火山引擎如何助力抖音打造过亿级DAU的产品?点击报名 了解详情
写点什么

石油公司是如何“玩转”AIoT 的?

  • 2022-08-22
    北京
  • 本文字数:4942 字

    阅读完需:约 16 分钟

石油公司是如何“玩转”AIoT的?

我国最深的油井,是位于塔里木油田的“满深 10 井”,具体钻井深度达到 9186 米——比从珠穆朗玛峰峰顶打到山脚的深度还要多出 300 多米。可以想见,在这样钻探风险和施工难度极大的超深地层勘探油气储藏,是“全球少有、国内独有”的钻完井工程难题,需要在技术创新上不断实现新的突破,才能推动我国超深层油气勘探开发水平跻身世界前列。


而正是因为石油作业环境的这种特殊性,从钻井、开采再到运输、加工,石油工业场景中很多高危或者不适合人工完成的工作,逐步都实现了机器换人。这使得石油行业的整体工业自动化程度相对其它传统制造业要更为完善,也是目前AIoT(人工智能物联网)在石油行业应用比较普遍的原因。


举例来说,通过“物联网+大数据+人工智能”,可以对地下数千米的智能钻机进行远程控制、实时监测,对散点分布的作业区设备进行智能巡检、安全预警,对油气生产过程进行资源调配、故障诊断,对深不可测的地下勘探进行更精准的预测和定位.....


AIoT 的落地,正在加速以上这些智慧油田基本场景的实现——尤其是在全球环境变幻莫测的当下,对于我国这样一个石油资源并不算丰富的国家来说,这意义重大。


某能源领域技术专家(以下使用化名“孙杰”)告诉 InfoQ,我国的石油资源相对紧缺,加上区域分散、地质复杂,使得石油的生产成本居高难下。“比如中东国家的石油 80%集中在浅层和中深层,在地下 2000 多米就能开采到石油,在国内,每口井至少得挖 3500 米以上才能采到油,这意味着要花更多的钱、用更多的成本。所以,我们必须不断使用新技术来提高石油的产量,降低人工和成本的投入。其中,AIoT 所强调的智能化运营恰恰能很好满足目前石油行业在降本增效等等这些方面的需求。”

AIoT 可以解决哪些石油生产难题


据孙杰介绍,AIoT 主要可以解决石油生产过程中的几个核心问题:第一,监控实时化;第二,管理高效化;第三,分析智能化。


首先,基于 AIoT 的相关技术,可以在各个关键环节放置数据采集的装备,经过数据传输和分析,从而对设备进行实时监控,实现安全预警。“比如在加油站油品输送的过程中,跑冒滴漏会引发事故。但人一般不可能实时地去盯着管道阀门看,这时候,通过传感器监测管道的压力并实时传输到后台,如果发现压力数值异常,就可以及时采取应对措施,而不用等到管道出现问题再处理,同时还能减少人工操作的纰漏。”


除了利用传感器等装备进行数据传输和监测,防止气体泄露的另一个措施是使用无人机进行智能巡检。据孙杰介绍,在管线运行过程中,如果出现密封环松动或者破损,会造成大量气体泄漏,严重的甚至会导致爆炸等安全事故,对安全运输产生危害。


而无人机可以预先航线规划,在管线正上空 50m~80m 进行仿地飞行,通过交替飞行方式,持续对管线地表进行甲烷浓度监测。具体来说,由于配备了三轴增稳云台,可以使监测激光光束持续稳定指向被测区域,最低能检测的浓度达到 5ppm.m。并且,无人机是实时监测被测区域,以坡形图显示,搭配 H20t 可见光,可以形成红外热成像。在巡检任务结束后,无人机还能自动生成巡检报告——包含报警点位置、报警浓度及现场照片等等。“总的来说,通过无人机巡检不仅精确度比人眼更好,巡检效率也更高,通常一天下来可以巡检几个来回。”孙杰强调。


其次,石油生产的第二个特点,是要求设备不中断运行。孙杰向 InfoQ 举例,假设钻机在地下钻探的过程中停止运行,不仅会影响钻井施工的正常进行,而且还会造成巨大的经济损失。这意味着,对设备的检测、维修维护工作一定要前置,不能等事故发生再亡羊补牢。过去,这个工作主要由有经验的老师傅完成,如果钻头出现异响,无论是轴承磨损还是卡钻、损坏,都要依赖他们的经验去判断具体问题,决定是否要更换钻头。


