Table of Contents
ההערכות המדויקות של עתודות משאבים טבעיות בקנה מידה גדול - בין אם שמן, גז, מינרלים או מים - נשאר אחד המשימות התובעניות והחסכוניות ביותר בתחום הגיאוגרפיה.
השינוי מהמשדרים המסורתיים אסטימום לזרימות עבודה מבוססות ענן
ההערכות של המילואים היו היסטורי תהליך רב עוצמה. גיאולוגים ומהנדסי מאגר היו מפרשים באופן ידני נתונים סיסמיים, בונים מודלים סטטיים ודינמיים על יצירות ייעודיות, ומריצים סימולציות על אשכולות מקומיים שיכולים לקחת שבועות כדי להשלים. ממשל נתונים היה לעתים קרובות מתפצל על פני מחלקות, מה שהופך שיתוף פעולה איטי וטעייה של נתונים שנוצרו על ידי מחקר מודרני - לפעמים מעל 100 על ידי סקרים פיגור סימטריים - רבים.
מחשוב ענן מתייחס לצווארי הבקבוק האלה על ידי הסרת compute ואחסון לתוך משאבים על פי דרישה. ארגונים יכולים כעת לספין מאות מכונות וירטואליות (VMs) במשך כמה שעות כדי להפעיל ניתוחי רגישות, ולאחר מכן לסגור אותם כדי להימנע עלויות idle.חשוב יותר, פלטפורמות ענן לספק סביבה מאוחדת שבו גיאו-מדעיסטים, מדעני נתונים וצוותי IT יכולים לשתף פעולה באמצעות נתונים משותפים, מודלים מבוקרים, וסטנדרטים, לא מאומתים, אלא משנה, אלא אם כן, לא משנה כמה הוא רק משנה את גודל זה משנה, אלא רק משנה, הוא משנה, הוא רק משנה, ורק חומרה הוא מארגן מחדש של חומרה.
יתרונות הליבה של מחשוב ענן עבור יישומי Geoscience
כדי לפרוס ביעילות מחשוב ענן עבור estimation עתודות, אנשי מקצוע חייבים להבין את שלושת המודלים העיקריים של השירות וכיצד כל אחד מתייחס לניתוח גיאולוגי וגיאופיזיקה.
תשתיות כשירות (IaaS) עבור אלסטיאלס Compute ו- Storage
(א) מספק משאבי מחשוב וירטואליים באינטרנט.עבור estimation, זה אומר גישה למקרים של VM גבוה אופטימיזציה לעיבוד סיסמי, GPU-accelated מקרים עבור למידת מכונה, אחסון אובייקטים מסיבי כמו אמזון S3 או Azure Blob אחסון עבור נתונים גולמיים מעובדים.
פלטפורמה כשירות (PaaS) לפיתוח ולתזמורת
PaaS מפשט את התשתית הבסיסית, ומאפשר לצוותים להתמקד בבנייתם ופריסת כלים אנליטיים. Geoscientists יכול להשתמש בשירותים מנוהלים כמו Google Cloud Vertex AI כדי להכשיר מודלים estimation מילואים מותאם אישית ללא שרתים ניהול.
תוכנה כשירות (SaaS) עבור יישומים מיוחדים Geoscience
ספקים מבוססים רבים מציעים כעת גרסאות ענן-native של סימולציה המאגר שלהם ותוכנות petrophysical.לדוגמה, פלטפורמת ה-DELFI הקוגניטיבית של Schlumberger E& P סביבה ו- CGG כדור הארץ של כדור הארץ ממנף את הגמישות כדי להאיץ את העיבוד.פלטפורמות SaaS אלה כוללות לעתים קרובות תכונות שיתוף פעולה בנויות, גרסאות ו- API גישה, המאפשרות שילוב חלקה עם מערכות אחרות של הארגון.
יתרונות מפורטים של מחשוב ענן בפדרנס אינסטימציה
המאמר המקורי מציג חמישה יתרונות מרכזיים; כל אחד ראוי לחקור לעומק כדי להבין את ההשפעה המעשית שלו על זרימות עבודה estimation.
סקלאלה מעבר לגבולות פיזיים
בסביבה המסורתית, צוות עשוי להכיל אשכול עם 200 ליבות, להגביל את גודל המודלים ואת מספר של ריצות בו זמנית. סביבת ענן יכול בקנה מידה דינמי לאלפים של ליבות בתוך דקות.כאשר ביצוע estimation probabilistic - אשר לעתים קרובות דורש לרוץ 10,000 או יותר התגשמות סטוצ'יסטיות - זה קנה זמן מוחלט משבועות עד שעות.
