摘 要：大数据技术已经逐渐成为促进油气勘探开发深入发展的重要技术手段，国内外油气生产企业已越来越重视大数据技术的研究、探索和应用。本文针对大港油田大数据技术在油气勘探开发储层预测、油气层识别、地震数据管理、抽油井预测性维护、解决套损套变等领域的应用及取得的成果进行了综合描述。
关键词：大港油田；大数据；勘探开发
中图分类号：TP311.13；F426.22 文献标识码：A 文章编号：2096-4706（2018）12-0122-03
Application of Big Data Technology in Oilfield Exploration and Development
WU Yongping
（China Petroleum and Natural Gas Corporation Dagang Oilfield Branch，Tianjin 300280，China）
Abstract：Big data technology has gradually become an important technical means to promote the in-depth development of oil and gas exploration and development. Domestic and foreign oil and gas production enterprises have paid more and more attention to the research，exploration and application of big data technology. In this paper，the application and achievements of big data technology in reservoir prediction，reservoir identification，seismic data management，predictive maintenance of pumping wells，casing damage and casing variation in Dagang oilfield are described comprehensively.
Keywords：Dagang oilfield；big data；exploration and development
0 引 言
2014年，马云提出，“人类正从IT时代走向DT时代，以互联网（或者物联网）、云计算、大数据和人工智能为代表的新技术革命正在渗透至各行各业，悄悄地改变着我们的生活”[1]。大数据不仅仅是一个新概念，更是一种理念、一种问题解决思路、一系列的技术合集[2]，对于传统石油工业的创新发展具有重要意义。在2014年，大港油田对大数据的认识已经非常深入，开始筹划大数据在油田的研究和落地工作，在行业内得到高度认可。
大港油田制定了大数据发展顶层设计方案，明确了大数据建设目标、建设框架、建设内容、实施方案、制度机制等5部分12个方面的内容，同时采取了多部门联合推动、多业务协调开展、多节点全面实践等措施，保证大数据工作的有效落地。在私有云环境下分别搭建了开源Hadoop平台和新环大数据SDH平台，为研究和应用搭建了基础平台。以此平台为基础，进行了油田中心数据库大数据环境实验，开展了勘探开发45种相关算法适应性研究。利用自身数字油田建设扎实的基础，先后对电力数据、注水井数据、抽油井数据、采油厂能耗数据、套损套变数据、储层综合表征数据、油田非结构化数据等进行探索、分析，共分析和研究数据记录达1200万条，从中选择大数据挖掘业务场景。几年来先后在储层预测、油气层识别、地震大数据存储、抽油井预测性维护、套损套变分析等勘探开发和生产领域进行了深度的大数据研究和应用，开启了大数据在石油上游领域应用的先河。
1 大数据技术在储层预测中的应用
