宋洪庆等：油气资源开发的大数据智能平台及应用分析 ·183 产数据完善开发方案进而提高采油效率等.由这 性”，通过大数据技术将这些具有“规模性”、“多 些物联网下的实时监测、物理模拟和实验分析等 样性”、“高速性”的数据存储及融合，利用人工智 数据组成了油田具有大数据“6V”特性的多元异构 能探究其“多变性”原因，挖掘数据间规律最终发 数据体.因此，我们需要基于油气数据的“真实 挥油气数据真正的“价值” Exploration Reservoir engineering Drilling and completion Productron Volume Seismic acquisition Reservoir engineering, Sensors: SCADA sensor: SEGD/SEDY... numerical simulation flow,pressure and ROP flow and pressure Structured data Structured data Structured data WITSML Structured data SEGD,SEGY, WITSML,RESML and RESML Variety pre-stack and post-stack PRODML PRODML Unstructured data Semi-structured data Interpretation report curve. daily drilling report Unstructured:gas log Crude analysis report Real-time data collection Real-time data collection Real-time data collection Velocity Wide-azimuth data Mud logging. LWD and MWD SCADA sensors Veracity Seismic processing Reservoir model Sensor calibration Sensor calibration Reservoir simulation Variability Seismic interpretation combination of seismic Data interpretation and eological interpretation drilling and production data optimization Data interpretation Geological s structu mprove the drilling program Reduce the cost, Value Improve primary oil ave non-productive time reservoir parameter drive innovation with unconventional resources reduce risk recovery 图4油田工业大数据“6V特性 Fig.4 Oilfield industry big data "6V"features! 3油气资源开发的大数据智能平台框架构建 台的优势与潜能 31油气资源大数据智能平台总体框架 3.2数据的收集与存储 为了完成石油工业数据一体化建设，打造涵 随着勘探开发技术的不断更新，石油工业产 盖上游的勘探及开发，中游的运输与存储，下游的 生的数据不但体量极为庞大，更具有多源异构的 分配和销售于一体的大数据智能化平台，构建的 特性.首先，由于石油在勘探和开发中会涉及多个 主要流程及总体框架如图5所示.首先可以依托 领域的共同作用，如地震勘探、测井录井、油田开 石油工业各大巨头公司，研究所及勘探院的数据 发等，因此不同研究领域的数据体有他们各自的 库，将不同领域下不同存储方式的特征数据，按照 数据特征与存储格式.例如，对于地震勘探数据， 结构化数据、半结构化数据、非结构化数据来进 由美国勘探地球物理学会(SEG)推荐的SEDG、 行收集存储，打造一个统一的数据资源池，这也是 SEDY存储格式，以及科罗拉多矿院CWP(Center 整个智能化油气大数据平台的基石.然后，基于数 for Wave Phenomena)实验室开发的一套开源地球 据资源池，我们需要将这些不同领域的数据进行 物理数据处理系统中SU格式(Seismic Unix);对于 数据清理、提取与融合，加强不同领域下数据的关 测井录井数据，主要是常见的测井曲线图片以及 联性，提升数据质量与可信度，从而打破石油工业 相关的解释性文本文件；对于油田开发数据，主要 存在的“数据孤岛”现象.接着，我们以人工智能算 包含油井产量、压力等结构化数据等.其次，油藏 法为武器，通过机器学习、深度学习、统计学分析 数据还具有多尺度的特性，从宏观尺度上通过数 等数据挖掘手段，深层次的剖析解读数据中的潜 值模拟进行地质建模，再到介观层次的格子玻 在规律和隐含的特征，从而给予油田工业更多的 尔兹曼方法的运用6，甚至微观层次的分子动力 建议与决策支持.最后，这些利用人工智能算法获 学研究叨，这些技术手段都在油田领域有着广泛 取的分析结果需要通过可视化等简洁的方式展现 的应用空间.大数据智能平台的真正价值就是可 给终端的用户，使终端客户群如政府机构、研究人 以高效的提取与挖掘这些通过物理模拟、现场监 员、销售部门等可以按照自己的需求方便快捷的 测及实验分析等手段收集来的油气数据体] 获取相关数据，真正的发挥出石油工业大数据平 那么，油气工业如此庞大的多源异构数据需产数据完善开发方案进而提高采油效率等. 由这 些物联网下的实时监测、物理模拟和实验分析等 数据组成了油田具有大数据“6V”特性的多元异构 数据体. 