人工智能（AI）在油气行业中的应用

　　油气行业的人工智能发展趋势主要有以下几个方面： 一、提升应用效率 随着油气行业的发展，对于生产力的需求也越来越高，人工智能技术在此领域发挥着重要作用，比如机器学习可以有效提升工作效率，并帮助企业快速响应市场的变化，灵活满足客户的需求。 二、改进维护和管理 利用人工智能技术，可以更有效地实现维护和管理油气行业的设备和设施，减少维护成本、提高设备可靠性和设备使用寿命，提高油气行业的生产效率和水平。 三、实现安全监测 利用人工智能技术，可以实现对油气行业检测安全性的高效监控，有效解决突发安全事件，同时为行业做出科学、合理的安全预警，保障行业安全发展。 四、提高客户服务 利用人工智能技术，可以在油气行业实现智能客服、智能客户服务等功能，提升客户体验，提高油气行业的竞争力。

　　行业观察

　　AI+上游,如何破局

　　人工智能（AI）技术被誉为“第四次”工业革命的引擎，它将对油气行业数字化转型和智能化发展产生巨大的推动作用，并产生重大的社会效益和经济效益。特雷斯数据显示：2019年，3000多家油气公司在油井及相关基础设施运营方面花费约1万亿美元，如果加速自动化和数字化进程，可减少约10%开支。普华永道预测，到2025年，油气公司上游业务通过人工智能技术应用可节省1000亿~1万亿美元的资本和运营支出。

　　近年来，油气行业面对低油价难题，众多国际石油公司和油服公司纷纷与IT巨头联手实现跨界合作，加大人工智能平台的建设力度，促进了勘探开发业务的数字化快速转型，有效提升了效益挖潜空间。2017年，斯伦贝谢与Google合作推出了DELFI云平台，将大数据、认知计算等技术与油气勘探开发等业务深度融合，构建了勘探开发全过程数字化、自动化、智能化专业应用环境，支撑企业转型的创新发展，使得平台发展进入了从“N”到“1”的时代。

　　2020年以来，各大石油公司加大力度建设智能油气田，以期实现降本提效。壳牌提出建设智能油田（Smart Oilfield），目标是产量提高10%，采收率提高5%~10%，运营费用减少20%，油田开发周期缩短50%。

　　目前，我国智能油田建设水平处在数字化向智能化过渡阶段，少数油区已基本建成了智能油田雏形，已经具备了油井自诊断、预警和报警，并能推荐优化的决策方案。

　　油气行业人工智能发展面临的挑战

　　20年来，我国石油企业在智能油气田建设中创造了“油气田物联网建设模式”“智能油气田建设模式”，油气田智能化的整体性、规模化与管理，已经走在国外油气田的前列，然而，油气行业人工智能发展仍面临系列挑战。

　　其一，勘探开发数据孤岛等问题带来的挑战。上游勘探开发过去几十年信息化建设存在的数据多头录入、标准不统一、功能重复开发、信息与业务融合不紧密等问题逐步显现，造成的数据库多、平台多、孤立应用多等现象日趋突出。数据共享难、业务协同难，给油气行业人工智能落地应用带来挑战，高质量的人工智能技术落地应用需要高质量的大数据作为前提和基础。由于采集技术手段受限，能代表问题特征的数据不具备多样性特征，单一性特征的大数据不是真正意义的大数据，给复杂的油气勘探开发领域的研究也带来挑战。数据是人工智能技术发展的灵魂，大数据、数据质量及其治理决定着智能化发展的未来，数字化转型中抓住数据及数据治理就等于抓住了人工智能技术发展的未来。

　　其二，人工智能算法工程师与业务人员之间的壁垒挑战。通常，业务人员对人工智能算法不了解，算法工程师对业务人员的专业同样也不了解，导致算法工程师与业务工程师之间往往存在“听不懂、说不清、合不来”现象，给人工智能在业务领域落地带来障碍。油气行业的人工智能落地应用不同于其他行业，油气勘探开发对象都在地下，是一种看不见摸不着的黑箱系统，采用人工智能技术解决问题，不同于人机对弈中的人工智能AlphaGozero，它所走的围棋棋盘是规则且可见的。油气行业大多数要解决和处理的问题都是看不到任何规则和解决问题的对象，具有超强的不确定性，要解决好油气行业的人工智能应用问题，专业知识和行业经验非常重要，需要解决算法工程师与业务人员间存在壁垒的挑战，只有双方深度融合，才能促使人工智能技术的产品或者场景落地应用。

　　其三，智能应用场景需要不断迭代发展带来的资金持续性投入挑战。人工智能技术和智能油气田建设基础理论、技术原理研究等方面还不够深入，技术和方法都不够成熟，国内外没有完全成型可参照的样板。人工智能场景和智能油气田建设过程中不同程度地存在数据采集、数据传输、数据存储、数据处理、数据管理和数据使用6个环节的缺失，部分油田只有采集或视频设备，数据和图像分析技术跟不上等，导致出现不同程度的“建得多、用得少”或者“只建不管、只建不用”等现象。

