油气上游领域智能化发展方向探析

doi:10.3969/j.issn.1002-302x.2019.06.007

石油科技论坛 ›› 2019, Vol. 38 ›› Issue (6): 34-42.DOI: 10.3969/j.issn.1002-302x.2019.06.007

油气上游领域智能化发展方向探析

贾鹿¹　牛志杰²　石国伟³　李嗣旭¹　林道寿⁴

1. 中国石油新疆油田公司数据公司信息研究所；2. 中国石油新疆油田公司勘探开发研究院勘探所； 3. 中国石油新疆油田公司数据公司；4. 北京嘉和无限科技有限公司

出版日期:2020-01-02 发布日期:2020-01-02
基金资助:
中国石油新疆油田公司科研项目“油气田大数据技术研究与应用”（编号：2017-1.3）。

Analysis on Development Direction of Artificial Intelligence in Oil and Gas Upstream Area

Jia Lu¹, Niu Zhijie², Shi Guowei³,Li Sixu¹,Lin Daoshou⁴

1. Information Research Institute of Data Company, PetroChina Xinjiang Oilfield Company, Karamay 834000, China; 2. Exploration Branch of Research Institute of Exploration and Development, PetroChina Xinjiang Oilfield Company, Karamay 834099, China; 3. Data Company, PetroChina Xinjiang Oilfield Company, Karamay 834000, China; 4. Beijing Jiahewuxian Science & Technology Co., Ltd., Beijing 100192, China

Online:2020-01-02 Published:2020-01-02
Supported by:

摘要/Abstract

摘要： 对人工智能本质的认识及其在行业应用的方向性探析非常重要，它可以让我们少走弯路，避免满目性地开展人工智能应用，减少不必要的资源投入和浪费。文章从业务、专业、数据类型3 个不同角度分析了油气大数据的构成，从物探、测井、钻录井、油气生产、油藏模拟等专业领域分别探讨了智能化的发展方向。针对油气综合研究领域，探索并创建了基于大数据分析平台的“勘探有利目标区优选智能分析系统”，应用多专业、多学科的综合业务智能化分析方法，独创勘探有利目标区标注规则和自动标注方法，实现了有利目标区的自动分级、可视化展示、查询等功能，可大幅提高用户工作效率。

关键词: 油气上游, 大数据, 构成分析, 智能化, 专业方向, 勘探有利目标区

Abstract: It is important to study the nature of artificial intelligence and analyze direction of its industrial application. It can keep us from detours and mistakes, blind application of artificial intelligence and unnecessary investment of resources. This paper analyzes the structure of oil and gas big data from the three different angles of business, specialization and data types. It also focuses on development direction of artificial intelligence in the areas of geophysical exploration, logging, drilling and log, oil and gas production, and oil reservoir simulation. In the light of the comprehensive oil and gas research area, the “smart analysis system for selecting favorable exploration target areas” is created on the basis of the big data analysis platform. The multi-disciplinary and comprehensive artificial intelligence analysis methods are used to uniquely create the marking rules and automatic marking methods for favorable exploration target areas, acquiring a series of functions, such as automatic classification of favorable target areas, visualized display and query, and dramatically improving users’ working efficiency.

中图分类号:

贾鹿　牛志杰　石国伟　李嗣旭　林道寿. 油气上游领域智能化发展方向探析[J]. 石油科技论坛, 2019, 38(6): 34-42.

Jia Lu, Niu Zhijie, Shi Guowei, Li Sixu, Lin Daoshou. Analysis on Development Direction of Artificial Intelligence in Oil and Gas Upstream Area[J]. Petroleum Science and Technology Forum, 2019, 38(6): 34-42.

