尽管几十年来一直在讨论“数字油田”，但过去十年的经济冲击重新引发了对在整个企业中应用数字技术以改善成本结构的兴趣。
当然，同时，社交媒体等全新行业利用新的数字技术，包括机器学习、网络软件和连接性，以及云存储和计算，已经出现，这些技术也转变了零售和制造等传统行业，但在上游行业采取同样的路径有一些特别的挑战和机遇。
本文重点讨论了在现代石油行业独特的数据和运营环境中，不同程度上独特的数字化转型机会。上游公司可以并且应该采用许多有价值的机会，包括业务流程自动化，但这些创新在其他行业并无不同之处。
数据不是新的石油
一个挑战是上游数据的庞大和异质性。上游石油和天然气行业是一个古老的行业，许多公司的商业和技术记录可以追溯到19世纪，这些记录可以是纸质形式，也可以是反映自20世纪50年代以来计算机成为标准商业和科学工具后存储数据的各种数字形式，将这些数据转换为适合云存储的现代格式并非无成本。
因此，数字化转型的一个关键原则是必须以价值为导向。常用的一句话“数据是新的石油”，至少对石油和天然气业务本身来说，是极具误导性的。任何企业持有的大多数数据，无论是在图书馆、共享数据服务器还是个人硬盘上，都没有经济价值，其他许多数据，虽然潜在有价值，但需要在质量保证、数据管理、数据传输到计算点以及（高薪的）领域专家解读数据分析和做出业务决策上进行大量投入，因此基于这些数据没有可靠的价值路径。
与其从数据开始，最好的数字化转型思维方式是从业务决策开始。业务决策通常可以基于更好的数据访问和分析得到改进，或者某些活动的成本可以显著降低。这需要it专家、数据科学家和领域专家的紧密合作。
维护工作流程就是一个例子。高度分散设施的维护理想情况下应优化技能劳动力活动，以应对设施中发生故障的可能性及其对运营和经济的影响。维护记录通常分类不清，甚至可能包括（即使在2024年）纸质记录或包含模糊或难以理解字段的数字记录。
利用数字化记录可以在某些类型的维护活动中实现显著的价值提升，这些活动可以基于实际资产性能和故障类型及概率的强大数据集进行高效管理。自工业时代（甚至更早）以来，这种方法就已被人们所知，但数字记录、云存储和访问允许进一步优化和仔细定位（并可能减少）维护劳动力。一个常见的例子是使用数据分析来支持预测性维护，通过统计预测故障或异常，从而实现“准时”维护，而不是预定维护。
这个例子的一个显著特点是，它不一定依赖于高度复杂的统计或机器学习方法。比这些方法更重要的是，获得经过适当质量保证、精心策划和完整的数据集，覆盖尽可能长的时间序列和尽可能广的地理领域，这些数据的部分内容通常是it功能的重点，但it投资和管理需要通过适当的业务所有权来平衡实际数据，并通过强有力的治理流程来定义数据质量的业务责任。
在考虑支持维护或其他领域的改进业务结果的数据架构时，区分两种类型的数据系统是重要的。更传统的数据系统是“记录系统”，包含特定操作、地下或财务数据实例的“单一真实来源”。
拓宽分析工作流程范围的愿望导致了“参考系统”的出现，有时也称为“参与系统”，它通常托管在云上。参考系统包含来自一个或多个记录系统的数据，并以支持快速读取访问的架构呈现，从而实现复杂的大数据分析。多家科技公司提供软件和服务来支持数据管道的输入到参考系统，通常允许多次机会来策划和质量保证数据。
上游数据的特殊特征
上游业务中的一个复杂因素是，数据（尤其是地下数据，如原始或处理过的地震记录）通常不属于运营公司，而是属于主办政府，后者可能会根据其自身的主权利益对访问和数据本地化提出要求。因此，可能有些记录系统的内容不适合被管道输送到托管或可以在特定国家之外轻松使用的参考系统。设计任何全球上游企业的数据架构时需要仔细考虑法律和业务要求。
与其他许多行业不同，上游行业的另一个复杂因素是，上游数据并不一定便宜，而往往是宝贵且昂贵的。对于纯粹的观测数据（如地震调查的结果）尤其如此，但也适用于来自偏远或敌对环境的操作数据。
当深水井中的井下压力传感器发生故障或“失联”时，更换传感器需要昂贵的作业，而仅仅更换传感器是不太可能经济的。分析的一种直接应用是基于资产属性和剩余可用数据重构失联传感器的最可能时间序列数据。
地下数据（地震数据、井测录井、油藏模型）的复杂性以及这种数据的专有格式和开放格式的混乱多样性，促使业界内发起了一个广泛的倡议，即osdu论坛，汇集了运营商、服务公司和技术公司，共同创建了一个技术无关的开源数据平台，并实现了多种云实现。最初专注于上游油气行业，osdu论坛已扩展到涵盖下游数据，并向能源转型主题和提供综合能源服务方向发展。
上游行业中常用的最大数据集是地震数据集——无论是原始数据还是处理过的数据，这些数据集可以轻松达到tb或pb级。地震数据管理是一个已经存在了几十年的专业和高度技术化的学科，过去二十年中反向时间迁移和全波场成像等先进处理技术的出现使上游行业重新成为高性能计算的主要工业用户之一，这些数据的解释集中在一个专门的软件行业，专注于地震解释、油藏建模，最终是油藏模拟。虽然这些并不是新学科，但云计算等新技术的出现增加了通过综合研究多种数据集来获得价值的机会。
