崔海福，何貞銘，王寧

(長江大學 地球科學學院，武漢 430100)

?

大數據在石油行業(yè)中的應用

崔海福，何貞銘，王寧

(長江大學 地球科學學院，武漢 430100)

摘要：隨著石油勘探與開發(fā)難度的日益增大，信息化的成熟度成為影響石油行業(yè)提高出產量的關鍵因素,而信息化則是有效利用大數據技術把大量的數據有效地管理起來?？偨Y了大數據在地震勘探、地質研究、生產開發(fā)和安全管理等方面的應用，指出基于大數據的并行處理技術、神經網絡算法、聚類分析等方法可以用來提高石油勘探效率、降低生產與開發(fā)成本，并以Hadoop框架為例介紹了海量數據并行處理的技術。

關鍵詞：大數據石油行業(yè)信息化數據處理

油氣的勘探、生產、運輸和安全管理等過程都需要有數據作為實踐的支撐，這些數據不僅量大，而且類型復雜，稱得上是大數據。它同樣涵蓋了大數據的 “5V”(Volume， Velocity， Variety， Veracity， Value)特征[1]： 1) 數據體量大，海量的數據以TB， PB， EB為單位；2) 數據的快速流轉，伴隨著油田設置的更新、傳感器網絡的安裝，數據的產生、更新和處理速度變快；3) 數據的多樣性，由于數據來源與數據類型變多，產生如文本、圖片、視頻等結構化數據，半結構化數據和非結構化數據；4) 數據的不確定性，由于數據的噪音、缺失、不一致性、歧義等因素，易對數據的真實性造成影響；5) 巨大的數據價值，大數據的終極目標在于從數據中挖掘價值。這與石油行業(yè)利用數據準確地找到更多的石油目標是一致的，因而大數據技術可以貫穿石油行業(yè)從上游到下游的整個領域。具體而言，油田大數據涵蓋了地震、鉆井、測井、錄井、試油試采、分析化驗、油層改造和開發(fā)生產的動態(tài)數據[2-4]，包括現場的原始采集數據、經過專業(yè)人員處理的數據以及最終形成的知識成果。而數據格式也很多樣，包括數據表、文本、圖件、報表和例如地震數據等的大數據體。下文將詳細闡述大數據在地震勘探、地質研究、生產開發(fā)、油氣輸送和安全管理等領域的具體應用。

1地震勘探

大數據在勘探領域的應用主要體現在地震勘探數據的存儲、綜合處理和成像等方面。地球物理勘探包括地球物理數據采集、數據處理和數據分析解釋三個環(huán)節(jié)[5-6]。地震資料的內涵就是數據，通過數據可以反映地質結構、地層變化，通過數據可以為油氣勘探開發(fā)提供重要依據。新的地震數據采集方法可以使采集覆蓋次數由幾十次增至幾千次，數據體會成幾何倍數增長。同時，物探裝備技術的不斷進步，實現了高效采集和施工方法的巨大跨越，一定程度上使得數據量快速膨脹。海量數據形成之后，對處理方法要求很高，且針對不同的區(qū)塊和數據，需要不同的參數和流程組合，這就要求對于海量數據需要反復試驗，一個參數的試驗可能需要耗費幾天甚至更久。因此，傳統的數據處理環(huán)境已不能滿足海量數據的處理要求。

面對大量數據的管理與處理的問題，大數據的模式識別分析方法、數據的并行處理技術等都可為石油勘探所用。大數據時代的地震勘探的發(fā)展方向表現在如下四個方面： 對地震儀器的嚴格要求，因為其是限制巨量地震數據采集的關鍵，也關系到野外生產組織管理方式、數據質量、施工效率、生產成本等，應選擇輕便的網絡化地震采集儀器來適應大數據時代；對可控震源有效采集技術的推廣，同樣有利于在大數據環(huán)境下提高工作效率并降低成本；采用量化的質量監(jiān)控軟件，可大幅提升數據質量評價的可靠性；高速發(fā)展的計算機技術也可為巨量地震數據的處理與解釋提供重要保障。總之，要重視大數據處理與解釋的環(huán)境建設，提高海量地震數據的處理能力，并不斷開展大數據下的信息挖掘技術研究，以提高油氣識別的精度，最終達到提高石油勘探準確性的目的。

