人工智能（AI）在油氣行業中的應用

　　油氣行業的人工智能發展趨勢主要有以下幾個方面： 一、提升應用效率 隨著油氣行業的發展，對于生產力的需求也越來越高，人工智能技術在此領域發揮著重要作用，比如機器學習可以有效提升工作效率，并幫助企業快速響應市場的變化，靈活滿足客戶的需求。 二、改進維護和管理 利用人工智能技術，可以更有效地實現維護和管理油氣行業的設備和設施，減少維護成本、提高設備可靠性和設備使用壽命，提高油氣行業的生產效率和水平。 三、實現安全監測 利用人工智能技術，可以實現對油氣行業檢測安全性的高效監控，有效解決突發安全事件，同時為行業做出科學、合理的安全預警，保障行業安全發展。 四、提高客戶服務 利用人工智能技術，可以在油氣行業實現智能客服、智能客戶服務等功能，提升客戶體驗，提高油氣行業的競爭力。

　　行業觀察

　　AI+上游,如何破局

　　人工智能（AI）技術被譽為“第四次”工業革命的引擎，它將對油氣行業數字化轉型和智能化發展產生巨大的推動作用，并產生重大的社會效益和經濟效益。特雷斯數據顯示：2019年，3000多家油氣公司在油井及相關基礎設施運營方面花費約1萬億美元，如果加速自動化和數字化進程，可減少約10%開支。普華永道預測，到2025年，油氣公司上游業務通過人工智能技術應用可節省1000億~1萬億美元的資本和運營支出。

　　近年來，油氣行業面對低油價難題，眾多國際石油公司和油服公司紛紛與IT巨頭聯手實現跨界合作，加大人工智能平臺的建設力度，促進了勘探開發業務的數字化快速轉型，有效提升了效益挖潛空間。2017年，斯倫貝謝與Google合作推出了DELFI云平臺，將大數據、認知計算等技術與油氣勘探開發等業務深度融合，構建了勘探開發全過程數字化、自動化、智能化專業應用環境，支撐企業轉型的創新發展，使得平臺發展進入了從“N”到“1”的時代。

　　2020年以來，各大石油公司加大力度建設智能油氣田，以期實現降本提效。殼牌提出建設智能油田（Smart Oilfield），目標是產量提高10%，采收率提高5%~10%，運營費用減少20%，油田開發周期縮短50%。

　　目前，我國智能油田建設水平處在數字化向智能化過渡階段，少數油區已基本建成了智能油田雛形，已經具備了油井自診斷、預警和報警，并能推薦優化的決策方案。

　　油氣行業人工智能發展面臨的挑戰

　　20年來，我國石油企業在智能油氣田建設中創造了“油氣田物聯網建設模式”“智能油氣田建設模式”，油氣田智能化的整體性、規?；�與管理，已經走在國外油氣田的前列，然而，油氣行業人工智能發展仍面臨系列挑戰。

　　其一，勘探開發數據孤島等問題帶來的挑戰。上游勘探開發過去幾十年信息化建設存在的數據多頭錄入、標準不統一、功能重復開發、信息與業務融合不緊密等問題逐步顯現，造成的數據庫多、平臺多、孤立應用多等現象日趨突出。數據共享難、業務協同難，給油氣行業人工智能落地應用帶來挑戰，高質量的人工智能技術落地應用需要高質量的大數據作為前提和基礎。由于采集技術手段受限，能代表問題特征的數據不具備多樣性特征，單一性特征的大數據不是真正意義的大數據，給復雜的油氣勘探開發領域的研究也帶來挑戰。數據是人工智能技術發展的靈魂，大數據、數據質量及其治理決定著智能化發展的未來，數字化轉型中抓住數據及數據治理就等于抓住了人工智能技術發展的未來。