因此，我们需要基于油气数据的“真实 性”，通过大数据技术将这些具有“规模性”、“多 样性”、“高速性”的数据存储及融合，利用人工智 能探究其“多变性”原因，挖掘数据间规律最终发 挥油气数据真正的“价值”. Volume Variety Velocity Veracity Variability Value Petroleum industry data "6V" characteristics Exploration Reservoir engineering Drilling and completion Production Seismic acquisition, SEGD/SEDY... Reservoir engineering, numerical simulation Sensors: flow, pressure and ROP SCADA sensor: flow and pressure Geological spatial structure prediction, reservoir parameter inversion Improve the drilling program, drive innovation with unconventional resources Reduce the cost, save non-productive time reduce risk Improve primary oil recovery Seismic interpretation, geological interpretation Reservoir simulation, combination of seismic, drilling and production data Data interpretation and optimization Data interpretation Seismic processing Reservoir model Sensor calibration Sensor calibration Real-time data collection Real-time data collection Real-time data collection Wide-azimuth data acquisition Mud logging, LWD and MWD SCADA sensors SEGD, SEGY, pre-stack and post-stack WITSML, RESML and PRODML Structured data WITSML Final well report, daily drilling report Structured data Unstructured data Semi-structured data Interpretation report Logging curve, core picture... Unstructured: gas log... Structured data Structured data Semi-structured data Unstructured data Crude analysis report RESML PRODML 图 4    油田工业大数据“6V”特性[13] Fig.4    Oilfield industry big data “6V” features[13] 3    油气资源开发的大数据智能平台框架构建 3.1    油气资源大数据智能平台总体框架 为了完成石油工业数据一体化建设，打造涵 盖上游的勘探及开发，中游的运输与存储，下游的 分配和销售于一体的大数据智能化平台，构建的 主要流程及总体框架如图 5 所示. 首先可以依托 石油工业各大巨头公司，研究所及勘探院的数据 库，将不同领域下不同存储方式的特征数据，按照 结构化数据、半结构化数据、非结构化数据来进 行收集存储，打造一个统一的数据资源池，这也是 整个智能化油气大数据平台的基石. 然后，基于数 据资源池，我们需要将这些不同领域的数据进行 数据清理、提取与融合，加强不同领域下数据的关 联性，提升数据质量与可信度，从而打破石油工业 存在的“数据孤岛”现象. 接着，我们以人工智能算 法为武器，通过机器学习、深度学习、统计学分析 等数据挖掘手段，深层次的剖析解读数据中的潜 在规律和隐含的特征，从而给予油田工业更多的 建议与决策支持. 最后，这些利用人工智能算法获 取的分析结果需要通过可视化等简洁的方式展现 给终端的用户，使终端客户群如政府机构、研究人 员、销售部门等可以按照自己的需求方便快捷的 获取相关数据，真正的发挥出石油工业大数据平 台的优势与潜能. 3.2    数据的收集与存储 随着勘探开发技术的不断更新，石油工业产 生的数据不但体量极为庞大，更具有多源异构的 特性. 首先，由于石油在勘探和开发中会涉及多个 领域的共同作用，如地震勘探、测井录井、油田开 发等，因此不同研究领域的数据体有他们各自的 数据特征与存储格式. 例如，对于地震勘探数据， 由美国勘探地球物理学会（ SEG）推荐的 SEDG、 SEDY 存储格式，以及科罗拉多矿院 CWP（Center for Wave Phenomena）实验室开发的一套开源地球 物理数据处理系统中 SU 格式（Seismic Unix）；对于 测井录井数据，主要是常见的测井曲线图片以及 相关的解释性文本文件；对于油田开发数据，主要 包含油井产量、压力等结构化数据等. 其次，油藏 数据还具有多尺度的特性，从宏观尺度上通过数 值模拟[15] 进行地质建模，再到介观层次的格子玻 尔兹曼方法的运用[16] ，甚至微观层次的分子动力 学研究[17] ，这些技术手段都在油田领域有着广泛 的应用空间. 大数据智能平台的真正价值就是可 以高效的提取与挖掘这些通过物理模拟、现场监 测及实验分析等手段收集来的油气数据体[18] . 那么，油气工业如此庞大的多源异构数据需 宋洪庆等： 油气资源开发的大数据智能平台及应用分析 · 183 ·