人工智能：油气业蹒跚学步中

原作者: Mark Venables;OffshoreIntel编译整理

引言：

挪威科技初创公司Solution Seeker开发了一个分层神经网络模型，提升实时生产优化的预测能力。经过几年对油气生产数据的机器学习算法的研究，Solution Seeker已经开发出了一种分层神经网络模型，可以显著提高实时生产优化的预测能力。该模型利用神经网络学习算法并与物理学原理和生产系统逻辑等领域知识相结合。

原片来自网路，版权属于原作者

挪威科技初创公司Solution Seeker开发了一个分层神经网络模型，提升实时生产优化的预测能力。

经过几年对油气生产数据的机器学习算法的研究，Solution Seeker已经开发出了一种分层神经网络模型，可以显著提高实时生产优化的预测能力。该模型利用神经网络学习算法并与物理学原理和生产系统逻辑等领域知识相结合。

哈特能源公司对话Solution Seeker首席执行官Vidar Gunnerud，讨论这项技术以及人工智能（AI）对于油气业的重要性。

原片来自网路，版权属于原作者

人工智能对油气业有多重要？

Gunnerud:人工智能代表着未来，占有非常重要的位置，尤其在当前的低油价形势下，有助于减少陆上和海上工作人员数量，提高生产效率。

Solution Seeker在人工智能领域将作出何种贡献？

Gunnerud:传统的机器学习算法是不能满足石油优化生产问题的，石油开发的动力随着时间和控制技术的发展而改变，使得预测最优的操作决策是非常具有挑战性的问题。此外，数据可能既少，高度又不确定，这一点我们很早就得出结论，因此我们必须开发自己的专用模型，我们很高兴地宣布，已经成功开发了具有实时生产优化所需的预测能力的模型，使用典型生产数据例如阀件位置、泵速、系统不同部位压力、温度和流速等。我们对这些数据进行实时处理、压缩和数据库分类，为机器学习技术做好准备。

这对于生产优化有何帮助？

Gunnerud:首先处理数据，然后我们理解数据并制作不同类型的模型，如优化预测模型。然后，我们利用优化引擎运行该模型，从而为生产系统带来优化机会。

这样就可以引入机器学习技术么？

Gunnerud:对于机器学习或人工智能，许多工程师认为，既然Excel电子表格是数字化的，那么可以认为他们已经从事数字化很长时间了。话虽如此，但是他们当然没有充分挖掘数字化的潜力。假设一家公司具有20000个传感器数据点，那么通常只会利用到它的皮毛，甚至并没有利用。现在，则可以利用更复杂的方式来解读这些数据，并发现之前忽略的数据模式。我的理论是，数据目前还没有被充分利用起来，未来你将看到，对数据的使用和从中挖掘的价值将不断增长。

您提到，传统开箱即用的机器学习算法已经不能满足时代要求，能否进一步解释？

Gunnerud:在油气业存在着大量的数据，但其信息量却很少。举例来说，就像你10年当中每秒都在测量室温，但每天的数据都是20摄氏度，这就会产生大量数据，但蕴含很少信息。

测得的数据很多，但是可支持决策的信息却不一定充分。我们认识到当前数据中的信息缺乏，所以不能仅仅是简单的将数据通过第一性原则相匹配来得到更多的信息。这意味着，如果您仅仅采用开箱即用的神经网络进行数据运营，与使用我们的构架相比，所得到的信息量将会大大减少。

这项技术将最先应用于什么领域？

Gunnerud:这种学习算法明年年初将首先应用于Engie勘探开采公司的Gjøa油田和Wintershall的Vega油田中。

为什么这项技术的研发花费了这么长时间？

Gunnerud:作为一家大学的衍生企业，我们依托挪威科技大学（NTNU）的大型联合工业研究项目。这家公司创立初期的一些成员就是该中心的研究员，该中心还曾进行生产优化的研究。2007年，我开始从事生产优化工作，作为我博士研究项目的一部分，然后是博士后，最后在5年前创办了这家公司。对我来说，今年已经是我踏入这一领域的第10年。

您认为这项技术在油气业应用的时机到了么？

Gunnerud:我确实是这样认为的。这会是油气业的一大进步。实际上，这项技术本可以早就应用于油气业中，但是业界对于风险一向是保守的。直到2014年油价暴跌前，油气业一直油水颇丰，所以也不会想到要寻求一些打破传统运营模式的契机。油价的暴跌和石油公司对更高效率的追求带来了巨大机会，并导致石油公司内部发生着重大变革。其他还有一些新起步的公司，与我们领域不同，但有相关性。

我们离人工智能在油气业的广泛应用还有多远？

Gunnerud:我认为还有很长的一段路要走。人工智能并不是一个简单的概念，它包含各种可能，油气业将从小处起步，一步步开拓更复杂的算法。简单来说，人工智能就是将原来被认为只能被人类从事的工作交由机器来完成。而其真正的含义则一直游移不定。

这项技术的下一阶段将会如何发展？

Gunnerud:我认为这将取决于系统。对于生产优化来讲，还将需要工作人员参与其中。我们的方案并不会完全排除人的因素，但决策的制定可能只会是一天一到两次，甚至是一周三次的低频率。我认为，在每天运行数次的决策循环中，仍需要人的参与，尤其是对决策有重大影响的环境中。通过人与人工智能的协作，将产生最佳决策。

人的决策过程应当快速，并且高度自动化，不需要花费数个小时分析数据，而是只需20分钟就可以做出决策。