斯伦贝谢
北京创新工场
助力人工智能在能源领域的应用
随着能源行业数字转型的深入，人工智能和数字创新在能源领域的应用正帮助能源公司获得竞争优势和未来增长，但如何让人工智能产品顺利落地，满足客户在各自特定场景不同的需求，已成为人工智能应用阶段急需解决的问题。
面对这个问题，斯伦贝谢于2021年3月宣布成立创新工场（INNOVATION FACTORI），旨在基于自身强大的油气专业知识和经验积累，结合数字化、智能化的先进技术和用户至上的服务理念，与用户共同构建灵活的、可落地的并且深度定制化的智能解决方案，让人工智能产品落地不再困难。
6
全球创新工场休斯顿、奥斯陆、里约热内卢、吉隆坡、阿布扎比和北京
6000+
全球能源行业专家、人工智能和软件工程专家200+
针对七个领域的通用数字创新方案我们的团队
我们的成功取决于许多团队为了一个共同的目标而团结起来。没有一个学科拥有构建AI所需的所有答案，我们发现许多令人兴奋的新想法来自不同领域之间的专门合作。
技术产品
在创新之旅中，我们与世界各地的客户合作开展了 100 多个特定的创新项目。通过调整、优化和部署解决方案，以应对并他们在实际业务中面临的挑战。
智能混合井网差异化布井平台
智能混合井网差异化布井平台，旨在解决致密气田布井过程中遇到的诸多挑战，例如确定合理井距、选择最优开发井型、优选地面平台位置、优化井网设计等。本平台结合专家知识，利用人工智能技术创新多种算法，诸如蒙特卡洛启发式混合装箱、智能靶点聚合、自适应受限智能平台聚类等算法，实现了地质靶点智能识别、多层靶点智能连接以及自适应地面地下约束的平台智能优化，达到了高效生成不同井距、不同井型以及不同井丛组合的效果，成功解决致密气田布井方案过程中的多种挑战。为验证该平台布井结果的合理性，我们使用国内某致密气藏作为测试区块，首先对该区块进行了精细地质建模及气藏数值模拟研究，将剩余气分布以及静态地质构造及属性特征作为平台的输入数据，进而快速得到加密井及平台的部署分布，结果得到了客户的认可。相较于人工通常需要数月时间完成几十到上百口井的部署，本平台仅需半天即可得到一套新井部署方案，极大的提高了工作效率。
机器学习预测页岩气产量
近年来，页岩气勘探开发逐渐成为非常规油气开采的热点，并产生大量的数据。目前页岩气的产量预测方法主要包括递减曲线分析法、解析模型法以及数值模拟等。递减曲线法（DCA）通过递减公式对生产曲线进行拟合，并对产量进行预测，预测精度受生产数据的长短及可靠性影响较大。解析模型法多用于均质单相渗流，对模型的描述精度有限。数值模拟法可实现非均质地层多相渗流的产量预测，但储层描述的不确定性以及实际地层流动的复杂性也影响了此方法的应用。随着数据种类和体量增多，为充分挖掘勘探开发过程中海量数据中隐藏的价值信息，我们将机器学习算法引入到页岩气的产量预测，充分利用模型解释的数据、现场压裂的数据以及生产动态数据，对新老井的未来产量进行预测。相较于传统DCA算法，机器学习算法得到的结果准确性更高、花费时间更短，对未来新老井配产及新井部署提供更强有力的支撑。
积液识别与预测
致密气井的积液问题长期以来一直困扰着业界，很多井因它导致大量的生产损失以及代价高昂的修井措施。 通常情况下，现场会有专人识别并通过措施减轻积液带来的影响，但这种做法耗时耗力，占据了大量的工作时间。 现在，我们利用结合专家经验以及深度学习算法，不仅可以对已积液井实时识别积液发生时间，辅助工作人员及时采取相关措施，还可以对稳定生产井可能出现的积液现象提前几个月进行预测，从而方便相关人员提前准备所需的工具和材料来进行相关措施。本算法可以使人们从每天繁琐的数据检查工作中解脱出来，从事更有创造性的工作，同时优化措施的频率以及提前规划实施的时间，节约操作成本。
WPO潜力井优选与措施推荐系统
