1.油气行业数字化转型趋势

油气行业是一个典型的重资产行业，其巨大的产业链涵盖了上游的勘探、开发、生产；中下游的储运、炼化、油气分销甚至延申到化工行业的专用化学品、工业气体、无机物以及水处理等。

随着国际市场原油价格波动剧烈，勘探开发难度不断加大，以及新能源供给的不断增加，油气行业面临着日益严峻的挑战，数字化转型已成为行业降本增效、提升质量的必由之路。

有鉴于此，全球各大油气公司纷纷开展数字化转型之路，有全力押注数字化转型的如 BP、挪威国家石油等公司；有职能部门牵头试水轻度整合的如沙特阿美，美孚等公司；也有业务单元牵头推进数字化改革的如壳牌、雪佛龙等公司，对于一些中小油气公司，数字化转型更是决定了企业的生死成败。

油气行业的数字化转型关键技术包含了大数据分析工具、物联网、移动设备、云计算、机器人和无人机、人工智能等，其中大数据和人工智能是当前的关键。

转型的目标包含了生产数字化，为现场作业设备建立数字化体系实现感知和远程控制；运营数字化，建立智能数字化运营体系；贸易数字化，建立数字化的油气交易、服务、风险防控平台；和设计数字化，利用大数据、数字孪生技术等实现产品设计的跨领域、跨学科协作，提高开发效率，降低开发成本。

2.MathWorks 油气行业应用概述

MathWorks 产品在油气行业的应用主要分为大数据和 AI，数字孪生技术两大板块。

其中，大数据和 AI 的应用主要有 4 个维度。

通过数据分析和机器学习研究油气的特性，比如通过数据进行地震、压裂分析，钻柱的振动分析等；

通过图像处理、深度学习等方式实现油气行业的智能化应用，比如油藏的地质分析；

简化和自动化能源交易和能源管理任务，运行 Monte Carlo 仿真进行估值和风险评估等；

预测性维护也叫设备健康管理，通过 MATLAB 的预测性维护工具箱，识别故障、设计状态指示器，并估算关键设备（如泵和压缩机等）的剩余使用寿命，变计划性维护为预测性维护，极大地降低成本，提高效率。

数字孪生技术的应用同样有4个维度。

钻井系统建模和数字孪生，为系统和多个子系统建立数字化模型以验证控制效果和系统安全稳定性；

MBD & Polyspace，使用基于模型设计进行产品开发、测试和验证，同时对于已有的手工代码进行高安全等级和行业标准检验以确保代码层级的安全性；

实时仿真 & HIL（硬件在环），方便快捷地实现实时测试，更好地了解系统行为和控制效果；

最后所有的大数据及数字孪生算法通过代码生成，Production Server，Web Application Server 等工具可以轻松地部署到边缘设备、IT/OT 系统和企业云端等，为实际的生产、运营服务。

3.AI 及大数据

MathWorks 提供了一系列用于大数据分析和人工智能的工具箱，以方便用户进行信号处理、时频域计量建模和人工智能模型训练等。

其广泛地支持运营数据、井下数据、操作日志、地下数据、以及地震图像、卫星高光谱图像等数据格式。

以机器学习为例，MathWorks 提供了完整的工具链，使得机器学习/深度学习工作流无缝化对接，涵盖了数据读取，数据预处理，特征提取，模型训练，模型矫正和部署集成。

MATLAB 支持各种不同的文件格式、数据库以及web和云存储系统，我们提供各种工具帮助用户清理“脏”数据，包括处理丢失的数据、对来自不同传感器数据进行时间对准及过滤噪声干扰等；

为信号、图像、视频、音频和文本数据提供特征工程技术以提取时频域特征；

MATLAB 提供的 APP 助力于用户方便快捷地进行模型训练和模型矫正，最后部署到边缘设备、IT/OT 系统和企业云端。

下面我们来看两个油气行业利用大数据和 AI 的例子：

壳牌石油地质学家使用机器学习进行油藏特征描述 壳牌石油地质学家使用机器学习进行油藏特征描述

在油气勘探中，地质学家们常利用地震数据反演地下地质构造以识别潜在的油藏，通常这些图像缺乏必要的分辨率来捕捉复杂的岩石层模式和其他地层细节。

分辨率不高的成像可能导致钻井效率低下成本超高，也可能导致过于乐观的产量预测。

壳牌公司希望开发一种算法，它可以利用现有的地震测量数据和已知地质构造的数据库来推断新的类似的，低分辨率的地质构造特征。

他们使用曲线拟合工具箱的加权三次样条函数进行曲率分析，以定量地描述从三维地震数据中提取特征，使用 Database Toolbox 将算法连接到一个包含卫星图像、地形、岩心数据、地质构造等的数据库；

利用统计学工具箱和机器学习工具箱，开发了一个回归模型和预测算法，结合数据库指标、从地震数据中提取的特征和已知的比例关系，预测地质厚度、宽度和其他地层特征；使用 Mapping Toolbox 标识识别位置，同时使用 MATLAB Production Server 将该算法发布到全公司范围内应用。

为了提高原油产量开采所有可能的储层，同一油田范围内打出越来越多的加密井，而水力压裂法普遍应用更多的压裂段，每段水平段完井含沙量更高、簇距更近导致井间压窜成为必然结果；据斯伦贝谢公司的统计以美国特拉华盆地为例，支撑剂总量和水平段长度归一化处理后，当井间距小于 488 米时发生压窜的概率为81%，而距离缩小到 244 米时发生压窜的概率超过 91%。

压窜的直接结果导致母井产量下降 30% 以上，甚至导致设备损坏而永久停产。

但是压窜是一个非常复杂的问题，影响因素众多，可控因素包括井间距、井位排列、压裂类型、注入速率、注入压力、流体类型、支撑剂浓度体积、岩层构造等，还有一些不可控因素影响如天然断裂构造、地应力和断裂屏障模式等。如何找到其中的关系模式成为诊断、预测和降低压窜影响的关键。

贝克休斯公司使用机器学习工具，利用作业前确定的参数数据和母井的时间序列压力数据开发压窜预测算法。

工程师们提取原始数据，在进行数据清洗之后结合行业领域知识和数据分析方法进行数据特征提取；然后通过机器学习对数据进行分类和标签，以识别井内和水平段之间的相互作用，同时与母井压力表的监测数据结合起来，进行异常检测和诊断，最后将结果可视化呈现并部署在企业系统中。通过这种方式识别了发生压窜的原因，并输出一系列规则及应对决策机制。