石油天然气行业开始尝试采用Gen AI（生成式人工智能）等新兴技术来帮助实现“民主化的”数据访问，推动更明智的生产决策。
 
 
 
AI工具已广泛应用石油行业
 
    AI和机器学习已成为塑造几乎每个行业的无形之手。它是面部识别软件、垃圾邮件过滤和汽车自动驾驶背后的分析大脑。石油和天然气行业已经流行起来，部署了一些新系统，帮助钻井承包商和石油公司根据从钻机、油井和设施收集的海量数据获得了强大的感知和预测能力，以及前瞻性的事态掌控。
 
    技术开发人员将AI范畴内的算法视为自动化系统优化钻井作业的关键推动因素。这些因素让石油公司能更快地完成钻井作业，同时还能减少钻井工人所需的物理投入。例如，基于AI的系统能可视化定向井的最佳井眼轨迹，从而节省设计过程中耗时、费力的人工分析，消除了复杂繁琐的工作。
 
    AI Driller首席执行官兼创始人Marat Zaripov 表示：“AI正在帮助我们消除在BHA（井底钻具组合）、油井和地层中看到的所有杂乱的信息，帮助我们做出决策。我们的目标是获取所有这些数据并进行处理，以帮助我们的客户决定他们现在应该做什么，以及下一步应该做什么”。
 
    尽管这些基于AI的系统在钻井行业中的应用越来越广泛，但AI技术本身也在继续快速发展。基于gen AI的新系统正在出现，它指的是深度学习模型，可以获取原始数据，并能在提示时学习生成统计上可能的输出。
 
    本质上，无论是AI还是gen AI，它们对训练数据的简化表示进行编码，并从中提取内容来创建新的模型。生成的模型多年来一直用于分析数值数据。然而，深度学习的兴起使得将这些模型扩展到图像、语音和其他数据类型成为可能。
 
    AWS（Amazon Web Services亚马逊网路服务系统）能源和公用事业产品营销主管Jay Shah表示，“有大量数据仍未得到充分利用，我们希望简化数据的复杂性和交互性，使其民主化。该流程现在可以由组织各个级别的每个人掌握，而不是依靠一组分析师根据某些业务工作流程来确定某些分析或感知的优先级。AI协助让您可以与数据交互。您可以模拟工作流程来帮助您做出决策。”
 
    然而，寻求在石油天然气行业部署其技术的技术开发人员表示，石油天然气行业广泛采用的gen AI面临着一些挑战。首先，石油天然气公司仍在寻找最适合他们具体需求的、特定的高性能基础模型。即使这些模型在零售行业和航空航天等领域已被证明是有用的，但这些模型也需要针对石油天然气的行业特征的进行调整。
 
    其次，据开发人员称，石油和天然气公司希望使用这些基础模型作为依托，在此基础上他们可以使用公司特定的数据构建差异化的应用程序。由于这些数据是宝贵的知识产权，因此在此过程中必须保持完全受保护、确保安全和数据私密。公司希望这些AI系统与其应用程序无缝集成，而不需要管理庞大的基础设施集群或导致大量成本投入。
 
    Lucidworks，一家专门从事商业和劳动力应用程序的软件公司，该公司的全球销售工程副总裁 Brian Land 表示，“与我们谈话的公司肯定希望利用数十年的数据，这些数据被锁定在孤岛中，包括：工程数据、地震数据、热数据，他们想要解锁这些数据。我们首先必须为人们提供更好的方式来搜索这些数据。现在的问题是研究在所有数据之上构建智能的最佳方法。这些能源公司设有大数据科学部，负责研究这些数据，并尝试在其基础上构建模型。我想这就是我们要去的地方”。
 
AI助力定向钻井自动化
 
    AI Driller是一家成立于2019年的初创公司，提供名为AI Cloud的钻机自动化平台，该平台使用云服务器上存储的油井数据来分析和监控钻井活动。它配备了基于AI和机器学习的钻井数据处理技术以及传统的自动化钻井的实时自动化系统。这使得工程师们能够获取历史钻井数据，以便他们能提供有效的结果，并提高一致性。
 
