×

智能油田关键技术研究现状与发展趋势(第一部分)

摘要

油田企业要应对高质量发展需求与外部严峻挑战,智能油田建设成为必然的发展方向。本文总结分析了中外油田企业在智能化建设中的先进实践,认为智能油田要具备全面感知、集成协同、预警预测、分析优化四项能力。在物联网建设全面推进的基础上,中国油气行业依托逐渐积累起的海量数据资源,结合智能化的技术手段在提高油气田勘探开发、生产运行的质量与效率方面开展了一系列探索与实践,在储层预测、油藏描述、工况诊断等业务场景中取得了良好的应用效果。为全面实现油田企业数字化转型、智能化发展,下步需要在生产现场动态自动监测与智能控制技术、新一代油田工业大数据智能化技术、油藏开发智能优化技术、油田数字孪生与智能运营指挥技术等方面深化攻关研究,形成具有领先水平的智能采集、全面感知、智能控制、预警预测等智能油田基础关键技术系列,支撑油田高质量发展,保障国家能源安全。

 

受全球政治经济形势和市场博弈等因素影响,油气能源行业震荡加剧,石油产业格局发生显著变化。全球能源趋向多元化、低碳化,随着油气需求增速下降,油田经营效益下滑,运营成本压力逐年增加,石油行业面临严峻挑战。同时,大数据、人工智能、5G、云计算等新一代信息技术驱动的全球第四次工业革命快速发展并推广应用,引发全社会和全产业链的颠覆性变革,给石油行业带来了新的发展机遇。数字化和智能化技术革命是开辟石油行业持续发展的新途径,建设智能油田既是石油行业降本提质增效的有效支撑,也是油田勘探开发等主营业务技术发展的必然趋势,能够解决油田高质量发展中面临的实际难题。


本文在对智能油田的概念内涵进行基本描述的基础上,调研分析了中外油公司在智能油田建设方面的具体实践,重点针对我国油气田在智能化勘探开发、智能化生产运行方面开展的研究和形成的关键技术进行了介绍,并结合具体工作实际对胜利油田在相关领域的研究情况进行分析,对智能油田下步的发展方向和需要攻关的关键技术进行分析、预测与展望,以期为智能油田的建设与早日实现提供一定的借鉴与指导。

 

1. 智能油田的概念内涵与建设实践

智能油田是数字油田的高级发展阶段,近年来,在经历了数字油田的建设,具备了基本的数据采集、管理等基础之后,中外石油公司围绕勘探开发等核心业务,积极探索智能化技术在油田的深入应用,智能化技术由点到面逐步推进,智能油田的概念逐渐明确、内涵不断丰富,智能油田建设取得了良好效果。

 

1.1 智能油田的定义及内涵

对于智能油田,中外诸多学者开展了分析探讨,但目前并无统一的定义。石崇东等提出智能油田是通过分析环境层、数据层、模型层、应用层等不同领域来综合制定与实施油田的合理高效开采。张凯等认为智能油田意味着面对开发过程中的动态分析、自动历史拟合、开发方案优化及提高采收率措施等主要生产问题,能够基于实时大数据“感知”油藏开发中的问题,利用先进的模型“分析”存在的问题,通过智能优化方案“思考”最佳策略与方案,最终辅助油田工程师“决策”现场实施。智能油田的建设就是让计算机或智能设备逐步代替或一定程度上代替人工脑力劳动的过程。石玉江等认为数字油田代替了人的重复性的统计工作,是应用知识的过程,智能油田代替的则是人的部分分析归纳工作,是创造知识和知识共享的过程,是勘探开发技术、开采配套产业、油田生产及决策、现代信息技术应用等多种业务智能化协同发展的必然结果。

结合在胜利油田开展智能油田建设规划的经验认识,本文认为智能油田的本质及目标就是在数字油田的基础上,围绕油田的油藏、油水井、管网、设备设施等核心资产,依托信息技术全面辅助资产管理和效益优化,构建全面感知、集成协同、预警预测、分析优化四项能力,助力高质量勘探、效益开发,实现油田资产价值最大化。从建设特点及内涵上来看,智能油田应该具备物联化、模型化、集成化、可视化四方面的特征。其中物联化是基础,利用传感器等装置实现油田所有资产对象及管理对象的感知及监控,同时将生产及管理相关的数据实时采集并及时传送到后台进行处理。模型化是核心,在对油藏、油水井、管网、重点设备设施等对象进行全面建模的基础上,通过数据、拓扑等各种关联关系进行一体化模拟,为各种方案、措施的优化奠定基础。集成化是关键,包括基于数据湖建设促进数据集成、通过工业互联网平台实现应用集成进数据集成、通过工业互联网平台实现应用集成可视化是将各个业务领域的静态及动态数据借助图形化、三维、移动等技术以直观形式随时随地按需展现,包括利用数字孪生技术实现生产过程、业务协同的透明可视,并支持交互处理。