עלויות יעילות באמצעות מודל Pay-Per-Use
על-ידי HPC מגיע עם הוצאות הון גבוהות (CAPEX) עבור רכש חומרה, קירור, כוח ותחזוקה. מחשוב ענן משמרת את זה להוצאה תפעולית (OPEX) עם חיוב גרפי למשך שעה או לכל terabyte. מקרים - קיבולת ענן משומשת זמינה הנחות תלולות - יכול לקצץ בעלויות חד-משמעיות ב-60–90% עבור עבודות לא-סובלניות כמו מונטה קרלו, יתר על-יתר על-כך, כדי למנוע עלויות סימולציה מופחתות;
זמן-לראייה
פלטפורמות ענן מציעות שירותי למידת מכונה שנבנו מראש, אשכולות GPU, וחיבורים מהירים שמזרזים באופן דרמטי ניתוח נתונים.לדוגמה, צוות שלקח לפני שלושה שבועות כדי לנהל סימולציה של המשחק יכול עכשיו להשלים אותו תוך יומיים באמצעות מקרים GPU לפי דרישה עם NVIDIA V100 או A100 מאיצים.
שיתוף פעולה גלובלי וממשל נתונים
estimation לעתים קרובות כרוך צוותים להפיץ על פני משרדים מרובים ואזורי זמן.אגמים מבוססי ענן לספק מקור יחיד של אמת, עם בקרת גישה מבוססת תפקידים להבטיח שרק אנשי מוסמך יכולים לשנות מודלים של מאגר רגיש.אמת-זמן משותף של מודלים, מחברות משותפות Jupyter, ומערכות בקרה משולבות של גרסאות (למשל, DVC עבור נתונים) לחסל את הבלבול של קבצים דוא"ל ותחזוקה מקומית מסגרת זה הוא בעיקר מעקב.
שיפור אבטחת המידע ומילוי
ספקי ענן מובילים משקיעים בכבדות בהסמכה הביטחונית (SOC 2, ISO 27001, פדRAMP) והצפנתה במנוחה ובמעבר. עבור מגזר הנפט והגז, שבו נתונים של מילואים הם קנייניים ולעיתים כפופים לתקנות לאומיות, ניתן לפרוס שירותי ענן באזורים ספציפיים כדי לעמוד בדרישות תושבות נתונים.-אימות רב-ספק, מדיניות IAM ®, ואיומים אוטומטיים מספקים רמה של אבטחה שרבים מפעילי-ל-מתאים לא יכולים להשיג פתרונות שאינם יכולים להשיג.
מפת דרכים מבוססת ענן מבוססת ענן עבור יישום אסטרמיציה
הגדלת התעלות העבודה של ה-Intimation לענן אינה פרויקט יחיד, אלא טרנספורמציה מגובשת.לאחר אסטרטגיה ממושמעת מצמצם את הסיכונים וממקסמת החזר ההשקעה.
שלב 1: הגירה וקטלוג נתונים
הצעד הראשון הוא להעריך את הנוף הנתונים הנוכחי: כרכים סיסמיים, יומני טוב, היסטוריה ייצור, מודלים מתפרשים.הנתונים נקיים, מסובכים, מועבר לאחסון אובייקט בענן באמצעות שירותים כגון AWS DataSync או Azure Data Box עבור משלוחים פיזיים גדולים. A metadata קטלוג (באמצעות Apache Atlas או ענן כלי ניטראלי) נוצר כדי לאפשר חיפוש וגילוייות.
שלב 2: בחירת כלי והגדרה סביבתית
בהתבסס על משימות ספציפיות של estimation (למשל, נפח, ⁇ , probabilistic), צוותים לבחור תוכנה מתאימה.חבילות גיאו-מדע מסחריות רבות זמינים כעת בשוקי ענן, לפני רישיון וייעל עבור תמונות מכונה וירטואלית. Open-source חלופות כמו Open-sources Open-source (OPM) ניתן גם לפרוס על גבי אשכולות ענן.סביבה יש לכלול כלי תזמורת (Traform למתן פתרונות, ל- KubCD כדי לנהל צינורות).
שלב 3: ניהול ואוטומציה של זרימת עבודה
ארגונים מגדירים סוגים ומספרים המבוססים על מורכבות סימולציה.לדוגמה, סימולציה של מאגר הדורשת 500 GB של RAM יכול להיות מופעל על VM גבוה, בעוד הגירה עומק סיסמי עשוי לדרוש מקרים GPU עם מאות ליבות. אוטומציה של זרימת עבודה עם כלים כמו Apache Airflow או AWS Steps לזמר את רצף של דחיסות נתונים, עיבוד, סימולציה, ולאחר עיבוד, צמצום יכולת הפעלה מחדש והבטחת התערבות ידנית וקידום.