    AI Driller工程总监Nasikul Islam表示，“围绕数据的很多讨论都是‘垃圾输入，垃圾输出’。如果没有很好的数据质量作为基础，很多预测系统都无法发挥作用。AI Driller真正讲的是自动化和智能化。我们正在让钻井工程师的许多工作自动完成，包括所有那些平凡的、重复性的任务。因此，基于物理的建模对于工程师来说非常重要。但井筒反馈的信息以及井下数据如何与您交谈同样重要。为了建立这些模型，您必须听取井筒的反馈”。
 
    AI Cloud托管用于管理泥浆马达（AI Motors）的软件程序；及早发现防碰撞风险、冲蚀和马达失速（AI警报）；以及一款用于旋转钻进和滑动钻进自动化的应用程序（AI助手）。该平台的最新成员AI Spaces，是一款桌面软件，可处理定向设计、报告、扭矩和摩阻，以及液压或水力学建模。
 
    该程序于去年启用，采用基于物理的模型，并根据用户的历史油井数据进行校准，以帮助预测新井的最佳轨迹。从本质上讲，每当一个公司寻求在某个盆地设计一口新井时，程序中内置的模型都可以使用该公司的历史油井数据作为基础来帮助自动投影，可以查看类似条件下所钻的井的数据来对新井进行自动投影。该程序可提供这些投影和目标轨迹的视觉3D表示。
 
    Zaripov先生表示，“我们正在根据历史数据有效地训练模型并对其进行校准。当您将历史数据与新井轨迹相匹配时，模型可以做出假设。如果我的模型已经校准，我就可以继续寻找。如果我想在某个盆地钻4830m的水平段，我可以查看该盆地的所有数据，从模型中获取假设，开始设计我的新井。在此过程中，我们使用我们的工具和AI方法来执行人们以往手工设计油井的日常工作流程”。
 
    用户还可以将设计的井眼与在同一钻井平台上所钻的现有的井进行绘制，最大限度地减少与其它井眼碰撞的风险。Zaripov先生说，“我们会自动嗅出碰撞风险。过去手工计算需要20分钟，现在我们可以在一秒钟内完成。通过采用确保井眼分离避免碰撞的全自动化的所有流程，我们节省了更多时间。如果我是平台经理，这可以节省大量时间”。
 
    Islam先生表示，在AI Spaces计算出最佳井眼轨迹后，用户可以利用AI Cloud平台的其余功能来确保这一轨迹高效执行。旋转钻井助手模块采用机器学习算法来自动执行自动司钻设定值，例如钻压和机械钻速。AI警报模块采用预测的AI模型和传感器数据告知钻井队潜在的井下异常，例如卡钻和井下钻具、钻头出现严重的振动，自动向钻井队发出警报。这有助于在潜在的事故酿成之前减轻其影响。
 
    Islam先生说，通过将这些任务自动执行，定向钻井工程师可以更有效地利用他们的时间。 “一些公司可以在Spaces中设计油井并创建钻井轨迹，然后将数据发送给自动钻机执行。每口井都可以有一个每天钻915m的优化轨迹，我们需要帮助工程师执行这项任务。有了这些工具，我们实际上可以顿足石油公司或定向工程师以及司钻专注于考证和验证所做的优化决策”。
 
 
    Lucidworks公司的Fusion平台使用机器学习模型来索引和存储来自任何数据源的记录，在第三方搜索引擎的帮助下，允许用户立即搜索任何数据。这些模型经过文本分类训练，这是一种将文本文档分类为定义类别的自然语言任务处理。
 
AI实现最大化数据管理
    虽然AI技术仍处于广泛的概念验证阶段，但一些公司已开始推出商业用途的系统。例如，Lucidworks公司自2007年以来一直为多个行业提供机器学习模型，最近在其 Fusion AI 平台中添加了gen AI和大型语言模型的集成功能。
 
    Land先生将其描述为一个“以事实为基础的大型语言模型”的平台。该平台使用现有的机器学习模型和工作流程来索引和存储来自任何数据源的记录。还利用了一个开源搜索引擎Apache Solr和一个用于大规模数据处理的开源分析引擎Apache Spark，每秒处理来自数千个并发用户的数千个查询。从本质上讲，该平台允许组织内的任何人立即搜索任何数据。
 