参考文献

[1] 林子雨. 大数据基础编程、实验和案例教程[M]. 北京: 清华大学出版社,2017. Lin Ziyu. Data basic programming, course of experiments and cases[M]. Beijing: Tsinghua University Press,2017.
[2] 林道远, 等. 从企业架构到智慧油田的理论与实践[M]. 北京: 石油工业出版社,2017. Lin Daoyuan, et al. Theory and practice from company’s configuration to intelligent oilfield[M]. Beijing: Petroleum Industry Press,2017.
[3] 闫娜. 石油工程数字化发展现状与策略分析[J]. 石油科技论坛,2019,38(2): 64-70. Yan Na. Current conditions and development strategies of petroleum engineering digital application[J]. Oil Forum, 2019, 38(2): 64-70.
[4] 袁满. 石油数据组织与分析[M]. 青岛: 中国石油大学出版社,2016. Yuan Man. Organization and analysis of petroleum data [M]. Qingdao: China University of Petroleum Press,2016.
[5] [ 美]Inmon W H, Linstedt D. 数据架构: 大数据、数据仓库以及Data Vault[M]. 唐富年, 译. 北京: 人民邮电出版社,2016. Inmon W H, Linstedt D. Data architecture—a primer for the data scientist: big data, data warehouse and data vault[M]. Translated by Tang Funian. Beijing: Posts & Telecom Press,2016.
[6] 中华人民共和国工业和信息化部. 大数据标准化白皮书[Z]. 2014. Ministry of Industry and Information Technology. White paper of big data standardization[Z]. 2014.
[7] 袁满, 武峰林, 于春生. 基于混合本体和Mediator/Wrapper 的语义数据集成模型[J]. 大庆石油学院学报,2010,34(1):84-88. Yuan Man, Wu Fenglin, Yu Chunsheng. Semantic data integration model based on mixed ontology and mediator/wrapper/[J]. Journal of Daqing Petroleum Institute,2010, 34( 1) :84-88.
[8] 张引, 陈敏, 廖小飞. 大数据应用的现状与展望[J]. 计算机研究与发展,2013(S2):216-233. Zhang Yin, Chen Min, Liao Xiaofei. Big data applications: a survey[J]. Journal of Computer Research and Development, 2013(S2):216-233.
[9] 李学龙, 龚海刚. 大数据系统综述[J]. 中国科学: 信息科学, 2015,45(1):1-44. Li Xuelong, Gong Haigang. A survey on big data systems[J]. Scientia Sinica (Informationis), 2015,45(1):1-44.
[10] 杨午阳, 魏新建, 何欣. 应用地球物理+AI 的智能化物探技术发展策略[J]. 石油科技论坛,2019,38(5):40-47. Yang Wuyang, Wei Xinjian, He Xin. Development plan for intelligent geophysical prospecting technology of applied geophysical+AI[J]. Oil Forum, 2019, 38(5): 40-47.

[1]	赵贤正　王洪雨　刘计超　赖纪顺. 老油田实施数智油田建设研究与思考——以大港油田为例[J]. 石油科技论坛, 2021, 40(5): 1-8.
[2]	胡贵　崔明月　陶冶　黄雪琴　张国辉　石李保. 油气井筒工程数据平台技术进展及数据深度应用思考[J]. 石油科技论坛, 2021, 40(5): 65-72.
[3]	何治亮　关晓东　陈本池　张俊　张奎林　王步娥　邹伟　吴仕强. 创新驱动支撑中国石化上游高质量可持续发展[J]. 石油科技论坛, 2021, 40(2): 8-15.
[4]	曹刚　杨清海　任义丽　赵瑞东. 五大信息技术在油气行业数字化转型中的应用探讨[J]. 石油科技论坛, 2020, 39(6): 27-36.
[5]	付锁堂　石玉江　丑世龙　马建军. 长庆油田数字化转型智能化发展成效与认识[J]. 石油科技论坛, 2020, 39(5): 9-15.
[6]	刘卓　张宇　张宏洋. 国内外数字油田技术发展趋势及策略[J]. 石油科技论坛, 2020, 39(4): 62-67.
[7]	李　斌　刘　伟　毕永斌　李　力. 浅议油田开发战略管理[J]. 石油科技论坛, 2019, 38(4): 24-29.
[8]	唐　玮　尹得来　冯金德　王东辉. 新形势下编制油气上游业务规划的思考[J]. 石油科技论坛, 2019, 38(3): 1-5.
[9]	吴谋远　贺新春　殷冬青. 国际大石油公司年度经营业绩回顾与战略动向前瞻[J]. 石油科技论坛, 2019, 38(3): 45-49.
[10]	葛云华　周　波　张彦龙. 基于物联网的钻井远程支持系统应用现状及发展方向[J]. 石油科技论坛, 2019, 38(2): 45-51.
[11]	安琪儿　张虎俊　曲德斌. 技术创新驱动油公司降本增效案例解析[J]. 石油科技论坛, 2019, 38(2): 57-63.
[12]	闫　娜. 石油工程数字化发展现状与策略分析[J]. 石油科技论坛, 2019, 38(2): 64-70.
[13]	杨金华　李晓光　孙乃达　张焕芝　邱茂鑫　焦　姣　侯　亮　张珈铭　郭晓霞　刘知鑫. 未来10年极具发展潜力的20项油气勘探开发新技术[J]. 石油科技论坛, 2019, 38(1): 38-48.
[14]	史子乐　黄艳林　冯永江　郑　旭　黄昊璨. 国际物探巨头退出采集业务原因分析与启示[J]. 石油科技论坛, 2019, 38(1): 63-70.
[15]	廖　晋　金云智　吴迅达　梁　豪. 海上油气勘探目标全生命周期管理创新与实践[J]. 石油科技论坛, 2018, 37(5): 9-13.

油气上游领域智能化发展方向探析

Analysis on Development Direction of Artificial Intelligence in Oil and Gas Upstream Area

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics