油气水井生产数据管理系统(A2系统)是中国石油天然气股份有限公司信息技术总体规划项目之一, 该系统以油气生产管理为核心,实现了油气水井生产数据的采集、处理、统计、存储、上报、发布一体化协同管理。A2系统覆盖总部和16个油气田公司, 管理了36万多口油气水井的油气生产数据, 数据记录规模达到30多亿条约2.5TB,且海量的数据分布在多个分散式部署的数据库中,当中国石油总部用户需要对所有油田的生产数据进行统计分析时,数据查询响应效率明显降低。此外,由于数据库采用分散式部署,数据库之间缺少有效的协同优化机制,难以实现各类数据之间的多维分析。对于“关系型数据库+分散式部署”且每个库中的数据记录超过千万条,用户仅发出一个多表联合查询操作请求,查询时间就需要等待10分钟以上,用户难以容忍长时间的等待。再者,当总部用户需要开展生产数据汇总分析时,不仅需要登录多套系统查询数据后再进行手工统计分析工作,而且需要在多个系统间重复操作,这严重影响工作效率。例如,在利用产能数据开展生产预测与决策时,所需的各项辅助数据分布在多个系统中,此时需要登录多套系统进行数据查询和导出等。因此,迫切需要一个能够可以深入透视数据、开展全局生产动态分析的支撑平台,辅助开展油气田生产研究工作。
目前国外石油公司, 如:Shell石油公司、BP石油公司、Chevron石油公司、Statoil石油公司等在单井生产数据采集、集中存储管理、生产辅助决策、生产优化等方面取得了很好的应用效果,实施了以发现和诊断井站库问题及故障的预报与预警信息系统,做到问题及早发现,事后处理变为主动预防,有效增加了油气产量[1-6]。国内的信息系统建设,在数据存储、智能处理和大数据辅助决策等方面与国际石油公司存在差距,虽然根据各自的重点需求,开展了生产业务数据管理、勘探钻井、科研管理等方面的系统建设与应用工作[7-14], 并取得了一定效果,但是在数据模型、数据标准、数据库选型与业务管理等方面存在不统一的问题。
勘探开发梦想云基于云计算,并融合物联网、人工智能、大数据、移动应用等新一代信息技术,以“两统一、一通用”建设蓝图为核心,构建上游业务统一数据湖和统一技术平台,支撑了油气勘探、开发生产、协同研究、生产运行、经营管理和安全环保等主营业务应用[15],为提升油气水井生产数据管理系统和开展油气精益生产管理应用研究奠定了良好基础。
1 梦想云集成油气水井生产管理应用技术勘探开发梦想云平台自2018年6月上线以来,油气水井生产数据管理业务基于该平台提供的数据互联、技术互通共享服务,扩展了对油气生产数据的挖掘分析和协同开发研究,为油气水井精益生产管理提供了更便捷、更快速的分析方法。通过对数据的联合分析,不断寻找每一项油气生产开发环节中存在的潜力点与增效点,以最小的资源投入实现油气水井生产管理过程中最大价值的产出。
1.1 油气生产数据入湖在A2系统建设过程中,一直试图建立统一的数据模型来表征勘探开发业务中所有实体及其联系。由于一个业务实体在企业中可能存在多种表达形式,不同的业务应用系统可能会基于特定的目标来构建数据逻辑结构,同时,不同的系统采用不同的数据存储结构及访问方式,一直是困扰企业信息化的问题,阻碍了业务处理、服务定义及术语命名等标准的统一。
勘探开发梦想云平台统一数据湖通过数据交换模型技术实现了统一的标准表达,不会对业务逻辑及程序产生实质性影响。在中国石油上游业务数据入湖过程中,梦想云平台提供的数据集成入湖功能,能够基于数据湖数据交换模型实体关系,从相关系统数据库中捕获全量数据来尽可能“充实”目标实体,提升了数据对象的集成度和完整性,可满足数据快速汇总和智能动态分析的需求,为中国石油勘探开发业务开放数据生态建设应用、数据治理应用、数据挖掘应用奠定了坚实的基础。梦想云平台数据服务框架如图 1所示。
油气水井管理系统管理了36万多口油气水井,主要包含基本实体、生产测试、油气生产、增产措施、采油工艺(井设备)、油气集输(站库)六大类数据共362个数据表和9512个数据项(表 1)。通过梦想云平台数据湖建立数据分布存储、逻辑统一、互联互通的业务领域模型,更准确地描述油气水井生产数据,实现对数据全生命周期的管理、治理和共享应用。通过梦想云平台实现对数据、应用、系统综合管理,构建标准化、流程化、自动化、一体化的数据管理体系,确保数据架构合理、逻辑清晰、过程可控、知识积累和传承。为解决油气水井生产管理中数据量大,指标多、杂、散、不直观的问题,针对油气生产每个环节中的每个要素均要满足精准化要求,并通过构建油气精益生产管理数字化管理平台,支撑精益管理的落地,为实现油气生产管理业务提升提供了强大的支撑能力。
勘探开发梦想云平台为油气勘探、开发生产、协同研究、生产运行、经营管理和安全环保等领域通用业务应用建设提供全面支撑,提供的容器平台、DevOps(一组过程、方法与系统的统称)、微服务、应用生态、服务中台和移动框架平台等系统应用基础框架,满足了应用系统的统一平台、统一框架、统一集成、统一管理等应用建设需要。
此前油气水井生产数据管理系统是独立的业务系统,为中国石油及各地区油田提供独立的油气水井生产管理应用,需要同时为众多应用系统提供专业数据接口服务,大多数情况下存在着占用资源多、数据及业务功能应用共享不通畅、数据接口开发成本大、系统维护成本高等问题。基于梦想云平台开放标准,利用梦想云服务中台提供统一的数据及业务功能共享应用,采用微服务技术对原系统进行升级改造,之后集成到梦想云平台,很大程度上降低了系统硬件的资源占用成本,同时也降低了系统开发维护成本,更便于为勘探开发协同研究等提供统一的专业应用分析及数据应用分析。
2 应用实践基于梦想云平台的高效数据服务,油气生产分析基本单元由原来的油田细化为单井,在中国石油总部层级实现了油气水井生产管理数据的全样本分析,建立了生产跟踪和评价体系及配套系统并投入实际应用。通过生产运行跟踪模块、产能建设评价模块、长停井分析模块,随时跟踪生产动态,对生产指标异常的油田或区块及时监控预警,并提出开发调整对策,指导油气生产。