　　其二，人工智能算法工程師與業務人員之間的壁壘挑戰。通常，業務人員對人工智能算法不了解，算法工程師對業務人員的專業同樣也不了解，導致算法工程師與業務工程師之間往往存在“聽不懂、說不清、合不來”現象，給人工智能在業務領域落地帶來障礙。油氣行業的人工智能落地應用不同于其他行業，油氣勘探開發對象都在地下，是一種看不見摸不著的黑箱系統，采用人工智能技術解決問題，不同于人機對弈中的人工智能AlphaGozero，它所走的圍棋棋盤是規則且可見的。油氣行業大多數要解決和處理的問題都是看不到任何規則和解決問題的對象，具有超強的不確定性，要解決好油氣行業的人工智能應用問題，專業知識和行業經驗非常重要，需要解決算法工程師與業務人員間存在壁壘的挑戰，只有雙方深度融合，才能促使人工智能技術的產品或者場景落地應用。

　　其三，智能應用場景需要不斷迭代發展帶來的資金持續性投入挑戰。人工智能技術和智能油氣田建設基礎理論、技術原理研究等方面還不夠深入，技術和方法都不夠成熟，國內外沒有完全成型可參照的樣板。人工智能場景和智能油氣田建設過程中不同程度地存在數據采集、數據傳輸、數據存儲、數據處理、數據管理和數據使用6個環節的缺失，部分油田只有采集或視頻設備，數據和圖像分析技術跟不上等，導致出現不同程度的“建得多、用得少”或者“只建不管、只建不用”等現象。

　　所以，目前建成的人工智能應用場景和智能油氣田還比較初步。這些現象的出現也一定程度影響了數字化智能化轉型進程。人工智能技術場景和智能油氣田建設不像樓房建設那樣，竣工驗收就可以結束了事，它需要持續根據技術進步和創新發展不斷投入升級改造資金、不斷適應變化的業務需求和用戶體驗而不斷迭代升級。人工智能應用場景及其智能油田建設，研究規劃部署應全面，但就人工智能場景和智能油氣田建設的策略而言，需要有側重、點線面逐級突破，最終全面實現智能化。

　　其四，人工智能高端技術與產品受到國外制約。人工智能技術發展及應用場景落地，智能油氣田建設用的高性能智能傳感器、云服務器、云計算軟件等50%以上的技術與產品來自歐美。但近年來，高端技術引進困難，給油氣工業人工智能和智能油氣田建設帶來了挑戰，近年來，雖然國內追趕研發人工智能高端技術，但少數產品性能與歐美相比依然存在差距。國有油氣企業需要在短期內破解關鍵核心技術的困局。

　　其五，人才匱乏帶來的挑戰。人工智能技術與應用和智能油氣田建設不僅需要一批懂得數據科學的技術人員、網絡運營技術人員、高級程序人員，而且需要既懂得油氣業務又懂得人工智能的復合型人才。在目前現狀下，需要綜合性大學設置人工智能相關專業，企業設置對應的崗位和職稱序列；人工智能場景落地可借助高校、高科技公司、標注公司、軟件公司等社會研發力量，形成聯合攻關團隊，解決數字化人工智能轉型中的人才匱乏現實。

　　油氣行業人工智能發展的建議

　　其一，成立人工智能重點實驗室加速高端技術產品研發與孵化。

　　建設人工智能重點實驗室，開展勘探開發全業務鏈的數據智能實驗、智能計算及智能平臺研發，將云計算、大數據、物聯網、移動互聯網、人工智能及區塊鏈等技術與主營業務有機結合，實現傳統油氣產業轉型升級，共建共享、業務協同、網絡互聯、數據互通、智能決策、生態再造。以人工智能重點實驗室建設為抓手，打通勘探開發工程數據的全業務鏈，創建混合云平臺，加速人工智能高端產品研發與孵化，助力提升勘探開發力度，打好勘探開發進攻戰。

