论文部分内容阅读
摘要：人工智能技术在各行各业已经得到了非常广泛的应用，油田在开发过程中经历了多年的数字化建设，其中保留了大量的数据资产，利用人工智能分析可以提有效提取数据的价值，通过分析油田建设与人工智能的有效结合，提出相应的改进措施，有利于提高油田的快速发展。
关键词：人工智能;智能油田;应用
随着互联网技术的不断发展，油田企业经过多年的信息化建设，已经具备了信息的数字化发展，并且油田企业在建设过程中已经积累了大量的数据资产，网络信号的不断提高，传感器技术的增强，未来互联网将带动数据的飞速发展，利用传统的分析模式，很难将有效的数据进行价值发掘，因此利用人工智能技术可以有效提高信息的价值，可以有效提高油田的经济效益和社会效益。
1问题分析
1.1油田信息化存在的问题
在系统建设方面，油田企业内部拥有大量的信息管理系统，导致信息孤岛情况非常严重，将不同的数据源整合在一起是非常困难的。同时，在数据收集方面由于数据质量不同、数据损失严重，其主要的问题在于传感器无法得到普及，数据库要进行人工采集所造成的收集成本较高。传感器在使用过程中受到外界因素的影响较多，很难将数据纳入数据库中，另外，油田企业的地下参数信息需要进行实验室模型分析，因此所得到的数据本身会存在一定的误差。
1.2技术优势企业
油田属于国家的自然能源资产，在数据采集会涉及到多方面的限制，最发达的互联网技术很难渗透到油田的数据中，与互联网的合作仅限于销售层面，很难对油田的开发造成影响。而在油田企业内部，有关于人工智能化方向的专家较少，因此油田企业缺乏相关性人才。
1.3解决方案
以上这些问题在短时间内无法进行有效解决，只有通过多方面的协调操作才能够发生改变。但是随着互联网技术的不断发展，使油田的数据信息发挥出了有效价值。油田企业想要大规模应用人工智能技术，就需要对互联网、云计算等技术进行一体化应用，将各种信息系统进行有效融合，才能够取得较好的成绩。
但是目前在油田企业中，只是在某一方面可以做到数据资源的整合，通过人工智能算法可以得到阶段性的模型，在一定程度上能够指导油田进行生产，从而获取更多具有价值性的信息，从而逐渐向大规模的方向进行延伸。
2分析目标的选择
2.1业务角度
油田主要采取的增产措施为压裂、酸化、堵水等技术。目标可以划分为降本、增效两个方面。降本可以有效降低油田在开采过程中的施工费用，延长设备的使用周期，降低安全事故的发生概率，防止油田储层发生破坏。增效是只有仅在单位时间内的产油量，实现目标的最大值。
不同的增产措施，适用于不同的储存结构，因此应当结合油井在开采过程中的历史数据，建立产量预测模型，预测不同措施所带来的增产效果，从而为油井的开采提供指导性建议。
通过分析油井在开采过程中的运行状态，建立参数与问题的关系模型，对即将发生的异常情况进行预警，可以有效延长生产时间提高油井产量，降低油井设备的维护费用。
不同的开采目标具有不同的算法，目标值具有离散值和连续值，人工智能算法分为分类和回归，异常状态预警属于分类问题，产量预测属于回归问题。
2.2分析方法角度
对人工智能不了解的人，很难提出准确的目标。只有提出合适的目标，才能够有助于在各个方面的满意结果。人工智能在油田中应用的初始阶段，需要利用人与机器进行有效配合才能够完成，人对机器所能做的事情越了解，这机器的学习性就会越好，机器的算法才能够充分体现出人的意图，找到合适目标，需要对业务类型本身具有一定的了解。行业专家可以利用经验提出出数据是否与目标具有相关性，而人工智能专家可以判断出现有的数据量以及算法模型能否达到预期效果。
3具体实现
3.1數据采集