对于油气田勘探开发而言，构造认识、储层认识是基础中的核心，而储层预测一直以来是难点中的难点。但是一直以来，因地质意义模糊，地震属性的混乱不清还是导致人们对他的不信任[3]。如何利用现有数据进行储层的定性、定量认识和预测一直以来困扰着地质和地球物理专家。大数据的理念正在逐步消除人们的不信任，他告诉人们：知道“是什么”就够了，没有必要知道“为什么”。在大数据时代，我们不必非得知道现象背后的原因，而是要让数据自己“发声”[4]。大数据的技术、数据挖掘的思路能否为储层预测带来新的曙光，大港油田对此进行了探索和研究。通过该项应用，进行了大数据从数据准备到数据可视化全流程的实践；探索形成了尺度融合基础上的大数据储层研究思路；完成了试点地区的储层研究，为科研生产提供了依据。
通过对勘探开发业务的理解，地质专家和数据分析专家密切配合，完成了N59断块储层预测相关数据的集成，包括地震、测井、录井、分析化验、地质成果数据等结构化、非结构化数据5G；进行了归一化、标准化、尺度融合等数据预处理；开展了支持向量机等6种地震测井大数据储层预测算法适应性研究；最终完成了大数据储层预测模型的建立。模型预测数据结果受到地质和地球物理案专家的高度认可。其纵向、横向分辨率得到极大提升，与单井钻遇砂体、油田生产注水动态，与预留验证井情况非常吻合，具有极强的现实指导意义，已经在储量计算等方面发挥了积极的决策支撑作用。
2 大数据技术在油气层识别中的应用
目前在油田新区或开发中后期的老区，面临着储量、产量、成本等多重压力，需要借助信息技术从大量储集层中，快速排查出具有潜力的油气层，通过补孔及压裂等措施，增加油井产量。基于大数据挖掘的模型可以经常迭代计算，不断提高油气层识别工作效率和解释符合率。
油气层识别和预测需要集成包括钻井、测井、录井、生产、试油和分析化验等多源、异构和多粒度的数据，需要对不同类别的数据进行归一化、标准化和统一粒度等数据预处理[5]。在此基础上，对K最邻近、神经网络、决策树、朴素贝叶斯、支持向量机（SVM）5种数据挖掘算法进行分析和研究，完成了5种数据挖掘算法的具体实现；并独创性的应用数据集相似性原理进行5种算法推荐；并进行特征向量数据集学习，可构建不同地区、不同层位识别模型[6]。2016年已全面实现，形成从数据集成、相似性判断、算法推荐到模型建立、模型评估等全流程软件系统。
3 大数据技术在地震数据管理中的应用
在石油行业，伴随着高密度地震采集技术的应用，地震勘探所产生的数据量也在大幅增长，较以往呈现出几何级增加的特点，动则几十T甚至上百T[7]，是油田最典型的大数据之一。大数据技术的成熟，为地震数据的处理解释和应用带来新的机遇，包括存储、读取、处理、属性提取、数据挖掘等。
在分布式架构的基础上，针对地震勘探数据本身的通用存储格式读取地震数据，并编程实现了适用于大数据平台的地震格式的转化。数据的读取与属性提取，采用分布式读取管理和主-从节点分布式并行计算的策略。对地震数据的分布式读取管理，把测试用的地震数据映射到各个分布式存储节点进行管理，同时通过一个主节点对这些数据节点进行控制管理；对地震数据的主-从节点计算，将计算资源从主节点发布到各数据节点，对所需要的数据进行地震属性提取，进而得到用户所需要的数据。
展开了全流程的地震大数据从SEGY数据的抽取、适用于Hadoop的数据转换、在Hadoop大数据环境中的存储、在Hadoop环境下地震属性MapReduce计算，并对存储效率、计算效率进行了测试。结果表明2.3亿个采样点地震数据在3个Linux节点的大数据环境较单节点windows环境，处理速度有1个数量级的提升，同时，大数据存储的可靠性也为地震数据存储备份提供了新的思路，为油田下步地震大数据策略提供了依据。
4 大数据技术在抽油井预测性维护中的应用
油田每天都产生大量的生产物联网数据，如何利用这些海量数据来满足日益提高的系统可靠性要求已成为亟待解决的问题，其中基于数据挖掘的故障诊断技术是一个重要的方面[8]。大港油田利用大数据分析技术，对抽油机井结蜡情况进行分析预测，以实现抽油机井结蜡情况判定的规范化、科学化。就油井结蜡而言，不同区域、不同生产速度的油井结蜡状态也不尽相同，在油田开采过程中，不管结蜡多少，都会对油井的稳产造成一定影响[9]。
