CTA

开始

云

是否已准备就绪?

下载 sandbox

我们能为您做什么?

关闭关闭按钮
CTA

面向石油和天然气行业的互联数据平台

云 已经准备就绪?

下载 Sandbox

石油基础设施的预测分析

诺布尔能源公司是一家独立的全球石油与天然气公司。该公司开始使用 Hortonworks Data Platform 来预测和避免其基础设施的停工时间。 这些预测分析帮助公司维持其烃类基础设施,并且他们还希望使用 HDP® 来提升安全性。

最大限度提高产量、降低风险、加速创新

与电信、零售和制造行业类似,数据可用性的普遍变化正在改变石油化工企业。仪表、工艺自动化和协作方面的进步成倍增加了新类型数据的可用量,比如传感器、地理位置、天气和地震数据。这些数据可以与人类生成的数据相组合,比如市场订阅源、社交媒体、电子邮件、文本和图像,以获得新洞察力。

通过测井分析(也称为 LAS 分析)加速创新

大型、复杂数据集和僵化的数据模型限制了勘探和生产的创新步伐,因为这些数据集和模型需要有岩石物理科学家和地理学家来处理孤立、复杂的数据集,而这需要人工质量控制 (QC) 过程。通过 HDP 进行 LAS 日志分析,允许科学家提取和查询其分散的 LAS 数据以供用于预测模型中。他们可以这样做,同时利用现有统计工具(如 SAS 或 R)来构件新模型,然后快速将这些新模型来迭代处理数十亿个测量值。通过将 LAS 数据与生产、租赁和处理数据相结合,可以提高生产力和利润。动态测井可规范化和合并几百或几千个 LAS 文件,提供测井曲线的单一视图(以新的 LAS 文件或图像来表示)。通过 HDP,这些整合的日志还包含大量之前由于电力尖峰、校准错误和其他异常产生异常读数而造成的“超出范围”传感器数据。借助 HDP,自动化 QC 流程可以提取所有数据(优质数据和不良数据),然后擦除以消除异常读数并呈现数据的清晰、单一视图。


定义每个井的操作设定点并在出现偏差时收到警报

在确认了以最高利润生产石油和天然气的理想操作参数(例如泵速或流体温度)之后,信息可以输入到设定点手册。实时保持油井的最佳设定点正是 Apache Storm 的容错、实时分析和警报的工作。在 Hadoop 中运行的 Storm 可以监控变量,比如泵压力、转数、流速和温度,然后在其中任何一个设定点与预先确定的范围出现偏差时采取纠正操作。这种富数据框架可帮助油井运营商节省资金并在情况变化时调整操作。


借助可靠产量预测来优化租赁出价

石油和天然气公司在联邦和私有土地上投标勘探和钻井权的多年租约。为租赁支付的价格是获得未来的不可预测烃类流而需要支付的目前已知成本。油井出租方可以降低与未来收益有关的不确定性并且更加精确地预测油井的产量,从而比竞争对手出价更高。Apache Hadoop 可以高效率存储图像文件、传感器数据和地震测量值,从而提供这种竞争优势。这为招标用的任何第三方调查手册增加了缺少的上下文。通过预测分析而获得这种独一无二信息的公司现在可以获得这一苦苦追寻的租约,或者能够找到“粗糙的钻石”并以折扣价租赁到这些油井。


通过靶向维护来预防性地修理设备

传统上,运营商通过现场检查(通常是在遥远的地方)收集有关泵和油井的状态数据。这意味着,检查数据稀疏并且难以访问,特别是考虑到出现问题的设备价格昂贵以及事故的潜在健康和安全影响。现在,传感器数据可以更高频率、更低成本(较之于手动收集相同数据)从泵、油井、和其他设备流入到 Hadoop 中。这有助于技术熟练的工人执行传感器办不到的工作:修理或更换机器。可以通过有关天气、地震活动或社交媒体情绪的数据流来丰富机器数据,以绘制现场发生情况的更完整图画。算法随后在 Hadoop 中解析大量、多构面数据集,以发现细微模式并将预期结果与实际结果进行比较。某一设备发生故障的时间是否比预期更短,如果是这样,有哪些类似设备可能会面临相同风险?数据驱动、预防性维保养可让设备运行时降低事故风险,并且可降低维护成本。

通过生产参数优化来减慢衰减

石油公司需要管理器现有油井的产量递减,因为新油井越来越难找。递减曲线分析 (DCA) 使用油井过去的产量来估计将来的产出。但是,历史数据通常显示出不变的生产率,而油井的生命周期遵循非线性模式,其通常在随着耗尽而越来越快地衰减。在油井临近生命周期结束时,过去可不是开端。生产参数优化是参数的智能管理,以最大限度提高油井的可用寿命,这些参数包括注入流体混合物的压力、流速和温度特征。机器学习算法可以分析来自多个油井的海量传感器数据,以确定这些可控制参数的最佳组合。HDP 在数据发现和后续分析方面的强大功能可帮助油井所有者或租赁者最大限度利用该资源。