2.1 生产运行跟踪应用生产运行跟踪应用主要跟踪分析油田生产动态,实时监控油田生产状况,如图 2所示,通过图表直观展示跟踪和评价结果,为战略规划研究提供数据支撑。
产能建设评价模块可以跟踪油田历年产能建设效果,掌握不同地区、不同油藏类型分年投产井开发状况和生产趋势,通过跟踪不同年份投产井的历年产量变化情况,得到油田产能贡献率、完成率、计划产能到位率,同时跟踪产能井综合含水变化趋势,评价产能开发效果,支持规划编制工作(图 3)。
随着大部分油田开发进入中后期,地层与井下的情况越来越复杂,特别是由于近几年油田开发难度日益增大,开发成本不断上升,停产井、停注井呈逐年上升趋势,“十二五”期间采油井开井率在75%左右,2016年由于限产采油井开井率仅为71.3%。为此,通过研发长停井管理模块,分析长停井关停原因,为企业长停井治理提供依据,如图 4所示。
通过数据挖掘分析,2016年底长停井占企业油水井总数的比例为18.8%,产生的主要原因为:①地层能量不足、高含水、地层出砂等原因造成的低产低效关停; ②套管变形、井内有落物等造成的恢复难度较大关停; ③受成本控制、地域环境限制、企地关系影响等造成的关停; ④待报废井。
因此提出以下建议:①长停井治理和恢复不是简单的恢复开井,不能只聚焦在油井上,应该既要关注油井的恢复,又要关注水井的恢复,更要从井网完善和储量动用的整体考虑,将油藏综合治理与单井措施挖潜相结合,着力改善油藏开发效果; ②坚持生产管理与经营管理相结合,详细进行事前油藏研究和经济评估; ③做好复产后的跟踪管理和日常维护工作,及时分析油田生产动态、优化生产参数、强化注采调整,确保能够稳定生产。
3 结语梦想云平台采用微服务架构设计,提升了平台的扩展性,保证业务功能的快捷实现。通过统一技术平台集成统建、自建应用成果,通过统一数据湖支撑云平台的数据共享服务,最大化地发挥了数据的价值,实现由数据管理向数据应用集成、全面共享的跨越,系统采用大数据云平台分布式存储技术,实现了数据的高效存储和访问。梦想云平台已经成为油气勘探、开发生产、协同研究和总部各级油气生产数据管理、科研人员的日常工作平台。
油气水井生产业务借助梦想云平台,深入挖掘数据,充分利用数据资产价值,综合了油田开发、数据库技术和数据分析等方面的专业知识和信息技术,通过建立生产数据跟踪和评价系统,实现了数据挖掘在油田开发战略规划中的应用,取得一定的应用效果,但数据关联分析、基于机器学习的数据挖掘及结合业务应用场景的数据统计分析等能力还需进一步加强,以期使数据挖掘更好地应用到研究和生产实践中。
[1] |
黄文松, 王家华, 陈和平. 基于水平井资料进行地质建模的大数据误区分析与应对策略[J]. 石油勘探与开发, 2017, 44(6): 939-947. Huang Wensong, Wang Jiahua, Chen Heping. Big data mistakes and modification strategies in geological modeling on horizontal wells data[J]. Petroleum Exploration and Development, 2017, 44(6): 939-947. |
[2] |
曲海旭. 基于大数据的油田生产经营优化系统研究及应用[D]. 大庆: 东北石油大学, 2016. Qu Haixu. Research and application of oilfield production and operation optimization system based on big data[D]. Daqing: Northeast Petroleum University, 2016. |
[3] |
李熙喆, 刘晓华, 苏云河. 中国大型气田井均动态储量与初始无阻流量定量关系的建立与应用[J]. 石油勘探与开发, 2018, 45(6): 1020-1025. Li Xizhe, Liu Xiaohua, Su Yunhe. Correlation between gaswell average dynamic reserves and initial absolute open flow potential (AOFP) for large gas fields in China and its application[J]. Petroleum Exploration and Development, 2018, 45(6): 1020-1025. |
[4] |
杨飞, 周静. 智能钻井大数据技术的发展研究[J]. 石化技术, 2017, 24(9): 230-231. Yang Fei, Zhou Jing. Research and development of intelligent drilling on big data technology[J]. Petrochemical Technology, 2017, 24(9): 230-231. DOI:10.3969/j.issn.1006-0235.2017.09.197 |
[5] |
李大伟, 熊华平, 石广仁. 基于全球典型油气田数据库的数据挖掘预处理[J]. 大庆石油地质与开发, 2016, 35(1): 66-70. Li Dawei, Xiong Huaping, Shi Guangren. Preprocessing of the data digging based on global typical oil and gas field database[J]. Petroleum Geology and Oilfield Development in Daqing, 2016, 35(1): 66-70. DOI:10.3969/J.ISSN.1000-3754.2016.01.013 |
[6] |
