油气大数据分析 ——采用数据驱动模型优化勘探和生产

前言

　　我写这本书的动机来自于我在过去七年中目睹的累积问题，这些问题现在在上游石油和天然气行业中十分普遍。三个最突出的问题是数据管理、地下不确定性的量化以及围绕现场工程策略的风险评估。随着跨越不同工程井筒的数据海啸的到来，数据驱动模型显然提供了令人难以置信的洞察力，将原始大数据转化为可操作的知识。我看到地球科学家零碎地采用分析方法，结合软计算技术，他们得出了一个不可避免的结论，即传统的确定性和解释性研究不再是从勘探和生产价值链的大数据中获取最大价值的单一方法。
　　随着越来越多的技术论文详细介绍了数据驱动和预测模型的使用，一系列软计算技术获得了可信度，随机和不确定性的观点不再是一种专业爱好。石油工程师学会见证了全球会议上令人难以置信的论文发布，为神经网络、模糊逻辑和遗传算法在油藏建模和模拟学科中的应用提供了有益的证据。随着老派从石油行业退休，新一代地球科学家毕业时对统计学和软计算方法有了更高的认识，我们将在上游发展更大的应用。数字油田布满智能油井，这一时代产生了大量的数据，当开采地表时，这些数据会隐藏模式，以加强常规研究。将第一原理与数据驱动建模相结合在地球科学家和工程师中正变得越来越流行。
　　当我们面临数据爆炸时，这本书为石油和天然气行业带来了一个非常有利的时机。我们已经看到三维地震数据叠前分析的增加，以及用于储层表征的多个地震属性的推导。随着在海床上以及在页岩区块、煤层气、蒸汽辅助重力排水和深海资产的非常规储层中钻探的多口井中永久性就地传感器的出现，我们正在观察数据密集型活动的激增。
　　软计算概念包含启发式信息。这是什么意思？我们可以采用混合分析工作流来解决一些最具挑战性的上游问题。将即将从石油行业退休的专家知识与数据驱动模型结合起来，以探索和预测对资本支出和运营支出产生负面影响的事件。通过开发一个协作分析卓越中心，将软技能和专业知识与任何石油和天然气运营中最重要的资产（数据）结合起来，保留多年的经验。
　　我想借此机会感谢所有的投稿人和审稿人，特别是Horia Orenstein在预测分析方面的勤奋专业知识，以及Moray Laing在钻井方面的出色反馈、专业知识，以及对许多案例研究图片的贡献。SAS研究所的Stacey Hamilton是一位鼓舞人心且耐心的编辑，没有他，本书将永远无法完成。我要感谢提供建设性反馈的业内同事，特别是沙特阿美的Mike Pittman、Mohammad Kurdi、David Dozoul和SAS研究所的Sebastian Maurice，确保内容的相关性和适用性。