不过,这样的问题处理对人的经验和能力培养周期非常长,时间成本也很高。“现在有了 AIoT 这些技术,我们已经可以把老师傅们的经验转变成算法模型,让机器去识别判断设备问题,进行预测性检修,通过对钻井环境、设备等数据的实时采集、实时传输、实时分析,辅助管理者做判断,从而缩短决策的响应时间,提高管理效率。”


值得强调的是,其中的数据从采集、汇总到分析,同样都不是靠人工去完成,而是按照固定的数据标准自动进行的。孙杰强调,这就是 AIoT 的第三个应用价值——实现分析的智能化。


“过去通过人工去做汇总和分析,平均时长需要两到三个小时,甚至有时候一天之后才能得到分析的结果。但基于智能化的预测和分析,所有工作都是实时、自动进行的。”孙杰举例,“比如领导想要知道单井或者是某个作业区的产量,只需要根据预先设置的参数,把相关参数输入到对应模型中,去让机器自动分析再输出结果——通常,这在几分钟或者几十秒内就能输出所需要的分析报表,非常方便管理者及时决策。”

落地 AIoT 需要构建什么样的基础设施


但是,解决这些生产问题的背后,并不仅仅是 AI、IoT 和数据的简单叠加。虽然石油行业的自动化程度整体高于其它传统制造,在落地 AIoT 的过程中,也同样有很多的旧困难和新挑战要应对,需要全新的基础设施作为依托。


首当其冲的挑战,来自于数据收集。石油野外作业条件恶劣,对于设备和人来说是一样的。这意味着,架设在设备和环境中收集数据的传感器要能扛住这些潜在的“威胁”——比如,放置在管线中的传感器就要耐腐蚀,放置在海上钻井中的传感器就要防水,如果是在温度比较高的地区还要耐高湿。“除了使用特殊的材料,我们通常还会做一些保护盖或者插入式的设计。另外,如果是在海里,传感器还要符合环境保护标准并且定期维修更换,避免污染海域环境。”孙杰解释道。


与此同时,在数据采集过程中,关键还要打通不同设备之间的数据壁垒,从而实现数据的可视化。孙杰表示,和大多数传统制造行业一样,石油行业所使用的设备往往也来自不同品牌、不同型号,也就是说,它们的数据协议和格式并不相同。对此,解决办法就是使用数据转化的盒子——类似于不同品牌手机充电器的转接头——可以在数据采集的过程中,对不同的数据协议进行解析,然后按照统一标准自动进行汇总和呈现。


第二个挑战,来自于数据传输。通常来说,制造企业的厂区分布一般比较集中,但石油生产受限于地理条件,作业区不仅位置非常分散、流动性强,而且通常都在比较偏僻的区域,至少距离城市中心数几十公里。如果把所有数据传输到统一的数据中心,非但成本高,而且效率还低。“以前,我们只能通过一些采集器和专用网线去传输这些数据,其实速度非常慢。另外因为是在野外,网线要拉很长,而且都暴露在外面,网线的老化速度非常快,这也会造成网络传输的不稳定。”孙杰表示。


随着边缘计算技术的日趋成熟,这个问题正在得到解决。“比如,通过在不同井区布置微型数据中心,我们可以把作业现场的数据分别传输到里面做处理,速度上基本可以做到实时。”孙杰进一步解释,“但是,微型数据中心对数据的承载量又是有限的。所以,当数据量超过一定规模,还需要把数据先传输到就近的中心,再采用专线的形式汇总到总部的数据中心。”


第三个挑战,来自于数据计算。随着智能化运营的有序开展和迭代演进,石油井区能够收集以及需要收集的数据规模将越来越大,数据类型也会越来越多。比如,AI 可以用来提高石油勘探的准确性,但是,勘探的位置都在未经挖掘的地下,还需要结合数字孪生进行三维建模——而这个数据量非常之大。举例来说,构建一个数十平方公里的高精度三维数字模型,数据量可能就会可达到 TB 甚至 PB 级。