 

1.2 国外油公司在智能油田建设方面的实践

国外油公司在智能油田方面起步较早,在油田感知、分析、优化等不同环节实施了相关的重要战略举措,特别是近两年来,通过加强与微软、谷歌等信息技术公司的合作,直接引进信息技术公司在大数据、人工智能方面的成熟技术,在勘探开发等核心业务智能化方面取得一定的效果。

埃克森美孚与微软合作,在其二叠纪盆地油田开发中应用数据湖、机器学习和云计算等技术,进行智能油气田建设。从广泛的传感器网络中收集数据(例如来自井口的压力和流量等)并存储在云平台中,科学家和分析人员可以从任何地方进行无缝、实时的访问,使用人工智能和机器学习等先进的数字技术,深入挖掘数据价值支持业务决策优化和工作流自动化。预计到2025年,智能化技术支持二叠纪盆地油田的产量增长50000bbl/d,并希望在未来十年通过改进分析和提高资产运行效率创造数十亿美元的净现金流,在油田的整个生命周期中,实现降低成本、提高产量并减少甲烷排放。壳牌在马来西亚Borneo海面的SF30油田开展智能油田试点建设,利用油井生产测试数据和地质油藏等数据,建立可靠的大数据模型,通过模型对生产状况进行精准预测,实时优化油井举升效率。基于预测结果更快地调整举升流量、温度与压力等参数,实现每1~5分钟调整一次,极大地提升了举升效率。井下压力和温度传感器与液压单元控制阀开关同时接入DCS系统,对井下流量进行实时监控;通过远程调节液压驱动各层段的控制阀,实时优化控制井下各层段的流量,实现油井多层段优化组合采油,提高采收率0.25%。

道达尔公司通过搭建油气生产一体化协同研究平台,实现了油气藏—注采井—地面集输等生产全系统的模拟与优化,支持多学科综合研究、跨部门协同工作、多模型集成共享、油气藏可视化管理和管理层辅助决策。油气藏、注采井、地面管网和设备各环节进行生产一体化动态模拟,将单个生产环节紧密连接起来,在投产前进行各种开发方案的对比评估,在投产后进行开发效果的跟踪与评价,优化整个生产运行系统,实现技术研究目标高度统一,为油气田开发的智能管理提供一体化模拟模型,提高了油气田开采效率和经济效益。

 

1.3 国内油田企业在智能油田建设方面的实践

国内油田企业高度重视智能油田技术研究和建设工作,“十二五”以来,在开展数字化、网络化建设的基础上,将智能油田建设作为企业转型升级发展战略,先后启动了智能油田相关技术研究和试点应用。

中国石油“十三五”围绕智能油田发展,以“勘探开发统一数据湖,统一技术平台,通用应用环境”为核心,建设勘探开发梦想云,实现上游企业全业务链数据互联、技术互通、业务协同,构建共创、共建、共享、共赢的信息化建设与应用新生态,支撑业务数字化转型、智能化发展。2019年11月,勘探开发梦想云2.0投入运行,融合了人工智能、大数据、云计算、物联网、移动应用等新技术,通过数据湖及统一技术平台工作的推进,突破了以往存在的“数据难以共享、业务难以协同”的瓶颈,为油气勘探、开发生产、协同研究、生产运行、经营管理、安全环保等六大业务领域提供智能化应用支持,并在四川盆地风险勘探、塔里木油田圈闭审查、油气水井生产管理中开展了应用场景的实现。

中国石化2013年启动了智能油田建设规划工作,同步开展了智能油田关键技术攻关研究,取得了明显的成果,并呈现快速发展之势。面向石油石化行业数字化、网络化、智能化的发展目标,联合华为研发推出了石化智云工业互联网平台,形成传统行业与信息技术深度融合的新模式、新业态,走在了中国流程工业智能制造应用领域前列。“十三五”以来,中国石化智能油气田建设重点围绕生产运行、集成协同、智能油田建设示范等稳步推进,研发并推广应用了生产指挥系统(PCS)以及勘探开发业务系统平台(EPBP)、勘探开发云平台(EPCP)等协同平台,打造了全面感知、集成协同和全局优化三项基本能力,实现了数据和专业软硬件的统一管理,先导示范见到了提高效率、降低成本的成效,为油田数字化、信息化和智能化发展奠定了基础。