WPO（Well Portfolio Optimization），它解决的是用户在“潜力井优选与措施推荐”方面的挑战与痛点。其将油藏工程专业知识、自动化手段与大数据分析技术全面融合，定时自动运行，时刻跟踪油水井状态，并给出考虑经济效益的作业措施推荐，从而形成一套全面自动化的“措施井”优选过程。WPO不同于纯数字驱动的措施筛选工具，单纯的大数据算法往往是个“黑盒子”，其结果不容易解释，其过程很难追溯，而且由于石油行业的特殊性，也难形成大量的措施井数据的样本，纯粹的大数据选井模型容易陷入过度拟合，从而导致预测结果不可靠。WPO解决方案建立的目的是为了得到一个可以解释并审阅的系统，其首先把油田常用的油藏工程专业的成熟方法与大数据分析技术进行融合，从而得到了较多的评价指标，再进行单井潜力打分，然后利用现有业务逻辑进行措施推荐，通过类比估算进行效果评估，最后参考措施历史数据进行概率评估。由于系统是完全自动化运行，在提高分析效率的同时，也便于技术人员理解与追溯。
基于数字孪生的流动保障与工艺优化基于数字孪生的流动保障与工艺优化
除了基于数据和机器学习算法的直接应用以外，我们还结合仿真软件建立井筒、管线以及地面处理的一体化数字孪生模型，该技术在中海油深圳分公司得到了成功应用，从2014年开始中海油首先在荔湾气田基于斯伦贝谢的OLGA多相瞬态流动模拟引擎搭建了全气田井筒、海底管线的实时流动保障专家系统，针对各种流动保障问题，实现了及时预警，以及生产防控与优化建议。从2014年部署开始至今，累计节省作业者超过1000万美金作业费用。
2022年，中海油又在陆地的天然气处理终端基于斯伦贝谢Symmetry地面流程模拟软件建立了天然气处理厂的数字孪生系统，结合rockwell的Pavilion8先进控制系统，实现了轻烃收率实时优化，年增加LPG产量约2000吨，当年直接经济效益超过1000万人民币。该项目得到了国内外专家一致认可，最近也获得了国资委国企数字场景创新三等奖，中海油科技进步一等奖，以及斯伦贝谢2022年全球创新工场铂金奖等奖项。创新方案
随着能源行业数字化转型的深入和人工智能云计算物联网等技术的繁荣发展，斯伦贝谢北京创新工场锐意开拓，积极研发行业急需的数字化创新方案。
DELFI人工智能
具有认知能力的应用程序嵌入在 DELFI 环境中。 这是涵盖从勘探到开发、生产和中游的整个勘探与生产生命周期的全栈人工智能（AI）。 我们的 AI 软件解决方案专注于将您的油藏性能提升到一个新的水平——您组织内的每个人都可以使用它。
知识图谱
创新工场创新性地采用知识图谱技术，结合诸如爬虫、文本信息提取等互联网技术，构建了由数据驱动的面向新能源的知识图谱。用户应用这个知识图谱，可以快速地从浩如烟海的信息中，精准掌握行业技术动态信息，增强自身商业洞察能力，发掘更多的商业机会。
增强的机器学习断层预测方法
从传统机器学习断层预测方法出发，北京创新工场提出了一种增强的机器学习断层预测方法，使用该方法后，操作人员不仅可以从原始的地震体中获得断层的解释结果，还可直接获得断层实例的解释结果从而极大提升工作效率。在该工作流中，北京创新工场创新性的结合了四种不同的深度学习网络，其中每种网络将承担不同的分任务。该解决方案将首先从原始地震体中得到整个区块的断层网络解释结果，之后将于每条测线中识别出不同断层实例，最后每条测线中的各断层实例将通过另一个深度学习网络关联起来。最终的断层实例解释结果将通过对Petrel兼容性更强的文件格式例如Charisma等呈现。
深度学习自动甜点识别
一种半监督的基于深度学习的多层地质属性图甜点识别方法。该模型灵感来源于计算机视觉领域中的Mask R-CNN用于识别并描绘图像中的不同对象。当使用该工作流时，领域专家将首先基于可用的地质属性参数图标注一些高潜的甜点区域。此后三种不同的深度学习网络将首先选择可能性较高的甜点位置，判断不同甜点种类（如提供）和最后描绘甜点形状。此后我们将可将整个工作流应用到原始地质属性参数图或其他区域的地质属性参数图中从而快速得到基于准确程度的高潜甜点区域候选。
人工智能实时压缩机监测及预警工作流
一套基于人工智能的终极压缩机监测与预警解决方案，可通过压缩机运行的高频数据实时监测压缩机系统并提供多种风险分析结果。
深入探索