这些数据集还为现代机器学习技术（如卷积神经网络（cnn））提供了应用。卷积神经网络的一个关键应用是模式识别——这些网络因能够自动检测互联网上的照片是否是特定对象（例如猫或狗）的照片而闻名，这种能力被称为分类。卷积神经网络在解决分类问题上的成功使它们在地震解释中应用于检测3d地震图像中的特定特征，如断层或盐体。
这些创新带来的经济影响可以简单地表现为解释人员生产力的提高，或者更具雄心的目标是开发能够检测到人类解释人员可能会错过的微妙的油气积累迹象的系统。
物理学、数据与上游
一个多世纪以来，上游行业一直在开发强大的基于物理的方法来分析钻探、完井、油藏流动以及管道和设施中的流体行为。结合这些方法在勘探中使用复杂的地质和地球物理方法，该行业可以称得上是现代最科学的行业之一。
现代统计学习或机器学习（ml）方法起源于统计学，统计学一直是工程学的关键工具。在过去二十年中，这些方法的应用激增主要是由于能够收集和访问大量数据，而不是因为统计方法本身的基础性进展，后者更多是逐步发展的。对这一概述性陈述的例外包括上文讨论的卷积神经网络（cnn）和最近的大型语言模型（llm）的突破，下面将详细讨论。
读者会注意到，基于物理的方法与基于数据的方法在哲学上的区别，前者利用我们对基本过程的科学理解，后者则通过大量数据的统计处理生成洞见。理想的情况是结合这两种方法，既尊重我们通过艰难努力获得的基础科学知识，也利用我们系统中经常可用的大量数据。
一个有趣的这种混合方法的例子来自历史匹配，这是一种标准的工作流程，其中油藏模型被修改以更好地匹配生产井的压力和流量历史。使用先进的ml方法来支持油藏建模并更好地理解其结构如何受数据约束，已经成为一个学术领域，但遗憾的是，它还未对行业实践产生重大影响。
另一个例子是使用实时钻井数据，结合钻柱振动模式的物理模型来优化钻井。在这里，钻井工人利用现代钻井现场可用的丰富实时数据，实现了钻进速度的阶跃变化，而不是依赖机器学习。
这些优化用例是上游数字化转型的主要早期价值机会之一，这些创新的机器学习组件不需要非常复杂，关键是结合可靠的物理模型与现代操作中可用的丰富数据源。
超越优化
优化很重要，当它在业务操作和流程中一致且有纪律地应用时，可以显著提高企业的竞争力，但最近关于以chatgpt及其继任者为代表的人工智能（ai）突破的兴奋，引发了这样一个问题：上游行业中是否可能存在更多由ai引发的颠覆性创新机会。这些模型基于对文本文件中（通常）单词之间相关性的统计确定，通过访问互联网提供的大量文本数据进行训练。
这一想法的自然延伸将是一个类似于chatgpt的程序，它可以基于文本和非文本数据（地震、井测录井、地质观测）来回答关于在特定空间位置上是否存在与勘探相关的地质特征（油气积累、源岩）的可能性的问题。
已经有人尝试创建这样的系统或更简单的版本。当然，实际决定钻探勘探井还会受到各种地缘政治、经济、监管和官僚因素的影响，这些因素可能不会完全包含在地质信息库中，也可能很难全部捕捉到，但是，对llm能力的怀疑者在许多情况下已经被证明是错误的，因此我们需要对这项技术的力量保持开放的态度。
另一个有趣的例子是从地震到模拟的工作流程，该工作流程从地下数据开始，通过油藏建模和模拟，最终商业目标是设计和评估油气资源的开发计划。目前实践中，这一工作流程是多种不同类型的软件应用与地质科学和工程学多个学科的专家输入高度复杂互动的结合，它既昂贵又耗时，并且在首次油气发现到最终经济开发资源之间造成了相当大的延迟。因此，这一工作流程非常适合被ai的新技术颠覆，可能已经有在休斯顿、阿伯丁或班加罗尔车库中工作的公司成功实现这一目标。
在这两个领域的创新，或许随着上游行业在勘探和开发投资的普遍放缓而放缓。我们的行业正处于一个矛盾的时期，这主要是由于经济和政治因素的推动和拉动，导致对主要由气候问题驱动的能源转型速度的不确定性。
本文中的大多数评论同样适用于可再生能源、地热能源或碳捕获与储存等新兴能源技术，尤其是在这些技术也消耗地下数据的情况下，这些数据具有巨大的潜力和特殊性。因此，无论我们未来的能源故事如何，数字化转型几乎可以肯定将是其中的重要组成部分。
企业网d1net(www.d1net.com)：
国内主流的to b it门户，同时在运营国内最大的甲方cio专家库和智力输出及社交平台-信众智(www.cioall.com)。同时运营19个it行业公众号(微信搜索d1net即可关注)。
凯发在线的版权声明：本文为企业网d1net编译，转载需在文章开头注明出处为：企业网d1net，如果不注明出处，企业网d1net将保留追究其法律责任的权利。