“互聯網+”時代下的智慧錄井系統應用探索

張期博

摘 要：“互聯網+”時代的來臨和發展，推動了生產組織形式及制造模式等的改變和創新，人工智能的出現也打破的傳統認知，加快了各行業領域現代化、智慧化發展腳步，為錄井技術優化創新創造了新的機會，對推動行業發展存在積極影響。本文主要針對“互聯網+”時代下，如何開展智慧錄井系統的有效應用展開細化探討，其中，針對這一時代也進行了簡要概述，以期為推動現代錄井系統升級創新建言獻策。

關鍵詞：“互聯網+”時代;應用;智慧路徑系統

錄井技術屬于石油工業領域進行勘探開發的重要技術之一，對于油氣的鉆探來講，具有的作用和價值都較為關鍵。但以其特點和歷史經驗等為基礎創設的傳統模式，工作區域多為環境惡劣的野外，針對錄井信息的采集，以及對相關設備儀器的使用都需要通過人工干預實現，工作效率難以保證，信息化程度也相對較低，針對新型智能化的錄井系統開展積極探索十分必要。

1 “互聯網+”時代概述

“互聯網+”主要指，將互聯網相關的各類創新成果，實現和經濟社會多領域的深層次融合，加快技術發展和水平提升速度，推動組織變革，促使實體經濟的生產及創新能力均能夠實現有效提升，創建覆蓋區域更廣的，基于互聯網發揮基礎設施及創新要素作用的新型經濟社會發展形態[1]。近幾年國家對工業互聯網的發展愈發重視，并開展了多種形式的戰略部署操作，結合“十九大”相關內容，應重視積極推動實現人工智能以及互聯網等，和實體經濟的深度融合目標進程，促進數字經濟的有效發展。基于當今時代背景下，“智能+”以及“互聯網+”已經變為了我國積極推動側供給結構改革進程的重要手段，企業升級轉型的關鍵契機。

2 “互聯網+”時代下的智慧錄井系統應用

參考錄井技術現階段的實際發展需求和狀態，以工程建工及信息傳輸、地層剖面建立等工程任務為中心，依靠云計算、人工智能以及物聯網等新型的現代化技術，針對錄井數據采集智能化、設備運維、智能解釋等關鍵技術展開探究，實現大數據分析、鉆井工程參數識別等技術的有效集成，創設數據處理、發布、采集等于一體的系統管理平臺，摒棄傳統人中心的理論方法，經由數據只能解釋、儀器自動分析，以及智能決策等的深度融合，建立工程預警、實時智能解釋等井場協同信息化支持系統，實現對傳統錄井作業模式的優化，推動檢測技術和人工智能技術協同結合目標的實現進程，推動錄井技術創新發展腳步。

2.1 系統架構

智慧錄井系統主要涉及4層網絡結構，包括用戶層、采集層等，主要功能包括數據管控以及智能化分析、錄井信息自動化采集分析等，可實現自動智能化等錄井解決方案的創設。

其一，采集層中具體包括工業機器人、錄井儀器等，主要負責對各類錄井信息的自動化采集和管控，可實現對系統的有效優化及自行診斷，并可以實現對相關故障的提前發現。

其二，網絡層屬于用戶和現場間進行數據傳輸的渠道，可實現對采集層信息傳遞、管控和匯聚等的有效支持，且可以發揮出物聯網人機通信互通的信息支撐平臺作用。

其三，應用層屬于錄井數據中心，主要發揮設備故障預警以及數據存儲等作用，基于有關協議，實現對傳感器和各類錄井設備數據的合理化采集，同時，可以數據為對象開展具體的分類、解析及清洗等相關操作。

其四，用戶層屬于數據中心開展信息輸出的主體，具體涉及錄井施工單位以及各相關的建設項目組等，可發揮協同研究、實時遠程監控等功能。

2.2 核心單元及工作流程

系統核心單元即為應用層和采集層。其中，應用層面具體有智能預警系統以及職能數據管理系統等;采集層中具體有儀器裝備智能故障診斷及維護系統，以及基于工業機器人的智能取樣分析系統等。系統核心技術主要包括如下幾種，下文將進行具體論述。

