.182 工程科学学报，第43卷，第2期 历程如图3所示.总的来说，目前我国油气工业虽 并携手诸如华为等数据科技企业，使得油气行业 然还处在数字化转型的初级阶段，但是各大石油 上中下游的数字化以及智能化发展迅速，相信在 以及天然气公司积极开展对“智慧油田”的建设， 不久的未来可以孕育出全新的油气工业生态圈. Large screen with integrated management control Wellsite edge Cloud computing and bi DecisionSpaceTM Production 365 loT automation facilities Dom Wellsite edge computing Big data analysis platform Production services Services and applicationsnd appiiinthe oil and gas field Construction process of oil and gas big data intelligent platform Digital oilfield production monitoring platform 困2国内外油气大数据智能平台构建实例图 Fig.2 Construction and example of the intelligent platform for domestic and foreign oil and gas big data In April,Total joined In Octobet, In Janury,BP In July,PetroChins farces with Google to Halliburton n the"Best Degit nd s or is of the and gas. computing chnolog 2017 208 2019 2020 In September In Novembe Microsod in the Pineline netwotk develonmer Dream Cloud"an elhatiornehip Group Co.Lid was counitive ctroleim field an st如ed the digital to intelligently analyze established to bualda oy developed oal and gas well Chinese Acaden可yof pipe network. sciences. 图3国内外油气工业数字化转型发展历程 Fig.3 Development process of the digital transformation of the oil and gas industry at home and abroad 2油气大数据“6V”属性特点分析 有结构化数据如地震反演、生产数据等，还包括半 对于大数据特性的描述比较具有代表性的是 结构化数据如地震解释、钻井报告等，以及非结构 3V定义uo:即规模性(Volume),多样性(Variety)和 化数据像测井曲线、岩心图片等，因而具有“Variety” 高速性(Velocity).国际数据公司(IDC)在此基础 特性.现如今，这些油田数据的获取大多是基于物 上添加了第4V的特性，价值型(Value).IBM则认 联网的井下或地面传感器等边缘监测设备，在保 为真实性(Veracity)也是大数据技术的必然要素 证了数据的“Veracity”特性的同时，可以实现对数 对于石油工业而言，还有一些学者认为除了上述 据的实时传输，突出了油气数据的“Velocity”.另 SV的特性，还应该具有多变性(Variability)l2I 外，由于储层地质结构的复杂性以及油田现场人 如图4所示)为石油工业大数据的“6V”特 为操作等不确定因素，都会令勘探、开发、生产领 性.石油工业的“Volume”主要体现在其庞大的数 域相关数据产生“Variability”,如油田生产过程中 据量，就石油上游而言，已经构建了9大类数据资 的产量、压力等数据，而油气数据最为重要的就 产库，涵盖了600多个油气藏，7000余个地震工 是它的“Vlue”,如在油田勘探中，可以利用地震 区，开发了近45万口井，管理超过108万个测井文 数据预测地质空间结构从而确定地下油气藏所 件，累计存储量达1.7PB以上而这个庞大的数 在；在油田开发领域，通过测井录井数据来预测储 据体包括了勘探、测井录井及生产等各个领域，既 层物性参数节约生产时间：在油田生产中，利用生历程如图 3 所示. 总的来说，目前我国油气工业虽 然还处在数字化转型的初级阶段，但是各大石油 以及天然气公司积极开展对“智慧油田”的建设， 并携手诸如华为等数据科技企业，使得油气行业 上中下游的数字化以及智能化发展迅速，相信在 不久的未来可以孕育出全新的油气工业生态圈. Wellsite edge computing ① ② ③ Cloud computing and big data platform Landmark Construction process of oil and gas big data intelligent platform Production services and applications in the oil and gas field Digital oilfield production monitoring platform Large screen with integrated management control 1. IoT automation facilities 2. Wellsite edge computing 3. Big data analysis platform 4. Services and applications DecisionSpaceTM Production 365 Domestic Foreign 图 2    国内外油气大数据智能平台构建实例图 Fig.2    Construction and example of the intelligent platform for domestic and foreign oil and gas big data In July, Baker Hughes became the world’s first full-field digital oil and gas industry company relying on the Predix platform. In April, Total joined forces with Google to take the lead in applying big data technology to geological data processing. In October, Halliburton won the “Best Digital Transformation Award” for its product “Voice of the Oilfield”. In January, BP developed an earth science cloud platform that integrates physics, geology, histoy, and reservoir information. In September, Chevron, Microsoft and Schlumleiget reached a tripartite agreement to accelerate the digital transformation of oil and gas. In July, PetroChina and Huawei collaborated to realize intelligent analysis of oil and gas scenarios utilizing 5G and cloud computing technologies. In September, Schlumberger launched DELFI’s exploration and development cognitive environment as a basic digital platform. In September, Shell collaborated with Microsoft in the application of artificial intelligence in the petroleum field and jointly developed “Shell Geodesic”. In November, PetroChina built its first intelligent oil and gas platform “Dream Cloud” and started the digital construction of oil and gas field. In February, Exxonmobil and Microsoft established a cooperative relationship to intelligently analyze oil and gas well performance. In December, the National Petroleum and Natural Gas Pipeline Network Group Co., Ltd. was established to build a nationwide “smart pipe network”. In August, the first oil and gas data science sublaboratory was established in the Computer Network Information Center of the Chinese Academy of Sciences. 2017 2018 2019 2020 图 3    国内外油气工业数字化转型发展历程 Fig.3    Development process of the digital transformation of the oil and gas industry at home and abroad 2    油气大数据“6V”属性特点分析 对于大数据特性的描述比较具有代表性的是 3V 定义[10] ：即规模性（Volume），多样性（Variety）和 高速性（Velocity）. 国际数据公司（IDC）在此基础 上添加了第 4V 的特性，价值型（Value）. IBM 则认 为真实性（Veracity）也是大数据技术的必然要素[11] . 对于石油工业而言，还有一些学者认为除了上述 5V 的特性，还应该具有多变性（Variability） [12] . 如图 4 所示[13] ，为石油工业大数据的“6V”特 性. 石油工业的“Volume”主要体现在其庞大的数 据量，就石油上游而言，已经构建了 9 大类数据资 产库，涵盖了 600 多个油气藏， 7000 余个地震工 区，开发了近 45 万口井，管理超过 108 万个测井文 件，累计存储量达 1.7 PB 以上[14] . 而这个庞大的数 据体包括了勘探、测井录井及生产等各个领域，既 有结构化数据如地震反演、生产数据等，还包括半 结构化数据如地震解释、钻井报告等，以及非结构 化数据像测井曲线、岩心图片等，因而具有“Variety” 特性. 现如今，这些油田数据的获取大多是基于物 联网的井下或地面传感器等边缘监测设备，在保 证了数据的“Veracity”特性的同时，可以实现对数 据的实时传输，突出了油气数据的“Velocity”. 另 外，由于储层地质结构的复杂性以及油田现场人 为操作等不确定因素，都会令勘探、开发、生产领 域相关数据产生“Variability”，如油田生产过程中 的产量、压力等数据. 而油气数据最为重要的就 是它的“Value”，如在油田勘探中，可以利用地震 数据预测地质空间结构从而确定地下油气藏所 在；在油田开发领域，通过测井录井数据来预测储 层物性参数节约生产时间；在油田生产中，利用生 · 182 · 工程科学学报，第 43 卷，第 2 期