发布网友 发布时间:2023-03-25 02:29
共1个回答
热心网友 时间:2023-04-27 21:48
加大油气勘探开发力度、保障国家能源安全是当前面临的迫切任务。但随着优质资源的不断开发,剩余资源开采难度越来越大,成本越来越高,迫切需要创新技术提升油气勘探开发效率和效益。在大数据、人工智能( artificial intelligence,AI)、5G、云计算、物联网等技术推动下,油气田的智能化水平将会越来越高,这既是油田降本提质增效的有效途径,也是油气技术发展规律的必然趋势。
1、大数据技术定义
2012年兴起的“大数据”潮流,让“Big Data”这个IT圈子里的名词一下风靡了各个行业。虽然大数据的重要性得到了大家的一致认同,但是对大数据的理解却众说纷纭。大数据是一个抽象的概念,除去数据量庞大这一特征,大数据还有一些其他的特征,这些特征决定了大数据与“海量数据”和“非常大的数据”这些概念之间的不同。
高德纳分析员Doug Laney曾于2001年在一次演讲中指出,数据增长有3个方向的挑战:数量(volume),即数据多少;速度(velocity),即资料输入、输出的速度;种类(variety),即多样性,这3方面的特征即大数据最先提出的3V模型。2011年,在国际数据公司(IDC)发布的报告中,大数据被定义为:“大数据技术描述了新一代的技术和架构体系,通过高速采集、发现或分析,提取各种各样的大量数据的经济价值。”大数据的特点可以总结为4个V,即volume(体量浩大)、variety(模态繁多)、velocity(生成快速)和value(价值巨大但密度很低)。这种4V定义得到了更广泛的认同,指出了大数据最为核心的问题,就是如何从规模巨大、种类繁多、生成快速的数据集中挖掘价值。
2、大数据技术的发展
大数据是人工智能的血液,当前大数据、云计算、人工智能以及区块链技术之间的关系密不可分,也被称作数据智能。比如,先进的工业互联网,其中既有区块链技术也有大数据技术,还有云计算技术,三者合成一体,又衍生出了人工智能和物联网的概念。
在大数据基础上的人工智能,目前已进入数据智能的深度学习时代,其快速发展引起了 社会 和产业的*性变化。从大数据和人工智能技术全行业的发展来看,目前美国仍处于领先地位,中国紧随其后,且具有赶超趋势。中国在人工智能相关的论文发表总数和高引论文数量实现对美国的超越,但在人工智能理论发展和技术方向的引领方面美国还占据支配地位。
3、大数据技术流程
大数据处理的关键技术流程主要包括:数据采集、数据预处理(数据清理、数据集成、数据变换等)、海量数据存储、数据分析及挖掘、数据的呈现与应用(数据可视化、数据安全与隐私等)。
4、大数据的核心算法
大数据的核心算法可以分为监督学习(有标签)和无监督学习(无标签)两大类,其中:
监督学习分为回归和分类:即给定一个样本特征,希望预测其对应的属性值,如果是离散的,那么这就是一个分类问题,反之,如果是连续的实数,这就是一个回归问题。无论是分类还是回归,都是想建立一个预测模型,给定一个输入,可以得到一个输出。不同的只是在分类问题中,是离散的;而在回归问题中是连续的。
无监督学习分为聚类和降维:即如果给定一组样本特征,我们没有对应的属性值,而是想发掘这组样本在维空间的分布,比如分析哪些样本靠的更近,哪些样本之间离得很远,这就是属于聚类问题。如果我们想用维数更低的子空间来表示原来高维的特征空间,那么这就是降维问题。聚类也是分析样本的属性,事先不知道样本的属性范围,只能凭借样本在特征空间的分布来分析样本的属性。这种问题一般更复杂。而常用的算法包括 k-means (K-均值),GMM(高斯混合模型)等。
5、大数据在油气勘探开发领域的应用
目前大数据技术在地质分析、测井解释、地震解释、甜点预测、地质建模、油藏模拟、钻井、压裂、采油、产能预测等方面均开展了大量 探索 性研究,收到了良好的效果。但是目前,大数据与油气行业相关领域的融合还处于起步阶段,面临来自数据、算法和地下未知因素的诸多挑战。未来在大数据、人工智能、5G、云计算、物联网等技术推动下,油气田的智能化水平将会快速发展,这既是油气技术发展规律的必然趋势,也是油田降本提质增效的有效途径。在发展的过程中,智能油气田建设需要油气勘探开发与大数据、人工智能、云计算以及区块链等技术的深度融合,进而催生一批油气田领域的*性技术,解决油气勘探开发的技术需求,提升油气田勘探开发的经济和 社会 效益。
( 下期将向您详细解读大数据在油气行业的具体应用 )。
注:本文部分参考资料来源如下:
李阳,廉培庆,薛兆杰,等.大数据及人工智能在油气田开发中的应用现状及展望[J].中国石油大学学报(自然科学版),2020,44(4):1-11
Gantz J,Reinsel D.Extracting Value from Chaos. IDC iView Report,2011
Team O R. Big Data Now:Current Perspectives from O’Reilly Radar.Sebastopol:O’Reilly Media,2014
Grobelnik M. Big data tutorial. http://videolectures.net/eswc2015grobelnik big data/,2012
Walters, R. J., Zoback, M. D., Baker, J. W. 2015. Characterizing and Responding to Seismic Risk Associated With Earthquakes Potentially Triggered by Fluid Disposal and Hydraulic Fracturing. Seismol. Res. Lett. 86 (4): 1–9. https:// doi.org/10.1785/0220150048.
周松兰.中美欧日韩人工智能技术差距测度与比较研究[J].华南理工大学学报 ( 社会 科学版),2020,22(2):10-22.
HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,2016,18: 1527-1554.
LECUN Y,BOTTOU L,BENGIO Y,et al.Gradientbased learning applied to document recognition[J].Proceedings of IEEE,1988,86( 11) : 2278-2324.
BENGIO Y, SIMARD P,FRASCONI P.Learning longterm dependencies with gradient descent is difficult[J].IEEE Transactions on Neural Networks,1994,5(2) :157-166