Aprendizado de máquina em campo

Caso em questão:Uma grande empresa de petróleo e gás iniciou inspeções de rotina em sua rede de dutos, usando o mesmo dispositivo físico , ou seja, "o porco". Em vez de enviar os dados brutos para analistas humanos e aguardar a análise, eles foram enviados para uma solução de aprendizado de máquina. O resultado foi a identificação de uma falha grave em uma seção que falhou assim que a equipe começou a Procedimento de jateamento de areia Devido à identificação oportuna, a empresa economizou pelo menos US$ 10 milhões, o que teria sido o custo dos danos, pois a seção atravessava um bosque de amendoeiras.

Estes foram apenas os resultados de um único estudo. Vamos aumentar isso considerando os 2,7 milhões de quilômetros de oleodutos que atravessam a América do Norte. Verificou-se que quase 2/3 dos americanos vivem a menos de 600 pés de um oleoduto. Na maioria dos casos, as autoridades locais ficam lutando por ajuda quando ocorre uma falha, pois seus mapas só têm precisão de até 500 pés. Foi relatado pela Administração de Segurança de Materiais Perigosos (PHMSA) que entre os anos de 2006 e 2015, o gasoduto incidentes cresceu 26,8%. Essesincidentes envolveu ferimentos graves, morte ou propriedade superior a $ 50.000. Em média, em 2015, ocorreu quase um incidente por dia.

O que a ocorrência de tais incidentes em face de padrões de segurança rigorosos e investimentos no valor de bilhões de dólares significam? Simplesmente, o atual sistema de manutenção não é eficaz o suficiente para prever com precisão o aparecimento de falhas.

Dados

A metodologia de detecção não é um problema tão grande; em vez disso, é o uso dos dados coletados pelo porco esse é o ponto de preocupação. Algumas anomalias simplesmente não podem ser identificadas diretamente por meio das tecnologias atualmente disponíveis, exigindo uma profunda correlação e análise dos dados. Isso não significa que a culpa esteja sendo transferida para os cientistas de dados, pois eles trabalham em torno de práticas bem estabelecidas e têm experiência que os ajuda a identificar problemas em um fluxo de dados aparentemente ilimitado. A última parte forma a questão maior. Foi revelado que apenas 4% dos dados coletados são utilizados quando se trata de gerenciamento de pipelines.

Todos os sinais apontam para uma direção:o tamanho gigantesco dos dados.

Há uma crise iminente que entrará em vigor quando os especialistas mais experientes do setor se aposentarem. Alguns desses especialistas possuem habilidades extraordinárias que são simplesmente muito difíceis de encontrar substitutos. Então, por que não trazemos computadores? Sim, com certeza, mas o poder de processamento muito maior não torna os computadores bons para resolver problemas que exigem capacidade de aprendizado, julgamento e habilidades de observação.

Aprendizado de máquina

A lacuna entre o conjunto de habilidades de um especialista experiente e o poder de processamento repetitivo oferecido pelos computadores é superada pelo conceito de Machine Learning. Desde 2014, a OneBridge Solutions fornece seus serviços de análise de dados para o setor de Petróleo e Gás, com sua plataforma construída sobre o Microsoft Azure Cloud.

Machine Learning, quando combinado com os recursos escaláveis ​​da tecnologia em nuvem formam uma combinação perfeita, ajudando a lidar com montes de dados gerados pelo pig. A melhor parte de tal solução é que ela é apresentada dentro do modelo Software as a Service e, portanto, é facilmente implementável e gerenciável por vários clientes.

Os recursos são alinhados com o “estado” do sistema de tubulação, resultando na criação de um novo “estado” que pode ser visualizado em uma imagem 3D. Por meio do gerenciamento de integridade cognitiva, essas imagens virtuais podem ser unidas para formar sistemas de pipeline inteiros que podem ser analisados ​​em minutos, em vez de semanas.

Os usuários do sistema podem simplesmente arrastar e soltar as folhas de registro de inspeção em linha no sistema, de onde elas são ingeridas e normalizadas em minutos. O aprendizado de máquina também permite que as equipes de gerenciamento de integridade obtenham insights sobre todo o pipeline sem gastar muito tempo examinando os dados.

Além de aumentar a velocidade de operação, o Machine Learning também pode melhorar a precisão dos dados, aumentando a eficácia operacional e aprimorando a taxa de detecção de ameaças. Através da utilização eficaz dos dados apresentados pelo porco , e apresentando-o de forma ágil, abrangente e precisa, o Machine Learning dá espaço para especialistas experientes analisarem e refinarem ainda mais os resultados. O resultado final seriam equipes operacionais armadas com dados melhores, resultando na necessidade de cobrir menos terreno e, em última análise, menos interrupções no local de trabalho.

Limpeza de Primavera para Painéis de Controle Elétricos Transformando o movimento rotário em linear