抽油井结蜡预测模型在建模时主要用到的数据为抽油井的自动化数据（包括冲程、冲次、最大有功功率、上行程最大电流等）、示功图数据（包括泵最小载荷、泵最大载荷、曲线数据、顶点信息等）及日报数据（抽油井状态描述等）。利用这些数据，建立时间序列模型与分类模型，从而预测出抽油井结蜡现象发生的时间，以便提前进行洗井处理，降低因结蜡现象造成的经济损失以及人工检修成本。经过十多次数据处理、机器学习和测试循环，最终建立了抽油井正常/故障二分类、抽油井故障状态分类和时间序列3个模型。
2016年该系统上线，已经在采油厂进行应用。系统利用抽油机井结蜡预判模型进行结蜡概率的预测，从而因井而异的进行洗井业务的开展，达到既不过度洗井造成浪费，也能适时洗井不导致大修作业浪费，实现科学洗井、降本增效的目的。以此为核心技术的《一种抽油机井故障情况的获取方法》已于2016年申报国家专利，目前已通过中国石油审批，正在国家专利局审批阶段，专利申请号：201710566359.9。
另外，该软件《抽油井预见性维护系统V1.0》已获得计算机软件著作权登记证书，证书号：软著登字第1631480号，登记号：2017SR046196。
5 结 论
套管损坏使油田的正常开发受到严重影响，油田利益无法保证，各油田每年由套管损坏而造成的损失高达数十亿[10]。大港油田已进入开发中后期，老区产量递减问题突出，油水井套损是一个突出的影响因素。以大港油田为例，2015年底，套损井达到1204口，日影响产量1311.8吨，日影响注水量11964方，严重威胁着油田的稳产。
为了实现套损套变的预测和工程工艺方案的指导，进行了套损套变的大数据分析，对全油田套损套变数据进行了集成和清洗，保留行政维度、时间维度、空间维度数据共计9600条，包括结构化、非结构化等异构数据共10G，集成了来自地质成果数据A1、采油工艺、生产数据A2、套损套变系统等多个数据系统的所有套损套变相关历史数据。完成了这些数据的预处理，对数据进行了粒度、缺失、重复、错误、归一化、标准化等多方治理。对数据进行了多维度、多粒度、多角度的探索分析。
对不同油田套损套变影响因素进行了全面分析，对各影响因素进行了关联分析，对套损套变周期、分类进行了大数据挖掘，对11种聚类、分类、预测算法进行了适应性研究，最终采用逻辑回归、随机森林和支持向量机算法进行实验和挖掘。建立了相应的预测决策模型，三种模型准确率分别达到87.59%、85.34%和91.08%。
2016年系统已经全面投入应用，在对2017年新发生的套损套变井进行预测中，准确率达到91%。其中《一种基于大数据分析的套损井主控因素数据化处理方法》、《一种套管损坏主控因素评定方法》正在申报知识产权。
参考文献：
[1] 阿里巴巴数据技术及产品部.大数据之路-阿里巴巴大数据实践 [M].北京：电子工业出版社，2017.
[2] 朱杰，罗华霖，等.大数据架构详解-从数据获取到深度学习 [M].北京：电子工业出版社，2016.
[3] 王西文，石兰亭，雍学善，等.地震波阻抗反演方法研究 [J].岩性油气藏，2007，19（3）：80-88+100.
[4] 维克托.迈尔-舍恩伯格，周涛，等.大数据时代生活、工作和思维的大变革 [M].杭州：浙江人民出版社，2013.
[5] 雍世和，张超谟.测井数据处理与综合解释 [M].东营：中国石油大学出版社，2007.
[6] 陈斌，李洪奇，等.测井储层评价数据挖掘方法研究 [C]//周抚生.2016年中国石油石化企业信息技术论文集.北京：石油工业出版社，2016：306-312.
[7] 林茂，范旭，宋雪峰，等.提高勘探大数据属性分析效率的策略 [J].信息技术，2015（11）：197-200+204.
[8] 周英，卓金武，卞月青，等.大数据挖掘-系统方法与实例分析 [M].北京：机械工业出版社，2016.
[9] 肖进军.油井结蜡及清防蜡技术探讨 [J].化学工程与装备，2010（7）：65-66.
[10] 林凯.我国油田套损防治现状及发展方向 [J].石油机械，2004，32（6）：6-11.
作者简介：吴永平（1960-），男，汉族，天津人，教授级高工，博士，副总经理。研究方向：油气勘探、信息化技术。
