雪佛龍如何利用生成式人工智慧提升石油勘探和生產效率

油氣作業中的數據應用

油氣作業產生大量數據,像是在新墨西哥的地震勘查,其檔案大小可達一拍字節。

Chevron的首席資訊官比爾·布勞恩(Bill Braun)強調了所需的數據處理規模,他表示:「將這些數據轉換為決策圖像需要進行100 exaflop的運算,這是一個驚人的計算量。」

自2008年起,Chevron便開始依賴GPU,遠在許多行業意識到此處理能力的需求之前。如今,該公司正利用最前沿的生成式AI工具,深入挖掘其龐大數據集中的洞見和價值。布勞恩指出:「AI與擁有大量數據集的大型企業是完美的匹配——這正是我們所需的工具。」

從二叠紀盆地獲取的洞見

這一挑戰並不僅限於Chevron;整個行業都存在著龐大的數據庫。布勞恩提到,在位於德克薩斯州西部及新墨西哥州東南部的二叠紀盆地,Chevron持有大量土地。這個廣闊地區約250英里寬,300英里長,儲藏了約200億桶石油,貢獻了美國40%的石油產量和15%的天然氣產出。

布勞恩表示:「在過去十年中,他們對美國的生產故事貢獻巨大。」其中一個獨特優勢是德克薩斯州鐵路委員會要求所有作業者公開披露地點活動。「一切都是公共記錄。」布勞恩強調這一透明性的戰略優勢:「這提供了一個向競爭對手學習的機會,如果不這樣做,他們就是在向你學習。這對行業學習而言是一個巨大的加速器。」

促進主動合作與安全

Chevron的作業範圍廣大,數據質量時常不一。布勞恩指出,生成式AI對填補數據點之間的地質空白至關重要。「這是完善模型的理想應用。」他說。

例如,當井的長度可延伸數英里時,AI可以提前警報團隊,提醒潛在的干擾事務,從而實現主動溝通,以防中斷。此外,Chevron還利用大型語言模型(LLM)制定工程標準、規範、安全公告和警報,不斷調整這些模型以達到最佳準確度。

布勞恩解釋說:「當需要精確的構造時,我們不希望我們的生成式AI發揮創意。這些必須被精確調整。」

該公司還在探索機器人模型以提升安全性。「目標是讓機器人處理危險任務,而人類則在安全距離內監督作業。」他表示,這一方法可以降低成本和責任。

跨團隊協作的培養

傳統上,能源部門的團隊在實體和數字上都存在孤島現象。Chevron專注於打破這一隔閡,將團隊整合集聚。「當機器學習工程師與機械工程師在共同挑戰上合作時,最高效的團隊會隨之而生。」布勞恩解釋道。

Chevron還投資讓工程師回校獲得數據科學和系統工程的高級學位,與運營團隊密切結合,鼓勵創新方法。「我們通過從小勝利開始不斷增長。」布勞恩表示。

用科技應對環境挑戰

與所有行業一樣,環境影響在能源領域是重大關注。碳捕集——捕捉並永久儲存CO2,日益重要。布勞恩強調,Chevron經營著全球最大的碳捕集設施之一,儘管對於儲層隨時間的表現仍存不確定性。

為了應對這些不確定性,Chevron採用數字孿生模擬以確保碳的安全儲存,同時產生合成數據以進行預測分析。布勞恩還強調,在數據中心和AI應用中管理大量能源消耗的重要性,以保持清潔運營,他表示:「如何盡可能乾淨地管理這些常常偏遠的位置永遠是對話的起點。」

Most people like

Find AI tools in YBX

Related Articles
Refresh Articles