随着物联网建设在石油行业的广泛应用，大量的生产数据、工程数据、经营数据被记录、传输并储存成为石油公司的数字资产。面对海量数据的积累，还要对其进行挖掘整理并从中得到有用的信息来指导生产和决策，这是油井由数字化向智能化的必定转变。

智慧油井是一个综合性概念，须要以数据为基础，以人工智能技术为方式，以应用场景为落脚点，从而实现指导生产经营的解决方案。

案例

国际石油公司已产生智能化解决方案

智慧油井囊括多个方面，其中主要展现在油层开发领域、工程技术领域、经营管理领域。

以智慧油井解决方案在油气藏开发方案设计方面的应用为例。油气藏开发方案指对开发方式、开采模式、开发层系、井网井距、注采速率与技术工艺等油井开发的重大问题作出选择并详细化为推行意见。现在，方案的设计主要借助于油层数值模拟技术，其中包含大量的英语模型、物理模型、地质模型和算法。但因为油气藏地质状态和条件展现出非均质性、多样性、变异性和复杂性并且常常利用基于地理模型、地质模型构建的传统理论不能挺好地研究解决安装工程中的复杂问题。而人工智能（AI）的最终目标就是解决具象的、不确定性的复杂问题。为此，人工智能提供了愈加智慧高效的解决方案。

斯伦贝谢的DELFI感知估算平台被觉得是油气行业最佳的地质安装工程一体化平台。其整合了从水灾数据解释、测井数据解释到完井数值模拟（射孔模拟、生产模拟等）再到经济评价的油层全生命周期智能化解决方案。这与国外提出的地质安装工程一体化解决方案不谋而合。在DELFI提供的平台上，地质学家、油藏安装工程师、储层安装工程师和生产安装工程师可以实现对油气藏评价、储量估算与产能研究等工作并共同起草现实可行的开发方案。

DELFI平台为石油安装工程师和科学家提供了大量的AI工具。比如，对于地质安装工程师和月球地理学者而言，对岩体的认识主要通过月球地理资料、测井数据、录井数据等实现。DELFI平台中，融入AI技术的地质安装工程硬件可以做到断层智能辨识、甜点智能辨识、智能历史拟合、复杂单层位智能追踪等工作，实现将数据直接迅速转化成安装工程技术人员所须要的结果。另外，DELFI平台还提供了井设计、完井设计、开发方案设计的智能化解决方案。借助DELFI平台，水灾数据解释处理时间从13个月降低至2.5月；断层解释时间降低了80％；井身设计效率提升了50％；整体开发方案设计效率提升了70%；钻井作业方案评估节约时间89％；节省了人工费用88％。

DELFI平台也是诸多智能化领先实践中的一个案例，这些国际石油工业同样产生了自己的一套智能化解决方案。诸如，壳牌利用Azure构建的智能车间运用数字双胞胎、机器人巡检、可穿戴AR/VR数据同步和采集、云估算等技术实现全智能化管理。美孚公司运用区块链技术实现智慧采购，既保证了全交易过程的高效性又保证了供应方、采购方和货运方的安全性。斯伦贝谢公司正在研制的智慧钻探解决方案被觉得是新一代钻探施工的发展方向。在这个方案中，丝锥可以实时采集钻探施工中的数据，并通过集成在丝锥中的模块对数据进行实时剖析，按照数据剖析得到最佳的塞入参数并进行手动调整。那样大大节约了钻探安装工程师的决策费用。

挑战

智慧油井建设面临数据、算法及人才层面挑战

结合国内先进案例看，智慧油井的建设可以融入油井生产的方方面面，其重点是要勤于运用智能化技术实现传统工作方式和开发方式的升级。

当前，我国智能油井建设水平处在数字化向智能化过渡阶段。得益于油井大量投入的物联网建设油气智能开采技术，少数油区已基本完工智能油井雏型，已具有了油田自确诊、预警和报案，并能推荐优化的决策方案。但从整体看，我国智能化应用存在场景偏少、过于单一且智能化深度不足等问题；目前的应用场景主要集中在生产设备端的维护和数据的简略搜集整理等。因而，油井的智能化变革也有很长的路要走。

