一种提高石油勘探开发数据质量成熟度的闭环管理流程

【摘 要】数据质量管理是数据管理的重要环节,本文描述了一种井数据质量成熟度闭环管理流程的框架,这个框架集成了多个商业软件（EnergyIQ,TGS,Perigon）在石油勘探开发数据管理方面的先进经验,定义了从原始数据自动采集、校验、业务工作环境应用,以及业务研究知识的回存等环节,可以有效提高数据质量成熟度.

【关 键 词】数据质量成熟度闭环流程

1背景

数据质量管理是数据管理的重要环节[1].没有经过质量控制的数据通常是不完整的、质量未知、不容易被采纳利用；如果最终用户利用这些质量未知的数据,就可能影响研究成果结论的准确性,进而对企业造成不良影响.如何找到一种办法,能够对不同来源不同种类的数据进行加载、集成和质量校验,使其迅速变为可以利用的数据资源,是摆在企业面前的大问题.拿油井数据来说,如果有一系列便捷的软件工具,帮助管理员对数据质量和可靠性进行检验和提高,保证油井数据在整个生产周期都是可用状态,将大大提高生产管理和科研工作效率.经过近三十年的历程,数据质量管理研究取得了比较系统的成果[2],无论哪一种成果都离不开数据的标准和数据质量检验的规则.本文描述了一种井数据质量成熟度闭环管理流程的框架,这个框架集成了多个商业软件（EnergyIQ,TGS,Perigon）在石油勘探开发数据管理方面的先进经验,包含企业主数据标准化存储、数据可视化显示、数据发布、向业务系统提供结构化和非结构化数据等功能,是一种石油勘探开发数据质量管理的有效途径.

2数据质量成熟度闭环管理流程的概念[3]

数据质量成熟度闭环管理流程定义了从原始数据自动采集、校验到应用于业务工作环境,以及业务研究知识的回存,一个完整的生命周期.环中的不同节点说明了不同时期数据的成熟度.如图1.

对不同规模的企业,闭环流程中数据处理环节不一样多.但都是要完成从原始数据到业务可用数据,进而变为知识的过程.图1所示的闭环流程主要包含四个阶段.

（1）原始数据加载（As-is）：这种状态下,数据不做任何质量控制,直接进入数据库.

（2）信息技术进行质量检查（ITQC）：这个阶段通过软件程序进行自动检验和纠正.

（3）地质科学家进行质量检查（GeoscienceQC）：这个阶段对数据进行处理,满足业务的具体需求.这需要手工干预来完成,如进行测井曲线的拼接或者分段,同时处理数据质量问题.

（4）地质科学家数据分析（GeiscienceAnalysis）：这部分包括研究成果知识的捕获,对数据的修正和补充后回存到主数据库中.

2.1原始数据加载（As-is）

这是数据管理闭环流程的第一个阶段,多种类型的数据在这个阶段被快速自动化加载到系统中,并被设置为优先访问的数据.

这个阶段的主要挑战是不同来源的数据同时加载到一个数据库中,通常遇到WELLID不统一的问题,需要一个标准的命名规范,PPDM标准里的井ID结构的建议可以参考.这个阶段的主要校验手段是数据库结构和约束,确保数据类型和数据精度的正确.

2.2信息技术进行质量检查（ITQC）

信息技术进行质量检查（ITQC）阶段主要是应用必要的数据转换和校验规则,确保数据可以利用.数据转换的例子是测井数据.测井曲线数据初始阶段可能以原始的DLIS格式存放,之后被转换为标准LAS文件进行观察和分析.在这个阶段,应用“预防性法则”,所有无意义的数据会被截获,留下的值都是合理有价值的.例如,会应用一组规则,确保所有井的深度值都在井的真正深度底界范围内.所有的转换和校验都是自动激活的,这个阶段的数据转换和校验优先于业务.

2.3地质科学家进行质量检查（GeoscienceQC）

在这个阶段的数据质量检查需要更高业务水平的用户参与,有可能会需要专门的技术人员来操作.例如分析分段测井曲线数据,进行拼接形成一个从顶界到底界的完整井筒剖面.这个阶段要应用更加严格的数据规则,有时还需要有经验的数据管理员痛下决心.这个阶段应用的“侦探法则”,需要通过与其它相关数据进行比对和分析,来判断数据的正确性.例如,地面海拔的值在误差允许的范围内,但却与数字高程的值相差甚远.

2.4地质科学家数据分析（GeiscienceAnalysis）

在这个阶段,地质科学家利用多个工具对数据进行仔细分析,这个阶段的数据应该有值得信赖的成熟度,再不需要花费时间进行数据检查.发现异常值时,需要自问一下这是一个真的错误,还是代表一个物理的异常,通常需要更深的调查才能找到原因.

一旦地质科学家完成了数据分析,或者增加了注解说明,或者更新了数据,这些工作内容要作为知识按照一定工作流程写入到主数据库中.流程要尽可能简单,方便后来人对数据的理解和应用.只要企业在这个区域的勘探开发工作不停止,数据就会被不同的地质科学家用到,不同的理解和注释被标注到数据上,不断被写入主数据库.

3数据质量成熟度

在数据管理闭环流程里,数据不断被检查和应用的过程中,数据的成熟度是不断提高的,数据会被转换为信息和知识,用户对数据的信任度提高,更多的时间用于技术分析.在数据管理闭环流程中,数据质量成熟度可以用来警示风险.一些企业忽略了ITQC阶段的重要性,从而导致一些重复工作和损失.

数据管理闭环流程的不断循环,能不断提高数据的准确性.例如自动采集的地面海拔的值可以是任何有效数字值,ITQC阶段的“预防性法则”能将此值控制在一个可以接受的范围内.GeoscienceQC阶段的“侦探法则”可以通过与数字高程对比,进一步缩小错误值的概率.最后通过地质科学家分析阶段的应用,这个数据值会在其他相关信息如测井曲线、邻近井、区域地质数据中得到更进一步的验正.

另一个说明数据质量成熟度不断提高的例子是目标地层的颗粒密度.纯净石英的颗粒密度值为2.65gm/cc,因此一个干净成熟的石英砂石密度为2.65gm/cc.应用了“预防性法则”：加载颗粒密度数据到井数据库时,由于没有其他参考条件,ITQC过程会将颗粒密度值控制在1.9-4.4gm/cc范围内.而应用“侦探法则”,如果确定是砂岩,数据值会被控制在2.65gm/cc上下10%的浮动范围.有时有效值范围也会扩大,让一些异常值暴露出来,因为这些看起来异常的颗粒密度值可能是正确的,而深度却可能错误地恰好落到白云岩的层位,其颗粒密度在3.1gm/cc.地质家在以上工作的基础上进行油藏分析,可能会把有效值范围扩大,以包含任何现场可行的异常值,从而暴露出一个参杂长石的砂岩地层.从一个岩性分析判断的过程,会衍生出一系列地层学结论的变化,从而影响到勘探开发决策.可见数据质量成熟度的重要性.

4结语

企业对数据的依赖程度不断加大,数据质量的好坏直接关系到信息的准确程度[4],数据管理闭环流程是一个不断提高数据质量成熟度的工作理念,对勘探开发研究工作具有非常重要的意义.具体实现要根据企业实际情况.不管采用怎样的数据库架构和数据管理流程,要实现数据质量的不断提高,就必须要有完善的数据标准、灵活的数据展示和应用工具,以及数据格式转换和支持专业应用的软件接口.