¿Cuáles son las aplicaciones de la ciencia de datos y el aprendizaje automático en las industrias de petróleo y gas?

He leído las otras respuestas de personas ajenas a la industria. Permítame darle una respuesta dentro de la industria.

Actualmente no hay aprendizaje automático y no concibo una aplicación para ello. Si bien hemos automatizado muchas cosas, y las máquinas ahora hacen gran parte del trabajo manual sobre el suelo que los humanos hacían anteriormente, estas son tareas simples, bien definidas y que no evolucionan. Las máquinas no necesitan aprender nada.

Las herramientas de fondo de pozo ya usan datos sensoriales y funcionan de manera autónoma. Los sensores y los datos son tan simples que las “decisiones” tomadas por las herramientas de fondo de pozo son aproximadamente tan simples como las “decisiones” tomadas por el antiguo control de velocidad de su automóvil, tan simple que la programación no ha cambiado en años y no necesita a. Son muy parecidos a los misiles balísticos. Les decimos a dónde ir y, a menos que se rompan, van a donde se les dice. Sus únicas decisiones se toman usando bucles iterativos. Las máquinas de fondo de pozo no necesitan aprender porque sus trabajos son increíblemente simples.

Fui testigo del intento de BHP Billiton de utilizar “big data” para optimizar las operaciones de perforación. Fracasó lamentablemente porque los analistas de datos no sabían nada sobre el significado de las estadísticas que estaban acumulando. Debido a esto, sacaron muchas conclusiones erróneas. Los grandes datos son de interés al analizar una gran cantidad de puntos de datos, como en el comportamiento del consumidor o del votante. Cuando se trata de conjuntos de datos más pequeños y más granulares, las conclusiones de Big Data pueden ser muy engañosas. Una compañía petrolera puede emplear desde unos pocos hasta unos cientos de equipos de perforación repartidos por todo el mundo, muchos de ellos operando en circunstancias únicas. Sacar conclusiones de ese tipo de datos granulares no se realiza mejor con algoritmos. Siempre es mejor hacerlo por humanos experimentados y conocedores. No veo una aplicación ascendente para big data. Incluso nuestros “pequeños datos” son usualmente mal utilizados.

La refinación y las tuberías, la parte intermedia del negocio, no se trata de comportamiento y decisiones. Se trata de procesos continuos, bien definidos y sin evolución. Ya tenemos sensores conectados a controles automatizados para refinar y enviar hidrocarburos. No requerimos análisis estadísticos, ni nuestros controles automatizados tienen nada que aprender. Claro, los ingenieros y científicos encuentran formas de mejorar los equipos y métodos, pero estas mejoras generalmente vienen con aumentos en el capital disponible y avances en la ciencia de los materiales, no con la reinterpretación de conjuntos de datos.

Aguas abajo, la planificación y comercialización de productos petrolíferos, emplea el análisis de la oferta y la demanda y el comportamiento del consumidor. La cantidad de personas que compran hidrocarburos probablemente sea solo superada por la cantidad de personas que compran alimentos y refugio, y el petróleo y el gas también juegan en esos mercados. Analizar el rendimiento de la competencia y el comportamiento del consumidor implican grandes conjuntos de datos, sin mucha granularidad. Ahí es donde podríamos usar big data.

Por lo tanto, si desea trabajar con máquinas inteligentes o estadísticas, las industrias del petróleo y el gas no son su mejor opción. Nuestras tareas mecánicas están bien definidas y la mayoría de nuestros datos son demasiado granulares para utilizar el análisis estadístico de big data.

Si desea trabajar con máquinas inteligentes, miraría la industria del automóvil sin conductor. Si desea trabajar con grandes datos, verificaría la NSA, que parece estar acumulando conjuntos de datos más grandes que nadie en el planeta en cualquier momento de la historia mundial. Es posible que también necesiten máquinas inteligentes porque tarde o temprano querrán tomar decisiones automáticas y alterar los algoritmos de vigilancia según lo que salga de sus enormes conjuntos de datos.

¡Tal vez la NSA esté observando a Quora, y nos harán llegar tu publicación y nos pondremos en contacto contigo!

Buena suerte.

Estoy mucho más familiarizado con la parte ascendente del negocio que con la mitad, la baja o la química y ofrezco el siguiente pensamiento. Puede considerar aplicaciones para la optimización de la producción de pozos, especialmente aquellos en levantamiento artificial, por ejemplo, pozos en levantamiento de émbolo, bomba de haz, etc. Estas son aplicaciones para las cuales la cantidad de datos recopilados supera con creces lo que los humanos pueden procesar por completo, pero los humanos no obstante encargado de operar y optimizar. La economía de los pozos productores está fuertemente influenciada por la tasa y el costo de producción (la mano de obra tiende a ser un componente importante). El aprendizaje automático tiene el potencial de mejorar la tasa de producción y reducir los costos de mano de obra (o mantener el costo de mano de obra y reasignar a los humanos a problemas para los que están mejor preparados, es decir, aquellos que son menos repetitivos y requieren una mayor cantidad de datos).

