Aprendizado de Máquina Acelera Segurança de Oleodutos: Detecção de Falhas em Tempo Real Economiza $10M

Caso em questão: uma grande empresa de petróleo e gás começou inspeções de rotina de sua rede de oleodutos, usando o mesmo dispositivo físico, ou seja, "o pig". Em vez de enviar os dados brutos para analistas humanos e esperar pela 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 o procedimento de jateamento de areia. Devido à identificação oportuna, a empresa economizou pelo menos $10 milhões, que teriam sido o custo dos danos, pois a seção passava por um pomar de amendoeiras.

Estes foram apenas os resultados de um único estudo. Vamos levar isso a outro nível considerando os 2,7 milhões de milhas de oleodutos que atravessam a América do Norte. Descobriu-se que quase 2/3 dos americanos vivem a 600 pés de um oleoduto. Na maioria dos casos, autoridades locais ficam correndo por ajuda quando uma falha ocorre, pois seus mapas só mantêm precisão até 500 pés. Foi relatado pela Administração de Segurança de Materiais Perigosos e Oleodutos (PHMSA) que entre 2006 e 2015, incidentes de oleodutos cresceram 26,8%. Estes incidentes envolveram ferimentos graves, morte ou propriedade acima de $50.000. Em média em 2015, houve quase um incidente por dia ocorrendo.

O que a ocorrência de tais incidentes diante de padrões de segurança rigorosos e investimentos valendo bilhões de dólares significa? Simplesmente, o sistema atual de manutenção não é eficaz o suficiente para prever com precisão o início de falhas.

Dados

A metodologia de detecção não é tão grande quanto um problema; é o uso dos dados coletados pelo pig que é o ponto de preocupação. Algumas anomalias simplesmente não podem ser identificadas diretamente através das tecnologias atualmente disponíveis, exigindo correlação e análise aprofundada dos dados. Isso não significa que a culpa está 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 dentro de um fluxo de dados aparentemente ilimitado. A última parte forma o problema maior. Foi revelado que apenas 4% dos dados coletados são utilizados quando se trata de gerenciar oleodutos.

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

Há uma crise iminente que terá efeito total uma vez que os especialistas mais experientes da indústria se aposentem. Alguns destes especialistas possuem habilidades extraordinárias que são simplesmente difíceis de encontrar substitutos. Então por que não trazemos computadores? Sim, certamente, mas poder de processamento grandemente aumentado não torna computadores bons em resolver problemas que requerem capacidade de aprendizado, julgamento e habilidades de observação.

Aprendizado de Máquina

A lacuna entre o conjunto de habilidades mantido por especialistas experientes e o poder de processamento repetitivo oferecido por computadores é preenchida pelo conceito de Aprendizado de Máquina. Desde 2014, a OneBridge Solutions tem fornecido seus serviços analíticos de dados ao setor de Petróleo e Gás, com sua plataforma construída sobre o Microsoft Azure Cloud.

Aprendizado de Máquina, quando combinado com os recursos escaláveis da tecnologia em nuvem, faz uma combinação perfeita, ajudando a lidar com montanhas de dados gerados pelo pig. A melhor parte de tal solução é que ela é apresentada dentro do modelo Software como Serviço e é, portanto, facilmente implementável e gerenciável por vários clientes.

Os recursos são alinhados contra o "estado" do sistema de oleoduto, resultando na criação de um novo "estado" que pode então ser visualizado em uma imagem 3D. Através de gerenciamento de integridade cognitivo, tais imagens virtuais podem ser costuradas para formar sistemas de oleodutos inteiros que podem então ser analisados em minutos em vez de semanas.

Os usuários do sistema podem simplesmente arrastar e soltar folhas de contagem de inspeção inline no sistema, de onde são ingeridas e normalizadas em minutos. Aprendizado de máquina também permite que equipes de gerenciamento de integridade obtenham insights sobre todo o oleoduto sem gastar muito tempo folheando os dados.

Além de aumentar a velocidade da operação, o Aprendizado de Máquina também pode melhorar a precisão dos dados, aumentando a eficácia operacional e melhorando a taxa de detecção de ameaças. Através da utilização eficaz dos dados apresentados pelo pig, e apresentando-os de maneira rápida, abrangente e precisa, o Aprendizado de Máquina dá espaço para especialistas experientes analisarem e refinarem ainda mais os resultados. O resultado final seriam equipes operacionais armadas com melhores dados, resultando na necessidade de cobrir menos terreno e, por fim, menos interrupção no local de trabalho.