    虽然gen AI的实用功能已在其他行业得到了使用，但尚未在石油和天然气行业中应用。Land先生说，“我们在金融、医疗保健和零售领域的客户已经在使用gen AI的功能，但在能源行业，他们现在才刚刚谈论这个问题。他们想要对其进行真正的测试，以确保其准确、安全、私密。对于gen AI，您正在处理的是一些公共模型，因此能源开发商们确实希望确保没有数据泄漏。但我认为在未来一两年内，我们将开始看到更多能源领域的概念验证工作会逐步展开”。
 
    然而，他认为新一代AI平台可为石油和天然气行业带来的好处是显而易见的。用户可以利用该技术作为数据存储和数据访问平台，帮助员工找到解决钻机或井场特定设备问题所需的信息。
 
    更具体地说，对于石油和天然气行业，gen AI 可以帮助勘探与开发公司优化油田开发，特别是当涉及到识别和建模可经济有效地开采的石油资源的主要目标时。当地球物理学家分析地质情况并确定钻探位置时，他们经常会遇到获取所需正确信息的挑战。这些信息被储存在各个不同的地方和文件格式中，例如文本文件、测井日志、GIS（地理信息系统）文件和照片等。
 
    对于运营长达数十年的大型勘探开发公司来说，内部数据库通常由高度分散、孤立且无组织的数据组成。这使得工程师和地球物理学家很难使用传统的搜索应用程序查找和访问正确的信息。勘探开发公司面临的常见问题包括搜索功能差（可用的、用户可以访问的相关数据需要很长时间才能搜索和收集到）以及数据标记方式不一致。此外，与过去项目相关的信息和数据有时可能仅存在于经验丰富的人的头脑中，而新员工则一无所知、无法访问、难以见到或无法理解。
 
    Gen AI平台可以使勘探团队能够在需要时快速准确地检索信息，从而更有效地利用所有可用的数据。这可以带来更好的决策。
 
    Fusion平台收集要处理的文档，同时保持信息安全和光学字符识别（一种将文本图像转换为机器可读格式的过程）。Fusion可通过自然语言处理来分析文档，并根据文档的内容对相关性进行分类。
 
    Land 先生说，“在上游，我们需要找到最好的方法来查找地震数据、油井报告和工程报告等信息，这些信息可以帮助公司做出价值数十亿美元的决策。 我们正在将大量大数据（例如50 GB的地震文件）提取到Fusion平台中，以便上游工程师能更容易找到这些数据”。
 
    然而，大型语言模型的一个问题是它们的效果取决于用于引发响应的提示。Land先生说，这些模型可以输出的信息仍然存在一定程度的可变性。因此，根据提示，用户在单独使用一个gen AI系统时可能无法获得预期的结果。
 
    为了消除这种可变性，Lucidworks公司构建了一个具有明确目的的链接提示库，然后用户可以通过较小的增强功能来选择和利用这些提示。提示链接是一种自然语言处理技术，其中向自然语言处理模型提供一系列提示，指导其产生所需的响应。
 
    除了消除可变性之外，这些提示被称之为“护栏”，可以帮助对用户场景进行标准化，使各公司能够管理和限制最终用户的交互。例如，可以为某个问题设置回答的边界，如果有人询问某个油田的地质情况，护栏可以帮助限制回答，仅讨论这个油田。
 
    Land 先生说，“我们从首席信息官那里听到的一些主要担忧是，我不希望在输入查询时得到错误的答案，或者，我不想在不属于我的企业数据库的公共网络上显示具有竞争的数据，或者，如果我提出问题，我只希望得到关于我所询问的特定文档的答复。虽然像ChatGPT这样的模型是开放的，但我们需要可以限制它的系统”
  
    护栏，或提示序列旨在指导自然语言处理模型在给出特定查询时产生某些响应，它是帮助标准化用户与gen AI平台进行交互的宝贵工具，例如亚马逊的 Bedrock。
 
Gen AI在能源领域的应用
    Gen AI是最近引领技术创新的一项技术，例如去年推出的亚马逊Bedrock。超过10000 个组织在制药、汽车和制造等多个行业使用该服务，为的是能更轻松地搜索历史和实时数据。目前，该平台正在进入能源领域。
 