　　其二，人工智能技術與業務交叉融合提升科技支撐當前引領未來。

　　人工智能技術作為一種通用技術，未來會觸及油氣工業的各個領域，從真正意義上全面實現人工智能與傳統業務的高度交叉融合，成為油氣領域的新行業——智能油氣。未來10年~15年，智能油氣行業上游重點業務發展將瞄準智能勘探、智能開發、智能工程、生產智能運營與優化決策、智能數據治理等五大領域。重點聚焦四方面核心技術攻關，一是開展計算機視覺應用技術、知識圖譜應用技術、基于機器學習的應用技術等基礎技術在油氣勘探開發領域的攻關與應用，創新突破人工智能基礎關鍵技術；二是加快開展地震資料智能處理，巖相、沉積相及地質甜點智能預測，勘探目標智能評價等智能勘探技術研究，打造油氣目標高效準確的智能評價技術；三是加大力度開展智能油氣藏地質建模、物理與數據雙驅動油藏智能模擬、地質—油藏—工程一體化智能優化、儲氣庫智能注采等技術研究，創新形成數字孿生油氣開發技術；四是開展油氣勘探開發數據標準化應用數據可信安全管理、數據治理與共享和數據集市等技術研究，打造形成油氣上游領域智能數據。

　　其三，加大復合型人才的培養與引進力度。

　　由于人工智能和石油勘探開發兩個領域涵蓋的學科廣，復合型人才培養難度大、周期長，需要采用多種方式大力培育、引進及聘用人工智能復合型青年領軍人才及團隊。制定相關研究院的人才培養計劃，向人工智能領域傾斜；聯合具有人工智能專業的重點高校聯合培養；借助人才引進計劃，加強人工智能高端人才引進和培育，從國內外引進和招聘具有人工智能和油氣雙重專業背景的人才。加強多方合作，校企合作、石油企業與IT企業的深度合作培養復合型人才，組建跨學科聯合攻關團隊，實現跨界融合，開展勘探開發業務鏈數字化智能化技術攻關，真正發揮“產學研用”的作用。

　　其四，快速出臺精準的扶持政策，激勵創新，鼓勵轉化。

　　人工智能是我國追趕科技前沿，甚至引領創新的重大機遇。為加快我國石油企業人工智能創新引領發展，更有力地支撐油氣勘探開發新一代人工智能創新發展及場景落地試驗，打造人工智能原創中心，搶占油氣工業領域人工智能技術的制高點，提出給予政策扶持和創新激勵政策，建立石油企業人工智能科技研發創新基金或者產業創新基金，為具有原創的人工智能項目給予大力資金扶持和政策激勵。

　　深化科研管理和科技投資體制機制改革，建立對人工智能產業的早期投資、長期投資、分階段連續投資和產業鏈組合投資機制，建立操作性強、可落實的人工智能科研投資激勵機制，激發研發人員的研發創新活力，為科研人員多出成果、快出成果營造良好的科研條件。

　　設立油氣各業務領域對應專業的數字化智能化重大專項，保障數字化智能化關鍵技術都能有相應的研發投入，讓數字化智能化轉型發展沒有死角。通過專項研究，全面實現新技術、新產品、新工藝研發，形成新產業及新業態，實現產業變革。（李欣 竇宏恩 中國石油勘探開發研究院人工智能研究中心）

　　油海觀潮

　　數據+上游，路怎么走

　　數據是數字經濟時代的關鍵生產要素，是第三次工業革命的關鍵成果，更是第四次工業革命的重要基礎。數據資產已經成為企業發展的核心競爭力，強化數據資產的沉淀與建設勢在必行。隨著數字化轉型進程的加快，數據科學與大數據技術成為相關產業數字化轉型、智能化發展的核心引擎。

　　應用數據科學與大數據技術，挖掘油氣領域數據資產的價值，提供高效數據及一體化服務支撐油氣勘探開發領域科學研究及決策管理，對推動油氣領域數字化轉型具有重要意義，是我國油氣企業成為一流國際油公司的必由之路。

　　油氣企業數字化轉型新契機

　　習近平總書記曾強調：“要抓住產業數字化、數字產業化賦予的機遇，加快5G網絡、數據中心等新型基礎設施建設?！?020年4月20日，國家發改委明確將數據中心作為信息基礎設施，納入“新基建”范疇。隨著國家對戰略性新興產業的重視，“新基建”任務的提出，數據中心迎來了新的發展機遇。未來將相繼建成若干國家級的數據中心，預計2030年中國數據原生產業規模將占整個經濟總量的15%，數據的總體規模超過4YB，占全球數據總量的30%，數據科學與大數據相關應用進入快速發展軌道。

