大數據分析技術在油田生產中的應用研究

李園園 胡璐

[摘 要]近年來，隨著科學技術的不斷發展，大數據已經逐漸深入人們的工作、生活中，一些先進的石油企業也開始嘗試將大數據分析引入石油行業。石油企業在油田生產過程中應用大數據分析技術，能夠有效提高生產效率。基于此，本文探討了大數據分析技術的類型，總結了油田大數據分析平臺的構建方法及大數據分析技術在油田生產中的應用，旨在為相關研究提供借鑒。

[關鍵詞]大數據分析技術；油田生產；數據處理

doi：10.3969/j.issn.1673 - 0194.2019.08.025

[中圖分類號]F273；TP311.13 [文獻標識碼]A [文章編號]1673-0194（2019）08-00-02

0 引 言

石油化工行業是我國的經濟支柱型產業，對提升我國的經濟效益具有重大影響。隨著科學技術的發展，我國部分油田已經建設了數字油田，并擁有較為成熟的中心處理技術。目前，油田企業的發展目標是建立專項智能化油田，利用大數據技術及物聯網技術解決技術難題，從而使油田生產及各個業務模塊實現分析預測及全面感知，推動油田企業實現可持續發展。

1 大數據分析技術的類型

大數據分析技術可分為兩種技術，分別為大數據抽取及預處理技術和分析技術。

1.1 大數據抽取及預處理技術

數據抽取是將多種類型的數據轉化為單一且便于處理的結構。在不同時間及地點要求數據表達方式一致，屬于標準化及規范化的自然語言，能夠被計算機應用。數據清洗則是在確定及記錄數字段的過程中，檢查數據是否存在遺漏及異常，從而找到解決方法，對于錯誤數據可采取手動替換。數據構建為滿足大數據建模需求建立了新字段，并將其作為標志數據。數據變換則是將原始數據替換為合適的可挖掘數據，比如統一處理時間等。

1.2 分析技術

大數據分析技術涵蓋了聚類分析、因子分析、回歸分析等。聚類分析能統一某種類似的物體及事物，主要目的是辨識數據的特征，根據數據特征將樣本劃分為多個類型，在同一事物中具有較高的相似性，不同類的事物則具備較大的差異性。因子分析是指利用少量因子去展示多個指標及因素的關系，從而在聯系密切的變量歸類中，將每類變量作為一個因子，并利用較少的因子反映大量的信息。回歸分析是指在一組數據上，觀察一個變量與其他變量的關系，明確隨機性變量的依存關系，并利用回歸分析方式，簡化變量中復雜及不確定的關系，從而找到其中存在的規律。數據挖掘是大數據時代的關鍵技術，油田企業應用該技術能夠從完整的海量數據中找到人們未知的有用信息，從而能夠預測未來的發展趨勢。描述性挖掘能夠展現數據的一般特點，預測性挖掘能夠完成數據推算，從而實現評估及預測。數據挖掘目標與數據類型存在聯系，部分功能在不同數據中適用，或在個別特定數據中適用。數據挖掘能夠收集未知信息，從而提升數據價值，并應用在相應的領域中。

2 油田大數據分析技術和油田大數據分析平臺

2.1 油田大數據分析技術

大數據由海量數據構成，具有數量大及產生速度快等特點。大數據分析技術指在一定時間內對信息進行整理與收集，從而對數據進行有效管理，數據的價值是將知識變為智慧的過程。石油企業在油田生產過程中會產生大量的數據，因此，油田大數據的概念可被理解為油田生產、管理過程中產生的連續變化，從而反映油田活動規律，對數據進行分析及處理。大數據處理可劃分為8個步驟，分別為數據采集、數據清洗、數據分析、建立分析模型、結果展示、知識表達、結果驗證和對數據模型進行評估及優化。石油企業應用大數據技術，能夠解決僅靠人工無法解決的問題，降低能源消耗，實現油田持續管理及持續生產，但大數據分析技術在油田生產過程中的應用，依舊處于初級階段，還必須不斷進行實踐，保障生產效率，實現預期發展的目標。

2.2 油田大數據分析平臺

目前，根據油田發展的實際情況，在對油田生產需求進行分析的基礎上，很多石油企業建立了油田大數據分析平臺。此平臺涵蓋數據抽取及分布式儲存、大數據分析等層面。數據抽取層功能為實現分布式數據整理，將其轉變為數據適合數據建模的方式，從而建設數據集。儲存層則對數據進行有效匯總，將數據模型及分析數據進行儲存，屬于一種數據倉庫。分析層建立在大數據算法的基礎上，能夠觀察數據中的信息關系，從而建立數據模型軟件及預測模型，從而產生預測結果，確定評估方法及檢測標本，并根據專家模型對比精確度，對結果進行調整，從而輔助油田生產及決策。數據應用層的功能是將數據模型封裝為能夠運行的軟件，建立模型算法，保障數據的可視化，設計界面，最終展示結果，實現人機交互。

