天天视频色版,污黄漫,亚洲图片一区

1油氣行業數字化轉型趨勢

油氣行業是一個典型的重資產行業，其巨大的產業鏈涵蓋了上游的勘探、開發、生產；中下游的儲運、煉化、油氣分銷甚至延申到化工行業的專用化學品、工業氣體、無機物以及水處理等。

隨著國際市場原油價格波動劇烈，勘探開發難度不斷加大，以及新能源供給的不斷增加，油氣行業面臨著日益嚴峻的挑戰，數字化轉型已成為行業降本增效、提升質量的必由之路。

有鑒于此，全球各大油氣公司紛紛開展數字化轉型之路，有全力押注數字化轉型的如 BP、挪威國家石油等公司；有職能部門牽頭試水輕度整合的如沙特阿美，美孚等公司；也有業務單元牽頭推進數字化改革的如殼牌、雪佛龍等公司，對于一些中小油氣公司，數字化轉型更是決定了企業的生死成敗。

油氣行業的數字化轉型關鍵技術包含了大數據分析工具、物聯網、移動設備、云計算、機器人和無人機、人工智能等，其中大數據和人工智能是當前的關鍵。

轉型的目標包含了生產數字化，為現場作業設備建立數字化體系實現感知和遠程控制；運營數字化，建立智能數字化運營體系；貿易數字化，建立數字化的油氣交易、服務、風險防控平臺；和設計數字化，利用大數據、數字孿生技術等實現產品設計的跨領域、跨學科協作，提高開發效率，降低開發成本。

2MathWorks 油氣行業應用概述

MathWorks 產品在油氣行業的應用主要分為大數據和 AI，數字孿生技術兩大板塊。

其中，大數據和 AI 的應用主要有 4 個維度。

通過數據分析和機器學習研究油氣的特性，比如通過數據進行地震、壓裂分析，鉆柱的振動分析等；

通過圖像處理、深度學習等方式實現油氣行業的智能化應用，比如油藏的地質分析；

簡化和自動化能源交易和能源管理任務，運行 Monte Carlo 仿真進行估值和風險評估等；

預測性維護也叫設備健康管理，通過 MATLAB 的預測性維護工具箱，識別故障、設計狀態指示器，并估算關鍵設備（如泵和壓縮機等）的剩余使用壽命，變計劃性維護為預測性維護，極大地降低成本，提高效率。

數字孿生技術的應用同樣有4個維度。

鉆井系統建模和數字孿生，為系統和多個子系統建立數字化模型以驗證控制效果和系統安全穩定性；

MBD & Polyspace，使用基于模型設計進行產品開發、測試和驗證，同時對于已有的手工代碼進行高安全等級和行業標準檢驗以確保代碼層級的安全性；

實時仿真 & HIL（硬件在環），方便快捷地實現實時測試，更好地了解系統行為和控制效果；

最后所有的大數據及數字孿生算法通過代碼生成，Production Server，Web Application Server 等工具可以輕松地部署到邊緣設備、IT/OT 系統和企業云端等，為實際的生產、運營服務。

3AI 及大數據

MathWorks 提供了一系列用于大數據分析和人工智能的工具箱，以方便用戶進行信號處理、時頻域計量建模和人工智能模型訓練等。

其廣泛地支持運營數據、井下數據、操作日志、地下數據、以及地震圖像、衛星高光譜圖像等數據格式。

以機器學習為例，MathWorks 提供了完整的工具鏈，使得機器學習/深度學習工作流無縫化對接，涵蓋了數據讀取，數據預處理，特征提取，模型訓練，模型矯正和部署集成。

MATLAB 支持各種不同的文件格式、數據庫以及web和云存儲系統，我們提供各種工具幫助用戶清理“臟”數據，包括處理丟失的數據、對來自不同傳感器數據進行時間對準及過濾噪聲干擾等；

為信號、圖像、視頻、音頻和文本數據提供特征工程技術以提取時頻域特征；

MATLAB 提供的 APP 助力于用戶方便快捷地進行模型訓練和模型矯正，最后部署到邊緣設備、IT/OT 系統和企業云端。

下面我們來看兩個油氣行業利用大數據和 AI 的例子：

殼牌石油地質學家使用機器學習進行油藏特征描述

左：三維地震數據立體水平切片，黑色為一條大型溝帶（潛在的儲層目標）

右：預測可能的目標儲層內部地質構造

在油氣勘探中，地質學家們常利用地震數據反演地下地質構造以識別潛在的油藏，通常這些圖像缺乏必要的分辨率來捕捉復雜的巖石層模式和其他地層細節。

分辨率不高的成像可能導致鉆井效率低下成本超高，也可能導致過于樂觀的產量預測。

殼牌公司希望開發一種算法，它可以利用現有的地震測量數據和已知地質構造的數據庫來推斷新的類似的，低分辨率的地質構造特征。

他們使用曲線擬合工具箱的加權三次樣條函數進行曲率分析，以定量地描述從三維地震數據中提取特征，使用 Database Toolbox 將算法連接到一個包含衛星圖像、地形、巖心數據、地質構造等的數據庫；