　　我國油氣勘探整體處于勘探中期，近年來新發現規模較大的油氣儲量資源主要集中在超低滲、深層及非常規領域，如何應用數據科學與大數據技術提高構造解釋精度、儲層解釋符合率、地質目標鉆探成功率等，是夯實公司原油長期穩產、天然氣穩健增長基礎的重要手段。我國石油企業目前已經建成一系列的信息管理系統，實現了對結構化數據的有效管理和應用，但針對各種報告、文章及成果等管理系統缺失，數據資產尚未真正建立起來，海量的數據仍無法實現開放共享，不能有效滿足業務應用。數據科學與大數據技術與油氣勘探開發業務的融合應用將為油氣領域數字化轉型、高質量發展以及企業戰略目標的實現提供新契機。

　　數據+上游的應用路線圖

　　目前，數據科學與大數據技術應用已經取得了一些成績，但也面臨不少挑戰。第一，數據科學與大數據技術應用需要高質量、全方位的數據支撐，數據治理至關重要；第二，油氣上游領域分散的數據仍需深度整合，尤其是研究和利用知識圖譜等新一代信息技術實現多源異構數據的融合，進而構建完整的知識體系；第三，針對不同業務應用、不同組織的業務應用、數據沒有統一的平臺管控，難以從全局層面挖掘數據價值，可以通過數據中臺構建服務，建立專業數據的關聯關系，實現應用和數據的相互操作及共享復用。因此，勘探開發領域的數據治理、知識圖譜、數據中臺的建設將成為上游領域數字化轉型的核心。

　　其一，重視數據治理，提供高質量全方位的數據源。多年來，我國石油企業致力于構建分類清晰、存儲合理、使用高效、可持續改進的數據治理體系，包括保障機制和數據管理。以中國石油為例，在油氣上游領域，為了加強物探資料各探區企業級管理、礦權流轉區塊所在盆地集中管理和異地備份管理需要，開展物探資料云數據中心的建設，統一管控和治理數據及圖件資料，實現對油氣上游領域大塊數據的全面完整管理；勘探生產板塊按照“兩統一、一通用”，建設夢想云平臺，通過構建數據湖，逐步整合中國石油的上游各專業多層次、多維度的數據，以滿足油氣上游業務科研生產和業務管理需求。

　　數據治理，是數據體系建設的首要環節。建議加強數據治理工作，通過數據治理體系建設，實現這些專業數據可用、好用、用好，從而構建石油企業上游領域高質量、全生命周期數據資產，為勘探開發領域的業務研究、經營管理提供全方位數據支撐。

　　其二，建設領域知識圖譜，全面開展智能化應用探索。油氣上游領域數據向資產轉變的關鍵是通過勘探開發知識圖譜的建設構建油氣數據資產知識體系。隨著人工智能特別是深度學習和自然語言處理技術的迅速發展，知識圖譜在輔助智能問答、自然語言理解、大數據分析、智能推薦、物聯網設備互聯、可解釋人工智能等方面展現出豐富的應用價值。知識圖譜技術可降低專業人士使用知識的門檻，縮短知識檢索和調研的時間；可快速發現并挖掘知識的價值，提高勘探開發決策的效率。因此利用知識圖譜相關技術實現對勘探開發數據管理自動化、檢索智能化、分析多維化并將其應用于油氣領域的各類實踐中具有很重要的現實意義。

　　面向油氣勘探開發領域科研生產需求，設計并構建勘探開發知識圖譜，需遵從實際業務需求，結合上游領域多專業多學科協同特點，考慮國內油氣領域的科研業務模式，從地學角度出發，以盆地、油氣藏為主線構建領域知識圖譜。其構建過程包括知識體系分類、本體模型的構建、命名實體識別及關系抽取及知識融合等部分。

