转型的关键期。“ 机器换人” 是全球企业生产要素变革的必然趋势, 网络协同和数据智能是未来价值链重构的必然转变。把握数字化、网络化、智能化带来的历史性机遇, 录井系统全要素、全流程协同智能将成为现实, 录井的及时采集、准确评价、高效互联、科学决策的目标也将随着智能录井深入研究与建设逐步实现, 并将成为推动录井技术发展变革的巨大引擎, 加速录井行业高质量发展, 提升录井行业地位与作用。

(编辑 李 特)