2地質研究

在對某一區(qū)塊進行地質研究之前，要首先了解該地區(qū)的地貌特質和地質狀況，查看條件是否適合布井、是否存在發(fā)生自然災害的可能性，同時還要對該區(qū)塊目的層位的勘探資料進行了解，這其中包括地震層位和斷層的解釋。其次要對研究區(qū)的井位資料進行收集，包括鉆井、錄井、測井曲線、試油等[7-9]，這些有助于認識研究區(qū)目的層位的沉積相特征、物性特征以及電性特征等。除此之外，還要對研究區(qū)的產能狀況進行了解，包括注水等生產動態(tài)以及儲量數據。以上這些數據涵蓋了幾十類甚至上百類的結構化、半結構化、非結構化的數據。因此，要針對這些數據的存儲與管理，從它們的類別、類型、訪問方式等考慮，構建一體化的數據管理模型，保證大數據的高質量、高性能、高可用性，充分發(fā)揮大數據的價值。

特別在地質儲層研究中，大數據技術中的一些分析方法可以作為儲層研究的手段。例如可以采用聚類分析的算法，選取平均喉道半徑、啟動壓力梯度、可動流體飽和度等參數對儲層多孔介質進行分類；同時可對地震的屬性進行聚類分析，通過總結已知含油區(qū)的相似屬性特征來劃分有利的含油區(qū)，以達到預測未知的含油區(qū)的目的。

3生產開發(fā)

油田數字化進程極大程度上提高了油田的產量，且隨著數字化程度的提高，更多“隱藏”的數據被利用起來。據了解，數字油田被完全優(yōu)化后至少可提高6%的采收率和8%的油氣產量。在油氣生產領域，通過對大量歷史數據的分析，預測未來數據的走向，可以極大限度地提高采收率、油氣產量；同時，通過綜合分析地震、鉆井和生產數據，可以使得生產服務更加智能。例如，通過分析油田生產中的各種大數據，可以得出產量、壓力等參數隨時間變化的趨勢，據此作為改變開發(fā)方法的決策支持。還有學者在數據倉庫的基礎之上，采用決策樹分析方法、聚類分析法、神經網絡等算法建立起油氣數據的挖掘模型，對大量的、多維的、多源的數據進行了關聯分析與預測工作[10-11]。例如，用戶可以挖掘滲透率、有效厚度、生產壓差、含氣飽和度等各參數與油井產能的關聯度，并建立一個有關油井產能的模型。之后根據模型將自己感興趣的參數作為輸入值，油井產量作為預測值，進一步預測油井產量在某些特定因素下的發(fā)展趨勢。這些預測結果可以用曲線、數據表等形式進行展示，從而為油氣的生產和決策提供重要的依據。

4油氣輸送

油氣管道在設計、建設和運營過程中會積累大量數據，從而可為管道安全分析、評價與管理提供數據支持。而目前國內管道數據庫及信息管理系統存在一定問題，直接影響到數據高效、全面的應用[12-13]，主要表現： 數據的記錄形式多樣，標準不一；缺乏綜合統一的信息管理平臺，各環(huán)節(jié)的數據比較孤立，難以整合；數據采集環(huán)節(jié)標準不一，難以確保數據的高質量。面對管道大數據存在的這些問題，筆者認為應充分利用大數據技術，來解決管道管理中的問題。大數據在油氣管道行業(yè)的應用及發(fā)展方向應該是通過對大數據挖掘分析得出的結論，對管道進行風險判定和預控，并有計劃地修復管道缺陷，為其生產決策服務。