2.2.1 錄井大數據信息挖掘及智能解釋評價系統

石油勘探開發相關操作，主要是針對地下地質的油氣、巖性等實體特征展開的。大部分開發及勘探井形成了大量類型各異的數據，其中涉及海量的地質信息，此類信息對于油田未來生產開發的優化和發展存在重要影響。基于大數據時代的來臨和發展，日常應用較為廣泛的各類數據分析方法，在實踐中的應用已經愈發頻繁，數據挖掘即為其中發揮作用較為顯著的方法之一，也是近年來相關人員研究的重點內容之一。數據挖掘主要指的是基于海量數據內，對潛在價值及有效性較高的模式進行提取的處理過程，屬于KDD的重要構成部分之一，通常涉及知識表達、數據清洗以及模式評估等環節。

本系統的具體功能，即針對基于采集層獲取錄井數據開展統計分析，經由創設科學、規范的數據分析預測模型的方式，針對儲集層流體性質以及錄井巖性剖面等工程參數特征，開展實時的在線分析解釋評價操作。實際開展智能解釋評價相關操作以前，需要基于具體的解釋內容，優先制定出差異化的解釋方案，同時結合方案的具體內容，明確對應的解釋模型。

模型創設期間，需要先針對建模數據的調用，結合模型實際種類，進行深度學習以及機器學習等算法的選擇操作。相關算法具體可劃分成數據降維、監督模型學習等。針對監督模型來講，應用較為頻繁的算法包括神經網絡、貝葉斯以及回歸分析等。此類模型均為預測類，經由現存輸入數據及輸出數據間存在的對應關系，形成相應函數，再對輸入開展映射操作，促使其和相應的輸出相匹配，包括分類等。

關聯分析以及聚類分析均為無監督類，可直接針對所輸入的數據集開展模型建設操作，具體包括時序分析算法以及K-近鄰分類等。第三類數據維度歸約，具體涉及因子分析以及主成分等分析法，通過數據的變換或者編碼，獲取原數據的壓縮或者歸約表示，基于綜合指標，實現對原數據的代替，再開展相應的分析操作。模型基于學習訓練，開展結果驗證，再以驗證結果符合率高低為依據，針對各類模型算法展開評估，明確最優的訓練模型，同時對其開展不斷的改良及更新相關操作。

具體開展解釋應用相關操作期間，基于錄井獲取的原始數據，需要先開展數據清洗，將其中的離散和非正常數據清除，將和分析任務有關的數據分離出來，再通過合并或者轉換等方式，促使其合理的形式展現出來，對于提高挖掘實效性和便捷性存在積極影響。隨后針對符合條件的解釋模型展開調用操作，基于數據挖掘算法，實現對數據內隱藏知識及模式的抽取操作，例如預測、分類等，實現對實時處理結果的獲取。最后，經由知識表達或者可視化等技術，針對所挖掘知識，開展于決策支持、在線巖性解釋等中的具體應用。

2.2.2 基于工業機器人的智能取樣分析系統

智能取樣分析系統的技術流程包括：基于鉆井現場形成的巖屑混合物以及鉆井液，經由引流設備，輸入到智慧錄井平臺設備房中，先是利用定量脫氣設備將內部氣體脫附出，再通過紅外光譜法，針對內部的烴類和非烴氣體開展實時在線的含量檢測操作，隨后，利用固液分離技術，將內部的巖屑樣品分離出來。

在進行自動清洗以后，開展巖屑白光及熒光普照，得到和含油巖樣位置相對應的熒光圖像信息，利用視覺引導系統，對機器人進行操控，將相應的樣品置于對應錄井設備內，開展自動化的檢測分析操作，明確地層含有騎行以及巖性等參數信息。依靠對應系統，針對余下的樣品開展自動化的封裝以及標識噴碼等操作，留作觀察樣本。基于工程預警系統，依靠裝設在鉆機及循環系統內的傳感設備，對鉆井相關參數展開實時的監測。

經由上述方法采集參數，均送至應用層數據管理平臺中，為后期開展的整理及統計分析相關操作提供支撐。

3 結論

綜上所述，對于石油工業來講，在實現的每次跨越，均是乘著技術革命的發展浪潮。現階段，錄井行業逐漸進入了生產方式信息化以及智能化轉型的重要階段，機器換人成為了世界企業生產改革的未來方向，精準把握歷史機遇，錄井系統應重視將全流程及全要素協同智能變為現實，實現科學決策、精準評價等目的，推動錄井行業快發發展，促進其核心競爭力提升。

參考文獻：

[1]劉善勇，夏思琪，印森林.資源勘查工程專業錄井實驗班“錄井方法與技術”課程教學方法探討[J].教育教學論壇，2020（24）：286-287.