3 大數據分析技術在油田生產中的應用

3.1 異常井自動辨識

異常井是影響油井產出的重要因素。傳統油井出現異常時，依賴人工發現，主要通過管理人員查找大量資料，確定油井是否出現故障及異常，會耗費大量的時間與精力，且效果不理想，對油井的診斷及管理難度大。利用聚類分析數據挖掘方法能夠對油井異常情況進行分析，從而辨識油井是否存在故障，在油井異常設定的過程中，若油井當天產量相比上月當天產量波動較大，便屬于油井異常。大數據分析技術通過排除作業井及調開井、常關井等因素，利用ASP.NET技術編寫算法，利用B/S系統構架發布算法，能夠及時發現油井的異常狀態，提高診斷的及時性及時效性，保障管理人員的工作效率。

3.2 異常井自動診斷

異常井診斷為油田日常工作開展的重要環節，困擾著油田生產業務人員。現階段，多數油田異常井診斷依賴人工，診斷效率較低，可能對后續開展工作造成影響，從而影響單井產量。利用灰度圖像處理技術及人臉識別算法能夠建立抽油井特征功圖庫，對比油井當前功圖及特征功圖，實現油井自動診斷。利用因子分析法，對不同工況關聯的因子變化情況進行分析，建立參數診斷數據庫，對比相關因子指標，從而確定異常問題的原因。

3.3 間抽井開關井計劃

在油田生產工作的后期，有一些油井會出現地層能量匱乏、供液不足等問題，被稱為間抽井。目前，部分油田一般利用人工制訂下月的間抽計劃，但計劃是否能有效應用還要進一步驗證。因此，采取有效的方式控制間抽開關時間，能夠節省企業資源、減少排放，對油田未來發展具有重要影響。同時，油田企業還能利用因子分析法及回歸分析法進行分析，明確間抽井開發時間的影響因素，比如動液面及沉沒度等，據此建立分析模型，對模型曲線進行歸一化處理。

3.4 油井清防蠟預測

目前，油田、油井清蠟主要采取人工清理的方案，每口油井每月清蠟1次，會出現部分油井并未結蠟就提前清蠟的現象。油井清蠟不合理，不僅會浪費人力及物力，還會降低油田生產率。油田可利用因子分析法對油井結蠟周期及油井情況進行分析，根據清蠟方式建立結蠟清理模型，采取回歸線性分析方法構建預測曲線，探討曲線不同節點時間，并計算油井合理清蠟周期，有效指導油井精確清蠟，從而對油井開展精細化管理。

4 大數據分析技術應用在油田生產中的未來展望

4.1 建設智能油田數據共享平臺

智能油田依賴數據挖掘及應用，開發及提供數據結構平臺較為關鍵，但現階段對智能油田進行數據集中處理依舊存在一些問題。多數石油企業及管理組織具有海量的支撐數據，但對計算機評估缺乏概念，甚至限制數據庫訪問，從而形成信息孤島，在智能油田中無法有效應用。因此，石油企業應當立足國家層面建立數據框架，從而識別有價值的數據，建立數字收益共享模式，不斷提升數據處理能力。

4.2 智能油田網絡數據安全監管

智能油田不僅需要石油企業投入硬件及軟件設備，還需要建設專業的數字監管體系，這也是保障油田生產的關鍵。突破性技術革命容易出現新的問題，大數據技術在應用過程中也不可能一帆風順。大數據在智能油田中的應用涉及數據深度挖掘及智能學習等，需要對數據進行集中處理，若數據擁有者泄露數據，將給油田發展帶來不利影響，從而導致數據共享變得困難。油田只有采取有效的解決方案，才能保障數據安全。智能油田管理人員需要利用相關法律解決監管問題，從而保障油田數據的有效流通及利用，不斷提升油田的生產能力。

5 結 語

近年來，隨著科學技術的不斷發展，大數據分析技術已經逐漸深入人們的生活，一些油田開始嘗試將大數據分析技術引入石油生產中。在石油生產系統中，大部分生產數據都具有復雜性，傳統的數據庫分析以及預測方法等已經不能滿足現代油田生產運行的需要，所以油田必須合理利用大數據技術，建設數字油田。

主要參考文獻

[1]張立婷，李世超，鄭東梁，等.工業無線通信技術講座[J].儀器儀表標準化與計量，2018（5）.

[2]倪錦萍.物聯網、云計算、大數據對油田生產變革的促進作用[J].信息系統工程，2018（5）.

[3]袁澤波，錢浩東，劉舉，等.“大數據”在塔里木試油一體化設計平臺的應用與實踐[J].鉆采工藝，2017（6）.

[4]周春燕.油田生產中大數據分析技術的研究及應用[J].科技創新與應用，2017（13）.

[5]劉萍，樊金丁，孫江華，等.基于智能油氣田云平臺的SmartConPetro油氣生產大數據挖掘系統技術研究[J].數碼設計，2016（3）.

[6]段澤英，蔡賢明，滕衛衛，等.大數據分析技術在油田生產中的研究與應用[J].中國管理信息化，2015（18）.

[7]張晉軍，梅勝文，黃濤.物聯網、大數據及云計算技術在油田生產中的應用研究[J].石化技術，2015（3）.

[8]王利君，李嗣旭，馬楊飛，等.大數據技術在抽油井結蠟預測中的應用研究[J].數碼設計，2016（3）.