　　建議加快勘探開發全領域知識圖譜的建設，編制勘探開發領域知識圖譜構建標準，采用共建的模式完成油氣上游領域知識圖譜的構建，并全面在上游領域開展“數據+知識”的雙驅動探索實踐，智能化解決專業問題，引領“第三代人工智能”技術的發展。

　　其三，研發勘探開發數據中臺，模塊化復用服務實際業務場景。數據中臺是指利用新一代信息技術，對海量結構化和非結構化數據進行采集、計算、存儲、加工，同時統一標準，形成大數據資產層，進而提供業務強關聯、企業獨有、可復用的高效數據服務。數據科學與大數據技術的應用實踐通過數據中臺，實現數據技術能力和數據資產的建設和應用。

　　通過數據中臺構建數據服務，實現應用和數據的互操作及共享復用。將應用系統中的數據拆分、解耦、封裝成服務，并形成新的運行管理邏輯，打破信息孤島，實現應用集成和功能模塊化、服務化敏捷開發，實現業務數據化、數據業務化，滿足協同研究及業務應用需求。

　　勘探開發領域無論在專業上還是在數據上均存在著復雜的依賴和關聯關系，同一類數據會支撐不同業務場景的服務，因此建議全面推動勘探開發數據中臺的建設工作，統一數據，統一標識，細化業務場景，研發標準的應用模塊，實現對不同業務場景的復用和支撐，為挖掘數據資產的業務價值鋪平道路。

　　未來，通過數據科學與大數據技術的深入應用，在油氣上游領域構建一個全感知、全鏈接、全場景、全智能的數字世界，進而優化、重構物理世界的業務，實現對傳統管理模式、業務模式、商業模式全面創新和重塑，全面建成數字化生態、實現數字化創新，提升企業競爭力。（周相廣 中國石油勘探開發研究院信息技術中心）

　　國際石油公司數字化升級各顯神通　

　　殼牌：數字孿生技術

　　殼牌一直看好數字孿生技術前景。去年9月，Akselos公司為殼牌位于尼日利亞的Bonga Main浮式生產儲卸油輪部署了結構化數字孿生技術。去年10月，殼牌與Aveva公司簽署合作協議，通過打造工程數據倉庫，支持數字孿生技術在管理資產生命周期中的應用。

　　埃尼：超級計算和算法

　　埃尼將大數據處理能力看作競爭優勢，推出強大的工業用途計算機——HPC5超級計算機。除了加強工業數據處理能力，埃尼還主攻人工智能、人機交互、工業物聯網、機器人和增材制造、區塊鏈技術領域。

　　ADNOC：全景數字指揮中心

　　ADNOC成立全景數字指揮中心Panorama，匯總了14家專業子公司和合資公司的實時信息，通過智能分析模型、人工智能和大數據預測一系列運營場景，給出有效的運營見解和建議。過去幾年對數字化轉型的持續投資和構建，使ADNOC在當前行業環境中更具彈性和適應性。

　　斯倫貝謝：機器學習和云計算

　　斯倫貝謝不斷加強公司機器學習和云計算能力。曾與阿布扎比AIQ、G42兩家公司就石油和天然氣行業的人工智能、機器學習和數據解決方案的開發部署進行合作；與IBM旗下紅帽合作，希望將混合云計算技術與油氣行業相結合，未來創建一個數字平臺；還曾與谷歌、微軟等公司合作，支持向其客戶提供機器學習服務。

　　哈里伯頓：數字化供應鏈

　　哈里伯頓與埃森哲、微軟簽署戰略協議，以幫助提升其在微軟Azure云端上的數字化能力。根據協議，哈里伯頓將通過增強遠程操作擴展的實時平臺、利用機器學習和人工智能提高數據庫的分析能力，加快新技術的應用部署，提高哈里伯頓整體系統的可靠性和安全性。哈里伯頓還與埃森哲合作，雙方聯手加速數字化供應鏈轉型。利用人工智能分析，加強實時供應鏈的可見性和可操作性，從而提高透明度，進行更快的決策。