数字化油田大数据应用安全探讨

陈严飞

（中国石油大港油田公司信息中心，天津 300280）

0 引言

当前，在数字化油气领域，很多软件工具都已经被广泛使用，在国际上已经形成完善的数字化油田方案体系，数字化油田的产品也有了大规模的发展，数据分析软件、知识学习软件等系统已经成为油田领域的重要辅助工具。数字化油田使油田勘察中有关地震检测、地质勘测、油藏研究、工程建设、油田管理等一体化内容都能够形成一个统一的整体。具有代表性的数字化软件如斯伦贝谢、哈里伯顿、贝克休斯等，这些专业的油田行业数字化解决方案供应商已经将油田产业全产业链进行了数字化覆盖，从数据模型、应用软件、管理软件，再到油田开发、监测软件、营销软件等，实现了油田行业数据模型、产品模型统一的行业数字化应用模式，通过软件的集成将油田的发展统一到互联网思维下，覆盖了全油田行业的数字化模式，也使得油田行业的信息安全面临着一定的挑战。

1 油田数字化现状

1.1 自主技术落后

当前，我国油田在数字化方面的建设存在严重依赖技术进口的局面，以油田数字化中广泛应用的商业软件为例，我国油田行业在数字化商用软件上几乎没有可竞争的产品。行业应用软件缺乏是油田数字化的主要现状，而在大数据应用方面，我国油田行业也面临着相同的问题。从全球油田行业来看，油田数字化、信息化建设历史与计算机的发展历史趋于同步，也就是在计算机诞生、发展及成熟的各个阶段，油田行业都在利用新技术来提升自身的产能效率和产品的竞争力。当前，油田数字化逐渐从地质模型、产品模型升级为大数据模型、人工智能模型，油田的数字化管理向着云端管理的方向发展，新技术应用已经成为数字化油田发展的主要特征。而我国油田行业由于缺乏自主技术，在行业生态内依旧扮演着应用者、追随者的角色，而非开发者、引领者的角色。

1.2 大数据应用体系还不完善

当前，我国油田行业在大数据应用方面存在体系不完善的问题。油田行业在国际范围内有着属于其行业规范的大数据标准应用体系，如数据模型中的RPDS、PPDM、POSC 等，针对油田全过程的大数据应用给出了完善的建设体系。但在我国油田行业中，大数据应用体系还处于落后的状态，尤其是在地质模型、产品模型方面还缺乏自主产品，大数据的应用标准仍依照发达国家的标准，更难以提高对未来油田数字化核心内容的认识水平。这种现象造成了我国油田行业利用大数据进行数字化油田建设时的不足。虽然我国在大数据、人工智能方面的应用有了显著的进步和发展，但在油田领域的研究与应用还未形成实际效应，其建设成果一直无法达到预期目标。出现这种现象的最大原因便是我国油田领域还未形成大数据应用体系，尤其是数据安全管理的建设非常落后，从而造成其在数据分析、应用开发、架构设计、业务管理方面的研发体系落后，最终也导致国内油田领域的大数据应用落后于其他国家。事实上，大数据应用技术的普及能够带动油田行业的发展改革，但我国油田数字化核心技术上的发展滞后问题导致油田产业与大数据的融合缺乏基础。这些都较为严重地限制了我国数字化油田的转型发展。因此，油田行业的从业者，尤其是技术研发人员，需要加大创新力度，快速完善我国油田数字化的发展体系，为打造油田数字化领域的核心技术和产品提供助力。

2 数字化油田大数据应用的方法

油田数字化是大数据应用的重要方法，这种方法是基于油田产业结构特点来设计和实施的。数字化应用场景的打造需要实现两个部分的内容，一是智能化，二是自动化。例如，数字化的钻井场景建设，首先要解决的是智能化问题，智能化的钻井场景建设的直接目标是降低成本、提高效率，而其中核心的技术是钻速的智能化。通常钻速会受到地质岩性、钻头材质、井筒管具、动力装置、钻井液、施工参数等因素的影响，因此在解决这个问题的过程中，技术人员需要从地质、钻头、管具、钻井液、动力、施工等方面进行分析，首先要找出钻速与这些影响因素之间的关系。在未应用大数据以前，行业内的技术人员会调取井口采集到的数据来分析这些因素与钻速之间的关系，如泵压、泵冲、扭矩等参数，然后根据经验来提升钻速，但这种以经验来解决问题的传统方法显然不具备大规模推广的可能。在经验法的应用中，技术人员要不断地调整参数，然后对模型进行适配，但很多时候，虽然技术人员消耗了大量的时间去调整参数，但是环境的变化往往会影响模型的公式，这对于提升油田的生产效率非常不利。而在大数据应用后，通过搭建数字化模型就能够有效解决这样的问题。通常钻井过程中会产生大量的数据，通过收集这些数据，就可以建立起完善的数字化应用场景模型。这个过程中，数字化模型的建立需要基于钻井业务的全过程，其中包含了井口实时采集数据，要精确到秒数据，还有钻头钻具的数据、钻井液数据、地层数据、动力系统数据、施工参数等综合体数据模型。之后通过改进算法，实现对数据模型的分析，计算机会对这些数据与钻速的关系进行全面的分析，最终获得钻速最高的模型。油田钻井可以根据这些钻速模型进行自动化系统的研发，这也就在数字化的应用场景中实现了钻井成本的下降和钻井效率的提高。

