Apprentissage automatique sur le terrain

Exemple :une grande société pétrolière et gazière a commencé des inspections de routine de son réseau de pipelines, en utilisant le même appareil physique , c'est-à-dire "le cochon". Au lieu d'envoyer les données brutes à des analystes humains et d'attendre leur analyse, elles ont été envoyées à une solution d'apprentissage automatique. Le résultat a été l'identification d'un défaut grave dans une section qui a échoué dès que l'équipage a commencé le procédure de sablage. Grâce à une identification rapide, l'entreprise a économisé au moins 10 millions de dollars, ce qui aurait représenté le coût des dommages, car la section traversait un bosquet d'amandiers.

Ce ne sont que les résultats d'une seule étude. Prenons cela d'un cran en considérant les 2,7 millions de miles de pipeline qui traversent l'Amérique du Nord. Il a été constaté que près des 2/3 des Américains vivent à moins de 600 pieds d'un pipeline. Dans la plupart des cas, les autorités locales se bousculent pour obtenir de l'aide lorsqu'un défaut se produit car leurs cartes n'ont une précision que jusqu'à 500 pieds. Il a été rapporté par la Pipeline and Hazardous Materials Safety Administration (PHMSA) qu'entre les années 2006 et 2015, pipeline em>incidents a augmenté de 26,8 %. Cesincidents impliqué des blessures graves, la mort ou des biens dépassant 50 000 $. En moyenne en 2015, il s'est produit près d'un incident par jour.

Qu'est-ce que la survenance de tels incidents face aux normes de sécurité strictes et que signifient des investissements valant des milliards de dollars ? Simplement, le système de maintenance actuel n'est pas assez efficace pour prédire avec précision l'apparition de pannes.

Données

La méthodologie de détection n'est pas aussi importante qu'un problème; c'est plutôt l'utilisation des données recueillies par le cochon c'est le sujet de préoccupation. Certaines anomalies ne peuvent tout simplement pas être identifiées directement grâce aux technologies actuellement disponibles, ce qui nécessite une corrélation et une analyse approfondies des données. Cela ne signifie pas que le blâme est rejeté sur les scientifiques des données, car ils travaillent autour de pratiques bien établies et ont une expérience qui les aide à identifier les problèmes dans un flux de données apparemment illimité. La dernière partie forme le plus grand problème. Il a été révélé que seulement 4 % des données collectées sont utilisées pour la gestion des pipelines.

Tous les signes pointent vers une direction :la taille gargantuesque des données.

Il y a une crise imminente qui prendra pleinement effet une fois que les experts les plus chevronnés de l'industrie prendront leur retraite. Certains de ces experts possèdent des compétences extraordinaires pour lesquelles il est tout simplement trop difficile de trouver des remplaçants. Alors, pourquoi n'apportons-nous pas d'ordinateurs ? Oui, bien sûr, mais une puissance de traitement considérablement accrue ne rend pas les ordinateurs capables de résoudre des problèmes nécessitant des capacités d'apprentissage, de jugement et d'observation.

Apprentissage automatique

L'écart entre l'ensemble des compétences détenues par un spécialiste expérimenté et la puissance de traitement répétitive offerte par les ordinateurs est comblé par le concept d'apprentissage automatique. Depuis 2014, OneBridge Solutions fournit ses services d'analyse de données au secteur pétrolier et gazier, avec sa plate-forme basée sur Microsoft Azure Cloud.

L'apprentissage automatique, lorsqu'il est combiné aux ressources évolutives de la technologie cloud, constitue une combinaison parfaite, aidant à gérer les tas de données générées par le cochon . La meilleure partie d'une telle solution est qu'elle est présentée dans le modèle Software as a Service et qu'elle est donc facilement implémentable et gérable par divers clients.

Les caractéristiques sont alignées sur "l'état" du système de pipeline, ce qui entraîne la création d'un nouvel "état" qui peut ensuite être visualisé sur une image 3D. Grâce à la gestion de l'intégrité cognitive, ces images virtuelles peuvent être assemblées pour former des systèmes de pipeline entiers qui peuvent ensuite être analysés en quelques minutes plutôt qu'en semaines.

Les utilisateurs du système peuvent simplement glisser-déposer des feuilles de pointage d'inspection en ligne dans le système, à partir desquelles elles sont ingérées et normalisées en quelques minutes. L'apprentissage automatique permet également aux équipes de gestion de l'intégrité d'obtenir des informations sur l'ensemble du pipeline sans passer trop de temps à parcourir les données.

En plus d'augmenter la vitesse de fonctionnement, l'apprentissage automatique peut également améliorer la précision des données, augmenter l'efficacité opérationnelle et améliorer le taux de détection des menaces. Grâce à une utilisation efficace des données présentées par le cochon , et en le présentant de manière rapide, complète et précise, l'apprentissage automatique laisse la place à un spécialiste expérimenté pour analyser et affiner davantage les résultats. Le résultat final serait des équipes opérationnelles dotées de meilleures données, ce qui entraînerait la nécessité de couvrir moins de terrain et, en fin de compte, moins de perturbations sur le chantier.

Nettoyage de printemps pour les panneaux de contrôle électriques Transformer le mouvement rotatif en linéaire