La industria del petróleo y el gas fue una de las primeras en adoptar la ciencia de datos. Sin embargo, no se conocía como ciencia de datos en ese entonces. La exploración del petróleo se basó en gran medida en las estadísticas bayesianas, que es más o menos un pilar de la ciencia de los datos. He trabajado para una empresa de análisis de petróleo y gas, como una de las respuestas que se menciona a continuación. BHP Biliton fue uno de nuestros clientes. Cada compañía de E&P está adoptando la ciencia de datos para optimizar las operaciones de perforación, selección de equipos, selección de tripulación, optimización de producción, optimización de almacenamiento. A continuación se dan algunos ejemplos de la parte superior de mi cabeza y en mi propio idioma, sepa que he trabajado en la optimización de perforación, por lo tanto, la mayoría de los temas a continuación están relacionados con la perforación.
1) Optimización de la tasa de penetración a través del análisis histórico de datos de formación geológica y construcción de ML para minimizar la energía mecánica específica mientras lo hace.
2) Identificar la causa raíz de la falla del equipo y construir el algoritmo ML para predecir la falla.
3) Predicción de falla del equipo en el fondo del pozo (gran tema)
4) Corrección de trayectoria durante la perforación
5) Procesamiento de señales y predicción de fallas relacionadas con el torque en el fondo del pozo
6) Mercados de gas natural (precio de oferta y demanda)

Hay muchas aplicaciones, estoy tratando de entrar y el papel de la ciencia de datos de petróleo y gas yo mismo, pero los científicos de datos con al menos 5–6 años de experiencia normalmente son contratados. Estoy seguro de que si observa ahora, encontrará un ‘científico de datos’, ‘estadístico’, ‘analista predictivo’ en casi todos los servicios de O&G y las compañías de E&P.

Una de las capacidades únicas que los algoritmos de aprendizaje automático traen a la mesa es la capacidad de identificar cómo las condiciones dinámicas y cambiantes producen diferentes eventos. En lugar de solo medir los diferenciales de presión entre zonas, los algoritmos de aprendizaje automático pueden analizar los datos operativos de los activos, las presiones, las propiedades del lodo, la temperatura y cualquier otro dato para comprender exactamente lo que sucede en el fondo del pozo en ese pozo específico. Más impresionantemente, estos algoritmos pueden hacer esto sin aprovechar las ecuaciones basadas en la física que han sido el elemento básico de esta industria durante décadas.

Luego, todos estos datos se analizan de manera automatizada para comprender si las condiciones existentes podrían conducir a un evento no óptimo, como una patada, un reventón o una falla en la boca del pozo. Debido a la comprensión innata del algoritmo de lo que contribuye a la probabilidad de cada evento, las recomendaciones se pueden alimentar al sistema de control para no solo minimizar las probabilidades de que ocurra un evento, sino también para maximizar la salida.

Haga clic aquí para leer el artículo completo: petróleo y gas, IA y la promesa de un mejor mañana

Los proyectos emprendidos por compañías de petróleo y gas que tienen operaciones altamente complejas, gestión de recursos, gestión de capital y gestión de inventarios, entre otros, están a la vanguardia de la demanda de software de gestión de proyectos de petróleo y gas a nivel mundial. Este software altamente sofisticado y eficiente es aprovechado por las compañías de petróleo y gas para manejar sus proyectos de capital.

El software de gestión de proyectos de petróleo y gas tiene muchas ventajas. Permiten a las empresas utilizar adecuadamente los recursos y mantener una ficha sobre el progreso de los proyectos. También ayudan a las empresas a comprender los riesgos y lograr el cumplimiento. Además, ayudan con análisis e informes también.

Proporcionar vientos en contra al mercado mundial de software de gestión de proyectos de petróleo y gas son las crecientes inversiones en energía alternativa como la eólica, solar, mareomotriz, nuclear y de agua. Además, la enorme brecha entre la demanda y la oferta de petróleo y gas también está actuando como un elemento disuasorio para el mercado.

Folleto para análisis completo – PDF

La ciencia de datos y el aprendizaje automático serán dos grandes tecnologías en O&G pronto. De hecho ya ha comenzado.

Las razones obvias son:

1. Quieren aprender de los datos disponibles y desarrollar mejores modelos (para perforación, exploración, mantenimiento de herramientas, etc.)
2. La mayoría de los datos (mediciones) ahora se están moviendo a la nube. Mientras que tradicionalmente estos datos eran almacenados y accedidos por pocas ubicaciones, ahora los datos estarán disponibles para un gran grupo de científicos e ingenieros. Por eso quieren que estos datos sean analizados y representados de manera significativa.

El aprendizaje automático ya está en proceso de implementación ahora, en términos de:

1. Limite la participación humana. Por ejemplo, cuando se perfora, hay muy poca comunicación en tiempo real. El método de telemetría más utilizado es el pulso de lodo, que es brutalmente lento. Por lo tanto, es muy difícil navegar por una herramienta de perforación en tiempo real. Este es un lugar donde está llegando el aprendizaje automático, donde las herramientas de perforación tomarán decisiones inteligentes.
2. Racionalización de la fuerza laboral. Con el reciente colapso petrolero, las compañías ahora están buscando hacer más con menos. Una forma de lograr esto es hacer que las herramientas y el software sean más inteligentes.

O&G es una industria antigua pero muy complicada. Uno que tiene muchas tecnologías involucradas. Tiene una gran cantidad de datos generados todos los días. Estas compañías pueden parecer viejos dinosaurios, pero se están moviendo con la nueva tecnología.

El equipo de desarrollo de software dedicado al que trabajamos para un cliente en Noruega creó una plataforma de software llamada MyDrilling, que es una plataforma de comunicación interactiva basada en la web. Muestra correspondencia continua e información precisa a su equipo de aparejos en el momento adecuado.

No soy un experto, pero recomendaría el trabajo de un ex colega como un buen lugar para comenzar a comprender la aplicación de la inteligencia artificial en el desarrollo de campos petroleros. Andrei S Popa – Citas de Google Académico