利用統計學工具箱和機器學習工具箱，開發了一個回歸模型和預測算法，結合數據庫指標、從地震數據中提取的特征和已知的比例關系，預測地質厚度、寬度和其他地層特征；

使用 Mapping Toolbox 標識識別位置，同時使用 MATLAB Production Server 將該算法發布到全公司范圍內應用。

貝克休斯將機器學習用于診斷、預測和降低壓竄影響

為了提高原油產量開采所有可能的儲層，同一油田范圍內打出越來越多的加密井，而水力壓裂法普遍應用更多的壓裂段，每段水平段完井含沙量更高、簇距更近導致井間壓竄成為必然結果；

據斯倫貝謝公司的統計以美國特拉華盆地為例，支撐劑總量和水平段長度歸一化處理后，當井間距小于 488 米時發生壓竄的概率為81%，而距離縮小到 244 米時發生壓竄的概率超過 91%。

壓竄的直接結果導致母井產量下降 30% 以上，甚至導致設備損壞而永久停產。

但是壓竄是一個非常復雜的問題，影響因素眾多，可控因素包括井間距、井位排列、壓裂類型、注入速率、注入壓力、流體類型、支撐劑濃度體積、巖層構造等，還有一些不可控因素影響如天然斷裂構造、地應力和斷裂屏障模式等。如何找到其中的關系模式成為診斷、預測和降低壓竄影響的關鍵。

貝克休斯公司使用機器學習工具，利用作業前確定的參數數據和母井的時間序列壓力數據開發壓竄預測算法。

工程師們提取原始數據，在進行數據清洗之后結合行業領域知識和數據分析方法進行數據特征提取；然后通過機器學習對數據進行分類和標簽，以識別井內和水平段之間的相互作用，同時與母井壓力表的監測數據結合起來，進行異常檢測和診斷，最后將結果可視化呈現并部署在企業系統中。通過這種方式識別了發生壓竄的原因，并輸出一系列規則及應對決策機制。

數字孿生技術

數字孿生（Digital Twin）是在基于模型設計 MBD（Model-Based-Design）概念基礎之上深入發展起來的，是指充分利用物理模型、歷史數據等，借助輔助工具完成的多領域、跨學科的仿真過程，在虛擬空間中完成對物理系統整個生命周期的映射。從而對設備、系統的健康狀況、性能、發展趨勢進行預判，同時結合實際的數據可對現場故障進行復現，以驅動維護更新和優化。

在油氣行業，數字孿生技術被大量地用于小到一個設備，大到鉆井、油田的開發和虛擬仿真。上圖為在 MATLAB/Simulink 中為絞車鉆井系統建立的數字孿生模型，包括了控制系統及被控對象。通過數字孿生模型就可以對整個鉆井系統的運行進行全面的仿真和測試，尤其是在一些極限工況下系統的反應，從而確保實際的物理系統安全穩定運行。

同時，MathWorks 提供了幫助用戶實現設計、實施、測試的完整工具鏈。

模型仿真測試通過之后可以自動地將被控物理對象生成 C/C++ 等代碼，編譯下載到工控機等仿真測試設備；

而控制算法可以從模型自動生成 C/C++/PLC 等代碼，通過 IDE 環境集成并下載到實際的工業控制器中，這樣兩部分就可以協同仿真完成系統的硬件在環實時測試 HIL（Hardware-in-the-Loop），確保實時性能無誤后在投入實際系統使用。

下面我們來看兩個數字孿生技術在油氣行業應用的例子：

貝克休斯公司利用數字孿生改進油氣鉆探設備的精度

使用 Kymera 混合鉆頭的 AutoTrak 曲線旋轉式可導向系統

隨著可開采油氣儲藏變得越來越稀少，石油公司通常只好鉆探三維井，延伸數千米才能到達新儲層。在鉆探過程中需要精確的導向控制，以便最大程度地接觸儲層并避免碰到現有油井。

使用來自磁力計和加速度計的信號對鉆探系統的傾角和方位角進行計算。井下振動和沖擊使這些信號失真，導致隨井深而增加的井孔位置的不確定性。

Baker Hughes 采用 MATLAB 和 Simulink 的基于模型的設計，建立了新的開發流程。他們從在桌面仿真中測試現有算法開始，然后使用建模和自動代碼生成來改進算法。

他們使用 Simulink Check 和 Simulink Coverage 檢查是否符合 MathWorks Automotive Advisory Board （MAAB）建模標準，并測量他們的測試用例的模型覆蓋率，最大限度地減少了昂貴的現場測試的同時，最終出色地完成了設備精度的提升，并且為來來項目的開發奠定了可復用的模型基礎。