Machine Learning Versnelt Pijpleiding Veiligheid: Realtime Foutdetectie Bespaart $10M

Case in point: Een grote olie- en gasmaatschappij begon routinematige inspecties van haar pijpleidingnetwerk, met hetzelfde fysieke apparaat, d.w.z. "de pig." In plaats van de ruwe data naar menselijke analisten te sturen en te wachten op analyse, werd het naar een machine learning oplossing gestuurd. Het resultaat was de identificatie van een ernstige fout in een sectie die faalde zodra de bemanning de zandstraalprocedure begon. Door tijdige identificatie, bespaarde het bedrijf ten minste $10 miljoen wat de kosten van schade geweest zouden zijn aangezien de sectie door een amandelhoef liep.

Dit waren slechts de resultaten van een enkele studie. Laten we dit een stapje optrekken door de 2,7 miljoen mijl pijpleiding in overweging te nemen die door Noord-Amerika loopt. Er is gevonden dat bijna 2/3 van Amerikanen binnen 600 ft van een pijpleiding wonen. In de meeste gevallen zijn lokale autoriteiten in de war om hulp te zoeken wanneer een fout optreedt, aangezien hun kaarten alleen nauwkeurigheid tot 500 ft hebben. Het werd gerapporteerd door de Pipeline and Hazardous Materials Safety Administration (PHMSA) dat tussen de jaren 2006 en 2015, pijpleiding incidenten met 26,8% toegenomen. Deze incidenten betroffen ernstige letsel, dood of schade boven de $50.000. Gemiddeld in 2015, was er bijna één incident per dag.

Wat betekent het voorkomen van dergelijke incidenten in het gezicht van strenge veiligheidsstandaarden en investeringen van miljarden dollars? Eenvoudig: het huidige systeem van onderhoud is niet effectief genoeg om de aanvang van fouten nauwkeurig te voorspellen.

Data

De detectiemethodologie is niet zo groot een kwestie; het is eerder het gebruik van de data verzameld door de pig dat het punt van bezorgdheid is. Sommige anomalieën kunnen niet direct geïdentificeerd worden door de momenteel beschikbare technologieën, wat diepgaande correlatie & analyse van de data vereist. Dit betekent niet dat de schuld verschoven wordt naar de data wetenschappers, aangezien ze werken rond goed gevestigde praktijken en ervaring hebben die hen helpt problemen te identificeren binnen een schijnbaar onbeperkte stroom van data. Het laatste deel vormt het grotere probleem. Er werd onthuld dat slechts 4% van de verzamelde data gebruikt wordt wanneer het gaat om het beheren van pijpleidingen.

Alle wijzers wijzen naar één richting: de reusachtige omvang van data.

Er is een dreigende crisis die volledig effect zal sorteren zodra de meest ervaren experts van de industrie met pensioen gaan. Sommige van deze experts bezitten buitengewone vaardigheden die simpelweg te moeilijk zijn om vervangers voor te vinden. Waarom brengen we computers niet in? Zeker, maar de sterk toegenomen verwerkingskracht maakt computers niet goed in het oplossen van problemen die leervermogen, oordeel en waarnemingsvaardigheden vereisen.

Machine Learning

De kloof tussen de vaardigheidenset die ervaren specialisten bezitten en de herhalende verwerkingskracht die computers bieden, wordt overbrugd door het concept van Machine Learning. Sinds 2014 levert OneBridge Solutions zijn data-analytische diensten aan de Olie- en Gassector, met zijn platform gebouwd op Microsoft Azure Cloud.

Machine Learning, gecombineerd met de schaalbare bronnen van cloud technologie, maken een perfecte combinatie, helpend om hoopen data gegenereerd door de pig te hanteren. Het beste deel van zo'n oplossing is dat het gepresenteerd wordt binnen het Software as a Service model en dus gemakkelijk implementeerbaar en beheerbaar is door diverse cliënten.

De functies zijn afgestemd op de "staat" van het pijpleidingssysteem, wat resulteert in de creatie van een nieuwe "staat" die vervolgens gevisualiseerd kan worden op een 3D afbeelding. Door cognitieve integriteitsbeheer, kunnen dergelijke virtuele afbeeldingen samengevoegd worden om gehele pijpleidingssystemen te vormen die dan binnen minuten geanalyseerd kunnen worden in plaats van weken.

Gebruikers van het systeem kunnen eenvoudig inline inspectietellingen in het systeem slepen en neerzetten, waarvandaan ze binnen minuten geïngeste en genormaliseerd worden. Machine learning stelt ook integriteitsbeheerteams in staat om inzicht te krijgen in de gehele pijpleiding zonder te veel tijd door te brengen aan het doorbladeren van de data.

Naast het verhogen van de operatiesnelheid, kan Machine Learning ook de precisie van data verbeteren, de operationele effectiviteit verhogen en de dreigingsdetectieratio verbeteren. Door effectief gebruik van data gepresenteerd door de pig, en het presenteren in een snelle, uitgebreide en nauwkeurige manier, geeft Machine Learning ruimte aan ervaren specialisten om de resultaten te analyseren en verder te verfijnen. Het eindresultaat zou operationele bemeningen zijn die gewapend zijn met betere data, wat resulteert in de noodzaak om minder grond af te leggen en uiteindelijk minder storing op de werkplek.