生成式人工智能對地震成像技術具有廣泛而深遠的影響

　　殼牌公司最近宣布，計劃在其深海油氣勘探和生產活動中使用基于人工智能的技術

　　人工智能技術也開始在可再生能源領域發揮重要作用，并幫助創建智能電網

　　據油價網2023年5月21日報道，人工智能(AI)已經成為我們這個時代最大的長期大趨勢之一。人工智能正在推動第四次工業革命，并越來越被視為應對氣候變化和污染等這個時代一些重大挑戰的關鍵戰略。能源公司正在使用人工智能工具將記錄數字化，分析大量數據和地質圖，并潛在地識別設備過度使用或管道腐蝕等問題。能源巨頭殼牌公司就是這樣一家公司。5月17日，殼牌公司宣布計劃在其深海油氣勘探和生產中使用大數據分析公司Spark Cognition的基于人工智能的技術，以提高運營效率和速度，并提高油氣產量。

　　殼牌公司負責創新和績效的副總裁Gabriel Guerra在一份聲明中表示：“我們致力于尋找新的創新方法，重塑我們的油氣勘探作業方式。”

　　總部位于美國得克薩斯州奧斯丁的大數據分析公司Spark Cognition公司首席科學官布魯斯·波特表示，生成式人工智能對地震成像技術具有廣泛而深遠的影響，該技術可以將勘探時間從9個月大幅縮短至9天以內。Spark Cognition公司的生成式人工智能將使用比平時更少的地震數據掃描生成地下圖像，從而有助于深海保護。更少的地震勘探作業反過來將加速勘探過程，改善作業流程并節省高性能計算成本。

　　但這并不是殼牌公司首次涉足人工智能技術。早在2018年，殼牌公司就與微軟公司合作，將Azure C3物聯網平臺整合到其海上業務中。這個平臺使用人工智能來提高公司海上基礎設施的效率，從鉆井和開采到員工授權和安全。

　　殼牌公司并不是唯一在運營中使用人工智能的國際大型石油公司。早在2019年，英國石油公司(bp)就投資了總部位于休斯敦的科技初創公司貝爾蒙特技術公司，后者幫助bp開發了一個名為“桑迪”的基于云地球科學平臺。“桑迪”獲取bp地質、地球物理和油藏項目信息并進行解釋分析，從而創建獨特的“知識圖表”，包括bp地下資產的全息圖像。然后，bp可以使用程序的神經網絡系統進行模擬并解釋結果。

　　2019年3月，阿克爾公司與Spark Cognition公司合作，在其“認知操作”措施中增強人工智能應用。阿克爾Spark Cognition公司創建的Spark Predict人工智能系統，還用于監測30多個海上設施表層和海底設施。

　　4年前，英國石油和天然氣管理局(OGA)推出了英國首個石油和天然氣國家數據存儲庫(NDR)。 這個龐大的數據存儲庫包含了130兆兆字節的地球物理、基礎設施、油氣田和油氣井數據。這些數據涵蓋了5000多次地震調查、12500個井眼和3000條管道。NDR利用人工智能來解釋這些數據，OGA希望能夠發現新的油氣遠景構造，并從現有的基礎設施中提高產量。這個平臺還將用于英國的能源轉型，儲層和基礎設施數據將用于支持碳捕獲、利用和儲存項目。

　　人工智能技術和可再生能源

　　人工智能技術也開始在可再生能源領域發揮重要作用，并幫助創建智能電網。

　　美國實現100%可再生能源電網夢想的最大障礙之一是可再生能源的間歇性。畢竟，人類電網是為接近恒定的電力輸入/輸出而設計的，而風并不總是吹，太陽也不總是照耀。為了成功地向可再生能源轉型，電網必須變得更加智能。

　　幸運的是，有一個令人鼓舞的先例。

　　幾年前，谷歌公司宣布，包括數據中心和辦公室在內的全球業務已實現100%使用可再生電力。如今，谷歌公司是可再生電力最大的企業買家，承諾購買總計7吉瓦(7000兆瓦)的風能和太陽能。谷歌公司與美國國際商用機器公司(IBM)合作，為風力發電的高度間歇性尋找解決方案。利用IBM的DeepMind人工智能平臺，谷歌公司在美國中部700兆瓦的風力發電能力上部署了極大似然估計法算法(ML)，足以為一個中等城市供電。

　　IBM表示，通過使用一個經過廣泛可用的天氣預報和歷史渦輪機數據訓練的神經網絡，DeepMind人工智能平臺現在能夠在實際發電前36小時預測風力發電量。

　　其他風電場運營商也可以使用類似的模型，以更智能、更快、更多的數據驅動優化其電力輸出，以更好地滿足客戶需求。

　　IBM的DeepMind人工智能平臺利用受過訓練的神經網絡，比實際發電提前36小時預測風力發電量。

　　總部位于得克薩斯州休斯敦的Innowatts是一家初創公司，它開發了一種用于能源監測和管理的自動化工具包。Innowatts的公用事業平臺從2100萬客戶的3400多萬個智能電表中獲取數據，其中包括美國主要的公用事業公司，如亞利桑那公共服務電力公司、波特蘭通用電氣公司、Avangrid公司、Gexa能源公司、WGL公司和Mega能源公司。Innowatts表示，其機器學習算法能夠分析數據，預測幾個關鍵數據點，包括短期和長期負荷、變化幅度、天氣敏感度等。

　　Innowatts估計，如果沒有它的機器學習模型，在危機最嚴重的時候，公用事業公司的預測會有20%甚至更多的不準確性，從而給他們的運營帶來巨大壓力，最終推高最終用戶的成本。

　　此外，人工智能和數字解決方案可以使我們的電網更安全。

　　通過采用數字和人工智能模型，我們的電網將變得越來越智能和可靠，并使向可再生能源的轉型更加順利。