数据采集是人工智能的第一个环节，数据质量会直接影响到后续相关工作的处理结果。然而在实际工作过程中，很难建立一个完美的数据库。准确全面的储存与目标相关的全部数据，需要通过数据专家进行主动采集数据，现实中的数据往往存在各种数据库、管理信息系统，数据格式通常情况下是以非结构化为主，甚至还会包含私有格式数据，专家需要了解到数据所在的位置、格式、采集方式相关性等情况。不同行业的数据信息需要不同的专家进行了解，只有在整个过程中了解全部的相关性数据，处理好数据权限，降低数据风险才能够得到最为满意的数据库。
3.2数据处理
在数据收集完成之后，需要对各项数据的来源和意义进行有深入化的了解，数据中的价值才有可能被应用到数据模型中，减少数据在处理过程中的丢失现象。在数据处理过程中最为重要且最困难的一个环节是将不同的数据整合在一起，形成训练模型。结构化的数据主要以主键的方式进行结合。在数据转换过程中，要尽可能的保留数据信息，不同的数据规模所使用的算法类型会有所不同，数据处理的目标是保留数据中最为重要的信息量，丢弃对数据模型有影响的参数和样本，输出格式符合训练模型的输入要求。
3.3特征工程
由于计算机技术具有无线的传输功能，因此将海量的数据信息交给一个复杂的学习模型可以有效解决问题。在实际应用过程中，并不需要一个精度很高的预测模型，而是能够通过模型，我们能够了解到所需要学习的东西，在进行人工智能方面利用信息特征可以有效提高油田智能化的建设，为油田企业的发展奠定基础，帮助油田企业实现智能化的管理。
4结束语
结合油田不同的业务需要建立不同的模型，利用油田所积累的大量数据，建立训练模型和优化模型，为工作人员提供准确的预测结果，将专家的经验和先进的分析方法进行结合，能够实现油田企业的可持续化发展。目前人工智能在油田领域的应用还处于发展阶段，如果想要实现大面积的推广，就需要经过不断的努力。
参考文献
[1]王小龙.浅析人工智能在油气行业中的应用[J].现代信息科技，2017：119.
[2]马庆;张永峰;宋波;吴运驰;.浅析人工智能方法在油田措施领域的应用[J].信息技术与信息化，2019：183-185.
[3]施冲.浅析人工智能技术在智能建筑中的应用[J].建筑与装饰，2017
1长庆油田分公司第十一采油厂 甘肃省 庆阳市 745000
2长庆石油勘探局有限公司通信处 陕西省 西安市 710000
关键词：人工智能;智能油田;应用
随着互联网技术的不断发展，油田企业经过多年的信息化建设，已经具备了信息的数字化发展，并且油田企业在建设过程中已经积累了大量的数据资产，网络信号的不断提高，传感器技术的增强，未来互联网将带动数据的飞速发展，利用传统的分析模式，很难将有效的数据进行价值发掘，因此利用人工智能技术可以有效提高信息的价值，可以有效提高油田的经济效益和社会效益。
1问题分析
1.1油田信息化存在的问题
在系统建设方面，油田企业内部拥有大量的信息管理系统，导致信息孤岛情况非常严重，将不同的数据源整合在一起是非常困难的。同时，在数据收集方面由于数据质量不同、数据损失严重，其主要的问题在于传感器无法得到普及，数据库要进行人工采集所造成的收集成本较高。传感器在使用过程中受到外界因素的影响较多，很难将数据纳入数据库中，另外，油田企业的地下参数信息需要进行实验室模型分析，因此所得到的数据本身会存在一定的误差。
1.2技术优势企业
油田属于国家的自然能源资产，在数据采集会涉及到多方面的限制，最发达的互联网技术很难渗透到油田的数据中，与互联网的合作仅限于销售层面，很难对油田的开发造成影响。而在油田企业内部，有关于人工智能化方向的专家较少，因此油田企业缺乏相关性人才。
1.3解决方案
以上这些问题在短时间内无法进行有效解决，只有通过多方面的协调操作才能够发生改变。但是随着互联网技术的不断发展，使油田的数据信息发挥出了有效价值。油田企业想要大规模应用人工智能技术，就需要对互联网、云计算等技术进行一体化应用，将各种信息系统进行有效融合，才能够取得较好的成绩。
但是目前在油田企业中，只是在某一方面可以做到数据资源的整合，通过人工智能算法可以得到阶段性的模型，在一定程度上能够指导油田进行生产，从而获取更多具有价值性的信息，从而逐渐向大规模的方向进行延伸。