שלב 4: הוצאה להורג, אימות, וההסברה
סימלציה מבוצעת במקביל על פני הרבה צמתים.התוצאות - מפות מדכאות, התפלגות ריצוף, ותפקודי צפיפות ההסתברות של רזרבות - נשמרים בחזרה באגם נתונים בענן.הרסום צלב נגד נתוני ייצור היסטוריים ובדיקות נרדפות מבוצעות באופן אוטומטי.אם המודל נכשל קריטריונים אימות, ניתן להחדיר מחדש את זרימת העבודה עם פרמטרים מותאמים, כל בתוך אותה סביבה ענן.
שלב 5: שילוב עם דו"ח והחלטות מערכות
הערכות מאגרים הסופיות מיוצקות באמצעות ממשקי API מאובטחים לכלים מחוסנים כמו Power BI או Tableau, ובתוך מערכות תכנון משאבים ארגוניות (ERP) לדיווח תאגידי.דמיון מבוסס ענן מאפשר למנהלים לחקור תרחישים בזמן אמת, להנחות החלטות השקעה אסטרטגיות.
מחקרים אמיתיים: מחשוב ענן בפעולה
היתרונות המפורטים לעיל אינם תיאורטיים, מספר מפעילי חברות גדולות וחברות שירות חלקו בפומבי את סיפורי ההצלחה שלהם.
Shell: Scaling Reservoir Simulation על הענן
היא, אחת מחברות האנרגיה הגדולות בעולם, היגרה לדגימות המאגר שלה לענן כדי להאיץ את קבלת ההחלטות.על ידי מינוף HPC בענן, היא הצליחה לרוץ 10 פעמים יותר תרחישים סימולציה באותו זמן סימולציה בהשוואה לחיתוך קבוצות של XL-premises (הגמישות אפשרה להם לסובב אלפי ליבות על הביקוש לניתוח פרוביולוגי ולאחר מכן שחרור אותם ל-Crelimates) על ידי קיצוץ של פחות מ- 40% של דיוק.
ENI: Real-Time Data Analytics ב- Azure
חברת הנפט האיטלקית Eni משתפת פעולה עם Microsoft Azure כדי לבנות פלטפורמה בענן עבור ניטור ועדכונים בזמן אמת, הפלטפורמה ingests נתונים מאלפי חיישנים על פני שדות בחו"ל, חלה על מחשוב קצה עבור סינון ראשוני, ולאחר מכן מזרמה את הנתונים ל- Azure Data Lake עבור ניתוח היסטורי. Eni הפחיתה את הזמן לעדכן את ספר הרזרבות שלה בין רבע לשעות אמתיות, שיפור משמעותי ביכולתה להגיב לדינמיקה של הענן, וכן ל- Luanda, במקביל, על ידי קבוצות גדולות, במקביל, על ידי קבוצות גדולות, על ידי צוותים, על מנת לעדכן את זמן שיתוף פעולה עם מודלים משותפים, על ידי חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים של חברת התקליטים, ל-ידי חברת התקליטים, ל-ל- Luni, ל- Luni, ל-ידי חברת התקליטים של חברת התקליטים ל- Luni, ל- Luni, ל-ידי חברת התקליטים, ל-Landa, ל- Luni, ל- Luni, במקביל, ל- Luni, כדי לעדכן את זמן- Luni, כדי לעדכן את זמן- Luni,
CG: מיפוי מבוסס ענן
חברת שירותי ג'ופיזיקה CG משתמשת ב-Google Cloud כדי לספק פרויקטים של הדמיה סיסמית הדורשים עיבוד מקביל מסיבי.עבור סקר גדול של צומת האוקיינוס במפרץ מקסיקו, CGGG הטמיע אשכול בענן עם מעל 10,000 ליבות כדי להפעיל את ההגירה לאחור של הזמן (RTM) על פרויקט נתונים של 200-terabyte.המשימה הושלמה בפחות משעות - הישג שהיה דורש תשלום פנימי על גבי מודל CGFGFUS (p) על בסיס של 2 חודשים) על בסיס נתונים של 200-pGFGFGFGPS) על בסיס 200-pGFUSD.
אינטגרטיבית בינה מלאכותית ולמידה של מכונות
מחשוב ענן הוא הבית הטבעי עבור AI / ML מתקדם ברזרבות estimation. עם אחסון עצום ועל דרישה GPUs, גיאו-מדעיסטים יכולים להכשיר מודלים למידה עמוקה על חלקים סיסמיים מתוייגים באופן אוטומטי לבחור אופקים, לזהות תקלות, ואפיון סטיות. התפלגות זמינות עבור עתודות יכול להיווצר באמצעות רשתות התחדשות (גנים) כי ללמוד מהנתונים ההיסטוריים מבוססי ענן, מאפשר פשט גם פלטפורמות ניהול נתונים חדשים.