　　所以，目前建成的人工智能应用场景和智能油气田还比较初步。这些现象的出现也一定程度影响了数字化智能化转型进程。人工智能技术场景和智能油气田建设不像楼房建设那样，竣工验收就可以结束了事，它需要持续根据技术进步和创新发展不断投入升级改造资金、不断适应变化的业务需求和用户体验而不断迭代升级。人工智能应用场景及其智能油田建设，研究规划部署应全面，但就人工智能场景和智能油气田建设的策略而言，需要有侧重、点线面逐级突破，最终全面实现智能化。

　　其四，人工智能高端技术与产品受到国外制约。人工智能技术发展及应用场景落地，智能油气田建设用的高性能智能传感器、云服务器、云计算软件等50%以上的技术与产品来自欧美。但近年来，高端技术引进困难，给油气工业人工智能和智能油气田建设带来了挑战，近年来，虽然国内追赶研发人工智能高端技术，但少数产品性能与欧美相比依然存在差距。国有油气企业需要在短期内破解关键核心技术的困局。

　　其五，人才匮乏带来的挑战。人工智能技术与应用和智能油气田建设不仅需要一批懂得数据科学的技术人员、网络运营技术人员、高级程序人员，而且需要既懂得油气业务又懂得人工智能的复合型人才。在目前现状下，需要综合性大学设置人工智能相关专业，企业设置对应的岗位和职称序列；人工智能场景落地可借助高校、高科技公司、标注公司、软件公司等社会研发力量，形成联合攻关团队，解决数字化人工智能转型中的人才匮乏现实。

　　油气行业人工智能发展的建议

　　其一，成立人工智能重点实验室加速高端技术产品研发与孵化。

　　建设人工智能重点实验室，开展勘探开发全业务链的数据智能实验、智能计算及智能平台研发，将云计算、大数据、物联网、移动互联网、人工智能及区块链等技术与主营业务有机结合，实现传统油气产业转型升级，共建共享、业务协同、网络互联、数据互通、智能决策、生态再造。以人工智能重点实验室建设为抓手，打通勘探开发工程数据的全业务链，创建混合云平台，加速人工智能高端产品研发与孵化，助力提升勘探开发力度，打好勘探开发进攻战。

　　其二，人工智能技术与业务交叉融合提升科技支撑当前引领未来。

　　人工智能技术作为一种通用技术，未来会触及油气工业的各个领域，从真正意义上全面实现人工智能与传统业务的高度交叉融合，成为油气领域的新行业——智能油气。未来10年~15年，智能油气行业上游重点业务发展将瞄准智能勘探、智能开发、智能工程、生产智能运营与优化决策、智能数据治理等五大领域。重点聚焦四方面核心技术攻关，一是开展计算机视觉应用技术、知识图谱应用技术、基于机器学习的应用技术等基础技术在油气勘探开发领域的攻关与应用，创新突破人工智能基础关键技术；二是加快开展地震资料智能处理，岩相、沉积相及地质甜点智能预测，勘探目标智能评价等智能勘探技术研究，打造油气目标高效准确的智能评价技术；三是加大力度开展智能油气藏地质建模、物理与数据双驱动油藏智能模拟、地质—油藏—工程一体化智能优化、储气库智能注采等技术研究，创新形成数字孪生油气开发技术；四是开展油气勘探开发数据标准化应用数据可信安全管理、数据治理与共享和数据集市等技术研究，打造形成油气上游领域智能数据。

　　其三，加大复合型人才的培养与引进力度。

　　由于人工智能和石油勘探开发两个领域涵盖的学科广，复合型人才培养难度大、周期长，需要采用多种方式大力培育、引进及聘用人工智能复合型青年领军人才及团队。制定相关研究院的人才培养计划，向人工智能领域倾斜；联合具有人工智能专业的重点高校联合培养；借助人才引进计划，加强人工智能高端人才引进和培育，从国内外引进和招聘具有人工智能和油气双重专业背景的人才。加强多方合作，校企合作、石油企业与IT企业的深度合作培养复合型人才，组建跨学科联合攻关团队，实现跨界融合，开展勘探开发业务链数字化智能化技术攻关，真正发挥“产学研用”的作用。

　　其四，快速出台精准的扶持政策，激励创新，鼓励转化。

　　人工智能是我国追赶科技前沿，甚至引领创新的重大机遇。为加快我国石油企业人工智能创新引领发展，更有力地支撑油气勘探开发新一代人工智能创新发展及场景落地试验，打造人工智能原创中心，抢占油气工业领域人工智能技术的制高点，提出给予政策扶持和创新激励政策，建立石油企业人工智能科技研发创新基金或者产业创新基金，为具有原创的人工智能项目给予大力资金扶持和政策激励。