    云服务使各公司能够通过应用程序编程接口访问其他AI公司或亚马逊本身的一系列基础模型。用户可以实验、评估和安全地应用他们的数据来构建自己的Gen AI应用程序。
 
    基础模型是根据大量数据进行的预训练的大型机器学习模型。为了自定义这些模型，亚马逊Bedrock 使用检索增强生成技术，该技术将基础模型连接到其他知识源，当用户搜索特定数据时，亚马逊Bedrock可以参考这些知识源来挑选出更准确的响应结果。
 
    Shah先生将Bedrock描述为亚马逊为实现gen AI技术的民主化和简化gen AI应用程序的开发所做的努力，因为从头开始构建和训练一个基础模型可能是一项非常繁琐、耗时且成本高昂的工作。Bedrock软件允许各公司使用各种基础模型作为构建他们自己本地AI应用程序的基础，而无需对员工进行编码培训，或管理一个AI模型的相关基础设施。
  
    亚马逊Bedrock的Guardrails（护栏）可以帮助过滤输入提示或模型响应中的敏感信息，例如员工数据。公司可以设置敏感数据的参数，如果在提示中检测到任何相关内容，该模型将阻止任何相关信息。它们是公司在搜索中限制可用信息类型的有效工具。
 
    Shah 先生说，“没有一种模型可以满足一个组织所需的一切”。 “您需要模型选择和灵活性。Bedrock真正提供的是针对不同的用例和组织内不同约束条件（如成本、速度、延迟）来部署不同模型的能力。您正在为针对不同的用例开发和部署不同的模型提供基础”。
 
    尽管Shah先生表示，AWS正在与钻井承包商讨论可能在明年启动试点计划，但目前尚未有钻井承包商使用 Amazon Bedrock。然而，这些系统已经显示出其在提高石油和天然气安全方面的价值。 CEPSA是一家西班牙的能源公司，在阿尔及利亚和秘鲁境外开展业务，自2018年以来一直使用AWS作为其云计算的提供商。
 
    Bedrock还被用来为CEPSA公司构建智能安全助手。智能安全助手使用历史事件和未遂事故报告来提高工人的安全。从历史上看，在向现场技术人员发出工作指令时，通常不会考虑过去的事件和先前已知的风险。但现在，主管人员可以利用gen AI通过总结与当前工单任务相关的事件来准备他们的工单任务。
 
    2023 年，CEPSA公司开始将智能安全助手与 Bedrock 结合使用，以帮助改进安全报告。每当公司的某一设施发生安全事故时，安全人员通常都会收到与事故相关的一般信息，如事故发生的地点或涉及哪些设备。
 
    Shah先生说，“我们希望开发专为特定油田特定设施设计的软件包。 我们希望使用gen AI来创建一个解决方案，该方案可以获取天气数据、历史事件数据和外部任何其他可变条件的数据，以及对未遂事件进行评估，并将它们与之前发生的类似事件联系起来。这就像一个个性化的简报，提供尽可能多的实时数据和尽可能多的历史背景”。
 
    通过Bedrock，AWS能够处理涉及安全事件任何设备上传感器的实时数据，以及涉及这些特定设备的天气情况和未遂事件。结果就是在智能安全助手中创建一个更详细的报告，报告可用来通知安全人员。Shah先生表示，这一功能为安全人员处理事故提供了更多背景。
 
Shah先生解释说：“借助Bedrock和智能安全助手，CEPSA公司能够获取不同数据孤岛中的历史事件和险些发生的报告，通过gen AI整合这些数据，从而提高现场工作人员的人身安全。历史上已知的风险事件在发出工单时并未使用，现在我们可以使用了。这有助于主管人员可通过总结与当前工单和他们将要查看任务相关的事件来准备工单，并了解其背景。过去有哪些险些发生的事件？具体条件和情况又是什么？您正在集成物联网数据并将其融入到一个安全包中”。