以大數據在管道腐蝕調查和處理中的應用為例，傳統的風險評估方法通常會基于管道內外監(jiān)測數據對所有的疑似腐蝕點進行開挖施工，造成工作量巨大、不能全面排查所有的腐蝕點的后果。基于大數據的管道監(jiān)控，則可以在管道數據庫建立的基礎之上統計，將與管道腐蝕相關的數據進行篩查分析，按其對腐蝕的影響程度進行權重排序，這其中可能包括建設公司施工條件、管道地下應力狀態(tài)、材質、地質條件、天氣狀況以及土壤腐蝕性等因素。當某段管道材質差、土壤腐蝕性強、地下應力水平高、施工時管道有損傷時，其發(fā)生腐蝕的幾率更大。因此，根據以上影響因素，可以按照不同管段發(fā)生腐蝕的概率進行排序，對其進行劃分等級，篩選出可能導致事故發(fā)生的腐蝕點。通過對這些腐蝕點的開挖驗證，確定腐蝕點的腐蝕情況，并根據開挖結果修正之前的判定模型，制訂相應的維修方案。綜上所述，根據基于大數據分析的管道安全管理的過程，結合管道大數據的挖掘應用，可全面識別管道風險，減少開挖數量，從而達到提升工作效率、節(jié)約成本、提高管道安全管理水平的目的。

5安全管理

安全管理涉及對油氣生產中各種參數的分析，可以預知可能出現的問題，及早做出防范舉措。石油產業(yè)的下游要解決輸送、轉運、銷售和管理等環(huán)節(jié)，隨著生產能力和規(guī)模的逐年擴大，生產存儲設備向大型化和規(guī)?；茏儯瑢е挛ｋU因素也逐漸變多，無論是制度缺陷、設備隱患、程序遺漏、工作疏忽或者個人的違章操作都有可能造成重大事故。目前，在安全管理領域對數據的挖掘和利用還很匱乏，因而有必要從海量數據中挖掘出人的不安全行為、物的不安全狀態(tài)、管理的漏洞等有用的信息，從而找出事故發(fā)生的規(guī)律，來提高安全生產的管理水平。

先見性修復是海洋油氣建造管理當中的一項重要任務。由于鉆井平臺距離陸地的距離較遠，人員及設備的運輸比較耗時。因此，在深海設備發(fā)生損壞之前，必須留足時間進行修復工作的準備。如果時間提前太早，會釀成資源浪費；若等到設備發(fā)生故障之后再進行處理，則會耗費時間耽誤工程進度。隨著設施的運行，系統輸出的數據質量也會隨著時間降低。因此，可以利用數學分析方法，根據監(jiān)測設備反饋的數據來獲知系統的運行情況[14]。例如，大數據監(jiān)測技術可以對平臺的上千個零部件的振幅、溫度、轉速和油壓等進行實時監(jiān)測，并推測其運行狀態(tài)，據此設計維修計劃。

6結論

無論是在油氣的勘探、生產，還是運輸、管理中，都會產生海量的數據，并且需要對這些數據進行快速有效地處理。而大數據技術恰恰可以提供這種功能，比如現在比較流行的Hadoop就是一個分布式系統的基礎架構，石油行業(yè)可以充分利用Hadoop框架來構建符合自己需求的數據處理系統。主要包括HDFS，MapReduce，HBase，其中HDFS和MapReduce是其核心設計。HDFS是對海量的數據提供了存儲，而MapReduce為海量的數據提供了計算，它們之間相互獨立，工作時互不影響，這就極大地提高了數據的存儲與處理的速度。MapReduce將所有針對海量異構數據的操作