李金诺. 浅谈石油行业大数据的发展趋势[J]. 价值工程, 2013, 32(29): 172-174. Li Jinnuo. Talking about the development trend of big data in petroleum industry[J]. Value Engineering, 2013, 32(29): 172-174. DOI:10.3969/j.issn.1006-4311.2013.29.090 |
[7] |
Mallek H, Ghozzi F, Teste O, et al. BigDimETL: ETL for multidimensional big data[C]// International Conference on Intelligent Systems Design and Applications. Springer, Cham, 2016.
|
[8] |
Deng Z H, Lv S L. PrePost+: An efficient N-lists-based algorithm for mining frequent item sets via children-parent equivalence pruning[J]. Expert Systems with Applications, 2015, 42(13): 5424-5432. DOI:10.1016/j.eswa.2015.03.004 |
[9] |
Yan X, Zhang J, Xun Y. A parallel algorithm for mining constrained frequent patterns using Map Reduce[J]. Soft Computing, 2017, 21(9): 2237-2249. DOI:10.1007/s00500-015-1930-z |
[10] |
侯亚欣, 李浥东, 徐群群, 等. 基于企业信息管理的综合实践教育云平台建设[J]. 实验技术与管理, 2019, 36(10): 36-39. Hou Yaxin, Li Yidong, Xu Qunqun, et al. Cloud platform construction of comprehensive practice education based on enterprise information management[J]. Experimental Technology and Management, 2019, 36(10): 36-39. |
[11] |
张鹏程, 杜剑光, 杨梅. 智慧广州时空云平台在不动产信息化中的应用与实践[J]. 地理空间信息, 2019, 17(10): 10-13. Zhang Pengcheng, Du Jianguang, Yang Mei. Application and practice of intelligent Guangzhou space-time cloud platform in real estate informatization[J]. Geospatial Information, 2019, 17(10): 10-13. |
[12] |
冯贺楼. 用云平台远程控制提高财务内控管理水平: 以黑龙江省煤田地质局一○八勘探队为例[J]. 中国国土资源经济, 2020, 33(5): 86-89. Feng Helou. Using cloud platform remote control to improve the level of financial internal control management: a case study of the 108th exploration team of Heilongjiang coalfield geology bureau[J]. Natural Resource Economics of China, 2020, 33(5): 86-89. |
[13] |
何晓政. 大数据云的计算与存储资源管理标准化方法研究[C]//中国标准化协会. 第十六届中国标准化论坛论文集. 北京: 中国标准化协会, 2019: 697-703. He Xiaozheng. Research on standardization methods of computing and storage resource management in big data cloud[C]// China Standardization Association. Proceedings of the 16th China Standardization Forum. Beijing: China Standardization Association, 2019: 697-703. |
[14] |
杨忠彪. CloudStack云平台异常运行告警系统设计与实现[J]. 计算机测量与控制, 2019, 27(9): 223-226, 231. Yang Zhongbiao. Design and implementation of cloud platform abnormal operation warning system[J]. Computer Measurement and Control, 2019, 27(9): 223-226, 231. |
[15] |
杜金虎, 时付更, 张仲宏, 等. 中国石油勘探开发梦想云研究与实践[J]. 中国石油勘探, 2020, 25(1): 58-66. Du Jinhu, Shi Fugeng, Zhang Zhonghong, et al. Research and practice of Dream Cloud for exploration and development of PetroChina[J]. China Petroleum Exploration, 2020, 25(1): 58-66. DOI:10.3969/j.issn.1672-7703.2020.01.006 |