　　深化科研管理和科技投资体制机制改革，建立对人工智能产业的早期投资、长期投资、分阶段连续投资和产业链组合投资机制，建立操作性强、可落实的人工智能科研投资激励机制，激发研发人员的研发创新活力，为科研人员多出成果、快出成果营造良好的科研条件。

　　设立油气各业务领域对应专业的数字化智能化重大专项，保障数字化智能化关键技术都能有相应的研发投入，让数字化智能化转型发展没有死角。通过专项研究，全面实现新技术、新产品、新工艺研发，形成新产业及新业态，实现产业变革。（李欣 窦宏恩 中国石油勘探开发研究院人工智能研究中心）

　　油海观潮

　　数据+上游，路怎么走

　　数据是数字经济时代的关键生产要素，是第三次工业革命的关键成果，更是第四次工业革命的重要基础。数据资产已经成为企业发展的核心竞争力，强化数据资产的沉淀与建设势在必行。随着数字化转型进程的加快，数据科学与大数据技术成为相关产业数字化转型、智能化发展的核心引擎。

　　应用数据科学与大数据技术，挖掘油气领域数据资产的价值，提供高效数据及一体化服务支撑油气勘探开发领域科学研究及决策管理，对推动油气领域数字化转型具有重要意义，是我国油气企业成为一流国际油公司的必由之路。

　　油气企业数字化转型新契机

　　习近平总书记曾强调：“要抓住产业数字化、数字产业化赋予的机遇，加快5G网络、数据中心等新型基础设施建设。”2020年4月20日，国家发改委明确将数据中心作为信息基础设施，纳入“新基建”范畴。随着国家对战略性新兴产业的重视，“新基建”任务的提出，数据中心迎来了新的发展机遇。未来将相继建成若干国家级的数据中心，预计2030年中国数据原生产业规模将占整个经济总量的15%，数据的总体规模超过4YB，占全球数据总量的30%，数据科学与大数据相关应用进入快速发展轨道。

　　我国油气勘探整体处于勘探中期，近年来新发现规模较大的油气储量资源主要集中在超低渗、深层及非常规领域，如何应用数据科学与大数据技术提高构造解释精度、储层解释符合率、地质目标钻探成功率等，是夯实公司原油长期稳产、天然气稳健增长基础的重要手段。我国石油企业目前已经建成一系列的信息管理系统，实现了对结构化数据的有效管理和应用，但针对各种报告、文章及成果等管理系统缺失，数据资产尚未真正建立起来，海量的数据仍无法实现开放共享，不能有效满足业务应用。数据科学与大数据技术与油气勘探开发业务的融合应用将为油气领域数字化转型、高质量发展以及企业战略目标的实现提供新契机。

　　数据+上游的应用路线图

　　目前，数据科学与大数据技术应用已经取得了一些成绩，但也面临不少挑战。第一，数据科学与大数据技术应用需要高质量、全方位的数据支撑，数据治理至关重要；第二，油气上游领域分散的数据仍需深度整合，尤其是研究和利用知识图谱等新一代信息技术实现多源异构数据的融合，进而构建完整的知识体系；第三，针对不同业务应用、不同组织的业务应用、数据没有统一的平台管控，难以从全局层面挖掘数据价值，可以通过数据中台构建服务，建立专业数据的关联关系，实现应用和数据的相互操作及共享复用。因此，勘探开发领域的数据治理、知识图谱、数据中台的建设将成为上游领域数字化转型的核心。

　　其一，重视数据治理，提供高质量全方位的数据源。多年来，我国石油企业致力于构建分类清晰、存储合理、使用高效、可持续改进的数据治理体系，包括保障机制和数据管理。以中国石油为例，在油气上游领域，为了加强物探资料各探区企业级管理、矿权流转区块所在盆地集中管理和异地备份管理需要，开展物探资料云数据中心的建设，统一管控和治理数据及图件资料，实现对油气上游领域大块数据的全面完整管理；勘探生产板块按照“两统一、一通用”，建设梦想云平台，通过构建数据湖，逐步整合中国石油的上游各专业多层次、多维度的数据，以满足油气上游业务科研生产和业务管理需求。

　　数据治理，是数据体系建设的首要环节。建议加强数据治理工作，通过数据治理体系建设，实现这些专业数据可用、好用、用好，从而构建石油企业上游领域高质量、全生命周期数据资产，为勘探开发领域的业务研究、经营管理提供全方位数据支撑。