孙杰表示,对这么大的数据量级进行处理分析,需要使用高性能计算才能真正提高计算的精确度。同时存储这些大量的数据,也需要耗费相当的成本——所以,考虑经济性和高效性,通常可以对数据进行分类分级管理。


“针对不同类型的数据,我们会进行存算分离。”孙杰举例,“比如说,跟生产相关、需要进行实时计算、追踪的数据,就可以传输到高性能计算设备进行实时处理,而像前期做地质勘探测绘用的数据,就可以直接存储起来,不用做实时计算。”

新技术的引进和使用会有哪些“坑”


当然,技术本身的发展有它的周期,技术与人的磨合也需要一定的时间,这是客观规律。从农耕时期人类使用工具满足衣食需求,到工业时代机械帮助人类实现大规模生产,再到信息时代计算机成为人类智力创造的重要辅助——每一个技术在最初出现的时候,都会先经历一个“混沌期”。


以 AI、IoT、大数据等技术为核心的智能时代同样如此。两个极端表现是,要么盲目“迷信”新技术,要么抵触抗拒新技术。孙杰表示,这两个“坑”他们都踩过。


“作为传统行业,我们一开始会觉得很多科技公司的技术很强,认为他们一定可以帮助我们利用 AI 这样的技术提高生产效率和经营水平。但后来我们慢慢发现,只依靠先进技术是不行的,他们的技术如果脱离实际应用场景是没法发挥价值的。就相当于你拥有了一把很厉害的锤子,但没有要砸的钉子,这个锤子就没有价值。”孙杰强调,技术一定要与具体的业务场景融合,要解决问题而不能停留在炫技的层面。


所以,技术引进之前的业务需求调研非常重要。“在项目前期,我们的技术人员通常会深入到油田作业现场,在那里用一到两个月左右的时间做深度调研,然后把一线的反馈整理成需求文档;据此进行初步的原型技术开发,并提供给一线人员进行试用;试用的过程如果发现问题,再不断地去完善。”孙杰表示。


在这个过程中,核心的一个难点在于,如何把业务需求转换成技术语言——比如,放在 AIoT 的场景下,就是如何把专家的经验转换成计算机的算法模型,来优化提高钻井效率。


以石油钻井为例:数据来源于钻井过程的各个环节,种类繁多、数量巨大;并且,钻井过程中的钻井参数以及地下环境等信息具有复杂性、多样性以及不确定性(如:地下环境、地质参数等),这使得钻井决策更多地依赖于专家经验,而不是科学的决策。


“为了提高决策的科学性,我们的钻井专家人员和技术人员对钻井过程做了很多优化工作,提出了很多的优化模型和改进方法。”孙杰指出,“尤其是随着钻井行业数据量的不断增长,传统的数据处理模型对于非结构化数据的处理具有一定的局限性,因此如何利用更先进的技术和管理手段,收集、整合、优化石油钻井各类数据,把人的经验变成更优化的计算模型,对于提高钻井效率具有重要意义。”


在孙杰看来,在这个过程中,技术与业务沟通协作是非常重要。如果缺少一线工人的经验输入,靠技术自己去给应用数据做标注、打标签那可能就会漏洞百出。但是,另一个难点在于,技术与业务之间的话语体系存在鸿沟,可能会让这个协作的过程并不那么“丝滑”。


“比如石油工人跟你说钻机、三向分离器、油品、录井、测井等等这些很专业的业务术语,技术人员就可能一窍不通;而技术人员跟他们讲云计算、虚拟化、容器,他们也可能听不懂。”孙杰表示,“这时候,就需要双方坐下来彼此倾听,业务告诉技术他们的工作流程是怎么样的,技术告诉业务这个技术是怎么解决问题的。有时候,甚至可以用一些通俗易懂的比喻,比如,我们给工人解释公有云和私有云的区别时,就会告诉他们,如果是自己买材料在家做饭就相当于私有云,如果是直接到饭馆吃就相当于公有云。通过一些形象的例子,他们就会更容易理解。”


但是,孙杰也坦言,即便是如此,仍然无法避免会有个别一些人抵触和抗拒新技术。“这种时候,我们的办法是让他们去直接体验新技术的好处。就像智能手机出现的时候,也有人拒绝,但是当他看到周围的人不只能用手机打电话、发短信,还能买机票、发视频、看电影、打车、订外卖,就会慢慢改变。”