2分析目标的选择
2.1业务角度
油田主要采取的增产措施为压裂、酸化、堵水等技术。目标可以划分为降本、增效两个方面。降本可以有效降低油田在开采过程中的施工费用，延长设备的使用周期，降低安全事故的发生概率，防止油田储层发生破坏。增效是只有仅在单位时间内的产油量，实现目标的最大值。
不同的增产措施，适用于不同的储存结构，因此应当结合油井在开采过程中的历史数据，建立产量预测模型，预测不同措施所带来的增产效果，从而为油井的开采提供指导性建议。
通过分析油井在开采过程中的运行状态，建立参数与问题的关系模型，对即将发生的异常情况进行预警，可以有效延长生产时间提高油井产量，降低油井设备的维护费用。
不同的开采目标具有不同的算法，目标值具有离散值和连续值，人工智能算法分为分类和回归，异常状态预警属于分类问题，产量预测属于回归问题。
2.2分析方法角度
对人工智能不了解的人，很难提出准确的目标。只有提出合适的目标，才能够有助于在各个方面的满意结果。人工智能在油田中应用的初始阶段，需要利用人与机器进行有效配合才能够完成，人对机器所能做的事情越了解，这机器的学习性就会越好，机器的算法才能够充分体现出人的意图，找到合适目标，需要对业务类型本身具有一定的了解。行业专家可以利用经验提出出数据是否与目标具有相关性，而人工智能专家可以判断出现有的数据量以及算法模型能否达到预期效果。
3具体实现
3.1數据采集
数据采集是人工智能的第一个环节，数据质量会直接影响到后续相关工作的处理结果。然而在实际工作过程中，很难建立一个完美的数据库。准确全面的储存与目标相关的全部数据，需要通过数据专家进行主动采集数据，现实中的数据往往存在各种数据库、管理信息系统，数据格式通常情况下是以非结构化为主，甚至还会包含私有格式数据，专家需要了解到数据所在的位置、格式、采集方式相关性等情况。不同行业的数据信息需要不同的专家进行了解，只有在整个过程中了解全部的相关性数据，处理好数据权限，降低数据风险才能够得到最为满意的数据库。
3.2数据处理
在数据收集完成之后，需要对各项数据的来源和意义进行有深入化的了解，数据中的价值才有可能被应用到数据模型中，减少数据在处理过程中的丢失现象。在数据处理过程中最为重要且最困难的一个环节是将不同的数据整合在一起，形成训练模型。结构化的数据主要以主键的方式进行结合。在数据转换过程中，要尽可能的保留数据信息，不同的数据规模所使用的算法类型会有所不同，数据处理的目标是保留数据中最为重要的信息量，丢弃对数据模型有影响的参数和样本，输出格式符合训练模型的输入要求。
3.3特征工程
由于计算机技术具有无线的传输功能，因此将海量的数据信息交给一个复杂的学习模型可以有效解决问题。在实际应用过程中，并不需要一个精度很高的预测模型，而是能够通过模型，我们能够了解到所需要学习的东西，在进行人工智能方面利用信息特征可以有效提高油田智能化的建设，为油田企业的发展奠定基础，帮助油田企业实现智能化的管理。
4结束语
结合油田不同的业务需要建立不同的模型，利用油田所积累的大量数据，建立训练模型和优化模型，为工作人员提供准确的预测结果，将专家的经验和先进的分析方法进行结合，能够实现油田企业的可持续化发展。目前人工智能在油田领域的应用还处于发展阶段，如果想要实现大面积的推广，就需要经过不断的努力。
参考文献
[1]王小龙.浅析人工智能在油气行业中的应用[J].现代信息科技，2017：119.
[2]马庆;张永峰;宋波;吴运驰;.浅析人工智能方法在油田措施领域的应用[J].信息技术与信息化，2019：183-185.
[3]施冲.浅析人工智能技术在智能建筑中的应用[J].建筑与装饰，2017
1长庆油田分公司第十一采油厂 甘肃省 庆阳市 745000
2长庆石油勘探局有限公司通信处 陕西省 西安市 710000