　　其二，建设领域知识图谱，全面开展智能化应用探索。油气上游领域数据向资产转变的关键是通过勘探开发知识图谱的建设构建油气数据资产知识体系。随着人工智能特别是深度学习和自然语言处理技术的迅速发展，知识图谱在辅助智能问答、自然语言理解、大数据分析、智能推荐、物联网设备互联、可解释人工智能等方面展现出丰富的应用价值。知识图谱技术可降低专业人士使用知识的门槛，缩短知识检索和调研的时间；可快速发现并挖掘知识的价值，提高勘探开发决策的效率。因此利用知识图谱相关技术实现对勘探开发数据管理自动化、检索智能化、分析多维化并将其应用于油气领域的各类实践中具有很重要的现实意义。

　　面向油气勘探开发领域科研生产需求，设计并构建勘探开发知识图谱，需遵从实际业务需求，结合上游领域多专业多学科协同特点，考虑国内油气领域的科研业务模式，从地学角度出发，以盆地、油气藏为主线构建领域知识图谱。其构建过程包括知识体系分类、本体模型的构建、命名实体识别及关系抽取及知识融合等部分。

　　建议加快勘探开发全领域知识图谱的建设，编制勘探开发领域知识图谱构建标准，采用共建的模式完成油气上游领域知识图谱的构建，并全面在上游领域开展“数据+知识”的双驱动探索实践，智能化解决专业问题，引领“第三代人工智能”技术的发展。

　　其三，研发勘探开发数据中台，模块化复用服务实际业务场景。数据中台是指利用新一代信息技术，对海量结构化和非结构化数据进行采集、计算、存储、加工，同时统一标准，形成大数据资产层，进而提供业务强关联、企业独有、可复用的高效数据服务。数据科学与大数据技术的应用实践通过数据中台，实现数据技术能力和数据资产的建设和应用。

　　通过数据中台构建数据服务，实现应用和数据的互操作及共享复用。将应用系统中的数据拆分、解耦、封装成服务，并形成新的运行管理逻辑，打破信息孤岛，实现应用集成和功能模块化、服务化敏捷开发，实现业务数据化、数据业务化，满足协同研究及业务应用需求。

　　勘探开发领域无论在专业上还是在数据上均存在着复杂的依赖和关联关系，同一类数据会支撑不同业务场景的服务，因此建议全面推动勘探开发数据中台的建设工作，统一数据，统一标识，细化业务场景，研发标准的应用模块，实现对不同业务场景的复用和支撑，为挖掘数据资产的业务价值铺平道路。

　　未来，通过数据科学与大数据技术的深入应用，在油气上游领域构建一个全感知、全链接、全场景、全智能的数字世界，进而优化、重构物理世界的业务，实现对传统管理模式、业务模式、商业模式全面创新和重塑，全面建成数字化生态、实现数字化创新，提升企业竞争力。（周相广 中国石油勘探开发研究院信息技术中心）

　　国际石油公司数字化升级各显神通　

　　壳牌：数字孪生技术

　　壳牌一直看好数字孪生技术前景。去年9月，Akselos公司为壳牌位于尼日利亚的Bonga Main浮式生产储卸油轮部署了结构化数字孪生技术。去年10月，壳牌与Aveva公司签署合作协议，通过打造工程数据仓库，支持数字孪生技术在管理资产生命周期中的应用。

　　埃尼：超级计算和算法

　　埃尼将大数据处理能力看作竞争优势，推出强大的工业用途计算机——HPC5超级计算机。除了加强工业数据处理能力，埃尼还主攻人工智能、人机交互、工业物联网、机器人和增材制造、区块链技术领域。

　　ADNOC：全景数字指挥中心

　　ADNOC成立全景数字指挥中心Panorama，汇总了14家专业子公司和合资公司的实时信息，通过智能分析模型、人工智能和大数据预测一系列运营场景，给出有效的运营见解和建议。过去几年对数字化转型的持续投资和构建，使ADNOC在当前行业环境中更具弹性和适应性。

　　斯伦贝谢：机器学习和云计算

　　斯伦贝谢不断加强公司机器学习和云计算能力。曾与阿布扎比AIQ、G42两家公司就石油和天然气行业的人工智能、机器学习和数据解决方案的开发部署进行合作；与IBM旗下红帽合作，希望将混合云计算技术与油气行业相结合，未来创建一个数字平台；还曾与谷歌、微软等公司合作，支持向其客户提供机器学习服务。

　　哈里伯顿：数字化供应链

　　哈里伯顿与埃森哲、微软签署战略协议，以帮助提升其在微软Azure云端上的数字化能力。根据协议，哈里伯顿将通过增强远程操作扩展的实时平台、利用机器学习和人工智能提高数据库的分析能力，加快新技术的应用部署，提高哈里伯顿整体系统的可靠性和安全性。哈里伯顿还与埃森哲合作，双方联手加速数字化供应链转型。利用人工智能分析，加强实时供应链的可见性和可操作性，从而提高透明度，进行更快的决策。