יישום בולט הוא השימוש ברשתות עצביות חוזרות ונשנות (RNN) או מודלים מסובכים לחיזוי נכסים ממאגרים מלוגים טובים, צמצום הצורך בניתוח ליבה יקר.מודלים אלה מאוימים על אשכולות ענן עם אלפי תקופות ולאחר מכן פרוסים כמו API שהמהנדסים יכולים לשאול מהיצירות שלהם.שילוב של AI מקטין את ההטיה האנושית ומזרז את הדור של התגשמות גיאולוגית מרובות, אשר חיוני עבור אי-ודאות קוונטית.
אתגרים: אבטחה, עקשנות וניהול עלויות
למרות היתרונות שלה, אימוץ ענן במילואים estimation אינו ללא היורדים. אבטחת נתונים נותרה דאגה עיקרית, במיוחד עבור חברות הנפט הלאומיות (NOCs) עם חוקי ריבונות נתונים קפדניים.ספקי ענן מציעים כעת פתרונות ענן ריבוניים עם אזורים ייעודיים וארכיטקטורה ממוזגת.מפתחות הצפנה המנוהלת על ידי הלקוח (CMK) ומחשוב חסוי (אשר מגן על נתונים) משתמשים באמצעי הגנה נוספים.
Latency יכול להיות בעיה בעת העברת נתונים גדולים מאוד (hundreds of terabytes) לענן. Solutions כוללים באמצעות חיבורי ענן ישירים (AWS Direct Connect, Azure ExpressRoute) ומשלוחי מכשירים פיזיים (Snowball, תיבת נתונים) לאחר שהמידע נמצא בענן, רשתות גבוהות בין compute nodes ממזער את I/Onecks.
עלויות מעלים הן סיכון אמיתי אם משאבי הענן אינם מנוהלים כראוי. ארגונים צריכים ליישם תקציבים, התראות, וגילוי משאבים idle.שימוש במקרים של עומסי עבודה לא קריטיים, הגדרת מגבלות של רכב, ובאופן קבוע deleting תמונות זמניות הם שיטות הטובות ביותר.ענן עלות אופטימיזציה כלים כמו Vantage או ניהול עלות ענן מספק חשיפה להוצאות לכל צוות.
עתידם של מילואים של Cloud-Driven
במבט קדימה, כמה מגמות ישתנו עוד יותר את הנוף.ראשון, ההתכנסות של מחשוב ענן עם קצה AI תאפשר עיבוד בזמן אמת של קידוח נתונים ועדכונים מיידיים למודלי מילואים.שני, מחשוב קוונטי - נגיש באמצעות שירותי ענן - בסופו של דבר לפתור בעיות אופטימיזציה מורכבות בניהול מאגר כי הם בלתי יציבים עבור מחשבים קלאסיים, תאומים דיגיטליים של שדות שלמים, פועל ברציפות בענן, יספקו עתודות דינמיות כי לפתח מערכות נתונים מתקדמות, וכן הלאה, כדי לפתח מערכות מידע מתקדמות, וכן הלאה, מערכות מידע מתקדמות, וכן הלאה, וכן הלאה, מערכות מתקדמות, מערכות טכנולוגיות מתקדמות, מערכות טכנולוגיות מתקדמות, יכולות לפתח מערכות טכנולוגיות מתקדמות, וטכנולוגיות מתקדמות, וטכנולוגיות מתקדמות, יכולות לפתח מערכות מידע מתקדמות, כדי לפתח טכנולוגיות מתקדמות יותר, כדי לקדם טכנולוגיות מתקדמות יותר, יכולות לפתח טכנולוגיות מתקדמות, וטכנולוגיות מתקדמות, יכולות טכנולוגיות מתקדמות, וטכנולוגיות טכנולוגיות מתקדמות, יכולות לפתח טכנולוגיות מתקדמות, יכולות לפתח טכנולוגיות מתקדמות, וטכנולוגיות טכנולוגיות מתקדמות.
מסקנה
מחשוב ענן אינו רק דרך מהירה יותר לנהל זרמי עבודה קיימים; זוהי פרדיגמה חדשה המגדירה מחדש את מה שניתן בגיוס עתודות בקנה מידה גדול. על ידי מינוף תשתיות גמישות, ניתוח מתקדם ו- AI, גיאו-מדעיסטים יכולים להפחית את אי הוודאות, להאיץ את זמני הפרויקט, ולשתף פעולה ביעילות רבה יותר מאשר אי פעם.המקרה מחקרים של Shell, Eni, CGG להוכיח כי הטכנולוגיה היא בעלת ערך עסקי מתקדם וספקת ערך חיוני עבור כל תשתית ניהול יעיל יותר מאשר אי-תועלת.