剖析现在国外油井智能化的发展，我们还要面对多个方面的挑战。

数据层面的挑战。一方面，因为油井数据存在多头录入且来源来零乱、时空尺度不一，且各油井缺乏统一数据采集标准，造成了数据品质整体不高，出现大量数据冗余、缺失、错误和冲突等现象。另一方面，缺乏有效的数据共享模式。这导致了数据荒岛的大量产生，数据无法有效传递和融合。油井管理者和安装工程技术人员须要消耗大量的时间来对数据进行查找并核查导致工作效率的减低。另外，针对特定问题的特定数据数据采集工具还要建立，例如岩芯数据库。

算法层面的挑战。现在，我国缺乏有效的AI剖析工具和具备人工智能算法的专业硬件。一方面，AI剖析工具的应用可以大量的降低安装工程技术人员的工作量；另一方面，AI剖析工具的应用可以得到无法被科研人员发觉的数据规律和数据间的关联。那样能够让大量积累的数据形成价值帮助管理者和安装工程技术人员完成生产和决策任务。

基于AI的剖析工具解决，主要存在三类问题。一是完全数据型问题。诸如油气智能开采技术，描绘综合物探曲线，结合物探曲线、地震数据和泥岩数据构建压裂特性，天然气总量预测等。二是优化型问题。诸如，矿体地质条件和流动成因的高度不确定性，实时精准压裂动态预测难度大、计算费用高；运用监督学习算法实现智能化的销量历史拟合。三是建立型问题。诸如，基于有限的地质信息建立相对准确的地质模型。运用抗生成网路模型的深度学习算法估算出欠缺数据，并且发觉这些地质安装工程师无法发觉的信息，可以在巨大程度上解决地质构造问题。

传统的专业硬件主要是借助搭建数学模型、地质模型并通过数值算法求解得到的地下油层信息。若果将AI工具集成在传统的专业硬件中就可以实现更精确高效的估算结果，产生油气藏开发能力的有力增强。更逐步来讲，将油层全生命周期中各专业领域的专业硬件平台化并采用AI技术，这就成为了我们所须要的地质安装工程一体化平台。

人才层面的挑战。现在，油井的智能化变革亟待兼具石油相关专业背景和人工智能相关知识的安装工程技术人员。复合型人才的培养要经历一个常年的过程，所以须要科技企业、石油企业、高校的各方合作。国外各大石油公司的研究院所纷纷设立智慧油井部委并成立相关的岗位。一是通过自身力量培养人才；二是以社会招募的形式成立具有AI技术能力的石油安装工程师队伍。与此同时，各大石油公司也在积极与大学合作，设立相关交叉学科专业和科技大厂举行人才培养计划和技术合作项目。坚信将要有越来越多的石油安装工程技术人员可以熟练地使用、Keras、、等人工智能工具来解决生产实践问题。

面对挑战，我们应当积极行动。对于数据层面，要对已有的数据进行擦洗、重构，对新采集的数据构建统一的标准并实现真正意义上的融通共享。对于算法层面，要立足于应用场景结合人工智能算法实现应用突破。主要有两条探求方向：一条是构建一种全新的基于大数据和人工智能的油井钻探开发研究方式；另一条是基于现有的研究剖析框架和地理模型（水灾配准与属性剖析、构造建模、地质建模、油藏模拟等）使用人工智能技术进行辅助、修正、局部代替以实现精确高效的目的。在人才建设方面，要抱着开放的态度，融合各方力量培养复合型人才，并使之在实现油井智能化过程中发挥积极作用。

(郭晔美国石油企业集团经济技术研究院)