中海石油2019年开展了数字化转型顶层设计工作,提出了以“云化+平台化+敏捷开发与交付+云边协同”为建设思路,基于“数据+平台+应用”的云架构开展信息系统建设,利用开发运维一体化协同(DevOps)体系进行系统研发,采用“数据+算力+算法”的智能应用技术体系进行系统部署,实现集成、协作、共享。面向勘探开发等业务场景,开展智能油田功能设计、技术实现、功能研发,为智能油田提供稳健的技术支撑。面向油气田全生命周期,从综合研究、现场作业、业务管理到战略决策四个层次,聚焦“透明化油藏、无人化操作、协同化运营、知识化决策”四类典型场景,利用先进信息技术手段,建设新型油气田勘探开发模式,实现油田高效运营和价值提升。

 

2. 智能油田关键技术研究进展

当前,中外油田在数字化上已经有了长足的进步,尤其中国大庆、胜利等主力油田已经实现了生产现场数据的实时采集与处理,具备了对地面生产设备设施乃至井筒和油藏实时感知的条件,同时,积累的海量数据资源也为智能油田建设提供了较好的基础。围绕如何提高油气田勘探开发、生产运行的质量与效率,中国各大油田开展了一系列的探索与实践,取得了一定的成果。

 

2.1 智能化勘探技术

在油气勘探方面,中外学者围绕生、储、盖、运、圈、保六大要素的认识深化开展了多年的研究工作,近年来,随着相关算法和计算机软硬件的发展进步,应用大数据、人工智能技术解决勘探综合研究中遇到的难题成为热点研究方向,其中在地震资料处理、输导体系评价、地震构造及层位解释等方面进展较为显著,形成了一系列新的技术手段。

 

2.1.1 地震资料智能处理技术

地震资料处理是一项复杂的多环节系统工程,同时又是储层预测、油藏描述等工作的基础。传统的工作方式依赖于地震资料处理人员的经验,在处理精度与效率上存在诸多制约。应用大数据、人工智能技术解决地震资料数据处理问题为地震资料准确高效处理提供了新的技术方案。

目前针对地震资料的智能处理,主要的技术焦点集中在提高信噪比、减少噪音干扰方面。如高晗针对近地表可能存在于折射层上的低速风化层影响,以及地震观测数据信噪比低、存在噪音干扰等方面的问题,采用折射波走时计算剩余静校正值,并构建了空洞卷积、ResNet残差单元与跳跃连接相结合的空洞卷积残差连接网络,既增大了感知野,又加快了训练速度,提高了网络的细节学习能力和稳定性,达到了较好的去噪效果。向奎提出了一种基于卷积神经网络的地震资料智能化去噪方法,利用深度学习框架caffe对模型进行训练,将训练得到的模型用于地震道集去噪,并深入探讨了加快深度学习网络训练速度的六种方法。管西竹等针对海洋地震资料去噪处理问题,提出了基于残差卷积神经网络(ResNet)的随机噪声压制神经网络,通过增加归一化层和网络层的前馈传导过程来解决网络层数加深而导致的梯度弥散效应,可以有效压制海洋地震资料中的随机噪声,提高了网络模型的训练速度和去噪性能。

在地震资料处理方面,除了基于资料本身的去噪研究,减少资料处理过程中各个阶段的流程编排时间、参数实验次数,促进地震资料处理的经验共享和传承,也是提高地震资料处理效率的一个重要研究方向。为此,胜利油田采用大数据与人工智能领域的聚类分析技术,提出了一种地震资料处理流程智能推荐技术。利用采集的处理模块信息建立样本集合,根据大数据分析结果确定样本的分布规律,优选全局K-means聚类分析算法对样本集合进行聚类;为解决样本量过大的问题,使用MapReduce计算框架部署分布式K-means聚类算法,Map阶段将样本进行分割后聚类,形成多种聚类中心,在Re⁃duce阶段进行聚类中心的评价和选择,确定最优聚类中心,最终实现全部样本的聚类分析。结合标准地震资料处理流程,从聚类结果中搜索最相似模块参数组合,提取信息以实现处理流程的智能推荐。地震资料处理流程智能推荐技术在地表一致性振幅补偿、叠前炮域反褶积、剩余静校正等处理环节进行了应用,其中静校正是影响地震剖面信噪比和分辨率的关键技术,通过消除基准面静校正的剩余误差,调整共中心点道集的叠加相位,达到同相叠加的目的(图1),处理后断面清晰,资料分辨率和信噪比得到了有效提高。

图1.png 


返回