除了潜移默化的影响,企业层面的文化重塑、制度规范和技能培养也很重要。“比如,我们会在内部定期组织相关的技术沙龙,也有网上的视频学习课程,这些都是为了让工人更好地了解新技术;另外,也会通过绩效对工人进行考核,比如使用新技术或者更先进的解决方案,最终实现了成本降低、效率提升,就可以获得一定的创新奖金等等;并且,从技能培养上我们还会定期组织一些技术创新大赛,通过树立榜样和典型,不断影响更多的人。”


“总的来说,AIoT 给石油行业带来的好处是实实在在的,除了生产运营上的降本增效,也能通过智能化运营平衡供需,提高能源的利用效率。科技发展日新月异,我们相信 AIoT 将为油气企业数字化转型升级装上加速器。”孙杰总结道,“当然,在产业依托技术不断演进的过程中,我们仍然要坚持的是业技融合协同创新,既要仰望星空也要脚踏实地,要让技术走进实际的业务场景,才能把数字化转型落到实处。”

2022-08-22 10:555053

评论

发布
暂无评论
发现更多内容

阶段性正确

广之巅

阶段性正确

5分钟介绍AI人工智能,机器学习和深度学习,John 易筋 ARTS 打卡 Week 40

John(易筋)

ARTS 打卡计划 arts

【笔记】第六周 - 第 2 课

Geek_娴子

知识+AI融合创新探索,华为云论文被AI顶级学术期刊IEEE TPAMI接受

华为云开发者联盟

AI 模型 华为云 卷积神经网络 IEEE TPAMI论文

《精通比特币》学习笔记(第四章)

棉花糖

区块链 读书笔记 3月日更

Python基础之:函数

程序那些事

Python 数据分析 Python3 程序那些事

GitHub开源的超逼真俄罗斯方块游戏

不脱发的程序猿

GitHub 开源 28天写作 俄罗斯方块游戏 3月日更

(28DW-S8-Day16) 在线教育体验课

mtfelix

28天写作

女神节·走近又美又飒的程序媛

华为云开发者联盟

华为 程序媛 IT 工程师 汉服

两会热议区块链,未来将呈现四大趋势

CECBC

区块链

数据分析师

Nydia

二维码高端路线养成计

happlyfox

学习 技能 28天写作 3月日更

列表推导式与字典推导式,滚雪球学 Python

梦想橡皮擦

28天写作 3月日更

世界上最好的排序算法是什么?

Nick

数据结构 算法 快速排序

Dubbo SPI 使用源码分析

Yangjing

dubbo spi ProxyFactory 服务暴露 ExtensionFactory

Python 语言基础之 变量和常量

HoneyMoose

BI掌柜量化交易系统开发|BI掌柜炒币机器人软件APP开发

系统开发

工作日志3-2-3

技术骨干

实现一个全链路监控平台很难吗?Pinpoint、SkyWalking、Zipkin,哪个实现比较好?

xcbeyond

架构 技术方案 链路监控 3月日更

力扣(LeetCode)刷题,简单题+中等题(第20期)

不脱发的程序猿

LeetCode 力扣 28天写作 算法面经 3月日更

与前端训练营的日子 -- Week18

SamGo

学习

IDEA 常用插件与配置

TroyLiu

Java vim ide idea插件 IntelliJ IDEA

递归函数

大忽悠

3月日更

正则表达式.03 - 分组

insight

正则表达式 3月日更

「架构师训练营 4 期」 第九周 - 001&2

凯迪

架构师训练营 4 期

拖延症这个毛病「Day 16」

道伟

28天写作

上线 Python 应用仅需一条命令的开源框架:Zappa(详细教程)

HelloGitHub

Python Serverless 无服务器云函数

云边协同

lenka

云计算 产品经理 3月日更

快速排序算法实现及优化

Silently9527

Java 排序算法 快速排序

小喜量化交易系统开发|小喜APP软件开发

系统开发

MT马特量化交易系统开发|MT马特量化交易软件APP开发

系统开发

石油公司是如何“玩转”AIoT的?_大数据_高玉娴_InfoQ精选文章