抽象為兩種操作，即Map和Reduce。Map就是一個映射過程，它是對列表中的每一個相對獨立元素進行一定條件的操作，比如對一個成績列表中的每一項數據都加1，在這個運算過程中數據表的每一個元素都是獨立進行操作的，原來的列表并沒有被修改，原因是這里新建了一個表來保存修改后的結果。因此，Map高度并行的操作特點可以滿足高性能要求的應用，并且會極大地提高并行計算的效率。Reduce是一個化簡的過程，它是對列表中的元素進行適當地合并，例如當對成績列表求平均分時，通過定義求和函數使每一個元素與相鄰的元素進行相加，這樣遞歸運算直到剩最后一個總數，最后用這個數除以總人數就得到了平均分數。雖然Reduce在并行運算上不及Map函數，但由于其答案相對簡單并且具有運算的獨立性，使Reduce函數在大規(guī)模高度并行環(huán)境下是非常有用的。總之，還有很多的大數據技術可以應用在石油領域，將會帶來一定的經濟效益，未來可以發(fā)掘更多的技術算法，為國內的石油工業(yè)服務。

參考文獻:

[1]李清泉，李德仁.大數據GIS[J].武漢大學學報(信息科學版)，2014，39(06)： 641-644.

[2]曾慶猛，王冬梅，姚子修，等.中石油A1系統PCEDM數據模型基本實體初步研究[J].勘探地球物理進展，2008，31(06)： 464-466.

[3]文必龍，肖波，陳新榮，等.石油勘探開發(fā)數據元管理技術[J].大慶石油學院學報，2012，36(01)： 83-87.

[4]李明巖.大數據技術在油氣上游領域廣泛應用[J].中國石化，2014(12)： 66-68.

[5]王喜雙，趙邦六，董世泰，等.油氣工業(yè)地震勘探大數據面臨的挑戰(zhàn)及對策[J].中國石油勘探，2014，19(04)： 43-47.

[6]王曉麗，孟祥龍，時玉龍，等.地震大數據的管理與應用[J].數字技術與應用，2014(01)： 205-206.

[7]李偉，趙春宇.油田勘探開發(fā)“大數據”管理及應用[J].信息技術，2013(04)： 197-198.

[8]王兵，張文生.地質油藏數據信息化管理思路[J].中國石油和化工，2013(09)： 57-59.

[9]趙貴菊，王彥春，崔其山，等.石油勘探開發(fā)一體化數據倉的建立和應用[J].物探與化探，2010，34(01)： 108-110.

[10]檀朝東，岳晶晶，吳麗烽，等.數據挖掘技術在油藏挖掘者軟件中的應用[J].中國石油和化工，2010(10)： 66-67.

[11]檀朝東，陳見成，劉志海，等.大數據挖掘技術在石油工程的應用前景展望[J].中國石油和化工，2015(01)： 49-51.

[12]崔濤，馮慶善，楊祖佩，等.新建管道完整性管理理念探索[J].油氣儲運，2008，27(10)： 4-8.

[13]王維斌.長輸油氣管道大數據管理架構及應用[J].油氣儲運，2015(03)： 229-232.

[14]王兵.談大數據監(jiān)測在海洋油氣設備管理中的應用[J].電子測試，2014(03)： 139-141.

Application of Big Data in Petroleum Industry

Cui Haifu, He Zhenming, Wang Ning

(College of Geosciences, Yangtze University, Wuhan, 430100, China)

Abstract:With difficulty increasing of exploration and development in petroleum industry, maturity of information technology has become primary factor affecting output growth rate of petroleum industry. Big data is an important technology which is used to manage data efficiently. Application of big data in seismic exploration, geological research, production development, safety management and so on is summarized parallel processing technology, neural network algorithm and cluster analysis based on big data can be used to improve petroleum exploration efficiency and reduce production and development cost.Massive data parallel processing technology is introduced by taking Hadoop framework as example.

Key words:big data; petroleum industry; informatization; data processing

作者簡介：崔海福(1987—)，女，吉林琿春人，長江大學在讀碩士研究生，主要從事油田GIS技術的應用研究。

中圖分類號：TP311

文獻標志碼：B

文章編號：1007-7324(2016)02-0043-03

稿件收到日期： 2005-12-01。