3 数字化油田大数据应用安全研究

3.1 数据的安全

在数字化油田大数据应用中，技术人员需要对数据安全进行升级，这些数据的安全包含了设计数据的安全、钻井数据的安全、测录数据的安全等内容。通常情况下，从采集到运用，技术人员都需要对数据进行存档，在存档的过程中要对数据的安全进行保护，尤其是在搭建模型时如果频度数据出错，对秒数据、米数据进行数据分析时也很容易造成差异，最终导致数字模型搭建失败。因此，这个过程需要针对数据进行多重备份，在搭建数据模型时要保证有一用一备的数据，同时要对采集到的不同数据进行分别测试，这样才能找出最合理的模型。

3.2 实时处理的安全

钻井井场的实时数据通常是以秒为单位的，在实时处理数据时要保证间隔3～5 秒进行一次数据的采集和传输，这是实时处理安全的核心。在实际操作中，采集数据的设备、传输数据的设备的参数不同，自然会造成采集的数据不同，很多时候数据都处于混乱的状态。在这种情况下，针对数据的处理工作是需要保证其安全的，这里所说的安全并非物理上的安全，而是指保证数据处理过程中不出现数据错误，如数据的字段、异常值、平均值等出错，这些数据一直是模型设计的前提。

3.3 数据整合的安全

在应用大数据时，技术人员需要根据不同数据源的不同数据按照逻辑规则进行相应的整合，从而实现逻辑命题的数字化，将模型实际构成一个可用的产品。这种样本集合的安全性通常也被称为数据的整合安全。以钻井数据的整合为例，钻井的实时数据与钻井液数据的整合是一个小型样本的集数，如果加入管具数据、钻头数据、地层数据、动力数据等数据，就会形成一个大的数据样本。这个数据样本的整合同样是需要安全系数的，尤其是样本的集合并非简单地将所有数据糅合到一起，而是以安全的逻辑结构对数据进行筛选，从而实现目标数据的有效整合。

3.4 逻辑关联的安全

智能化的产品模式需要以人工智能技术为引导，这个过程就会涉及逻辑关联的问题。逻辑关联是将整个油田业务中的流程节点进行逻辑的关联，通过设计流程阶段的特征来实现智能模型的建立，因此逻辑关联的安全工作非常重要。当前，由于油田业务复杂的逻辑结构，技术人员很难使用模块化的工具来安全地完成逻辑的关联。这种情况需要应用到相关的代码工具来实现逻辑关联的安全，如可以使用TempoAI的代码嵌入功能，然后使用Python 或R 语言来对算法进行拓展。

3.5 建模的安全

在数字化油田大数据应用中，建模是最为关键的一个步骤。在分析完样本数据后，模型的框架才算基本形成，这个模型本质上便是大数据应用的结果，这个已经建好的模型需要进行安全的存储后才能保证数据预测和分析的准确性。例如，决策树模型在建模完成后形成参数的树模型，这个树模型可以针对新产生的数据进行分析。技术人员可以在这个模型中进行各类数据的分析，但前提是保证这个模型在建模的过程中具有高度安全性。只有在模型完成安全性的测试后，才能针对模型进行使用，而保证建模安全的前提是数据必须真实、有效。

4 结语

大数据不是一门可以独立应用的技术，而是与油田行业的结构逻辑紧密相关的，只有保证油田行业结构的逻辑安全，才能有效地分析数据和建立模型。这也给了数字化油田在应用大数据的过程中需要紧密联系“应用安全”这个概念，从安全性方面来保证数字化油田转型成功。