Le Machine Learning accélère la sécurité des pipelines : Détection de défauts en temps réel économise 10M$

Cas concret : Une grande entreprise pétrolière et gazière a commencé des inspections de routine de son réseau de pipelines, en utilisant le même dispositif physique, c'est-à-dire « le pig » (outil d'inspection). Au lieu d'envoyer les données brutes aux analystes humains et d'attendre l'analyse, elles ont été envoyées à une solution de machine learning. Le résultat a été l'identification d'un défaut grave dans une section qui a cédé dès que l'équipe a commencé la procédure de sablage. Grâce à l'identification opportune, l'entreprise a économisé au moins 10 millions de dollars qui auraient été le coût des dommages car la section traversait une amanderaie.

Ce n'étaient que les résultats d'une seule étude. Prenons cela un cran plus haut 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 ft d'un pipeline. Dans la plupart des cas, les autorités locales sont laissées à chercher de l'aide quand un défaut se produit car leurs cartes ne sont précises qu'à 500 ft près. Il a été rapporté par l'Administration de la Sécurité des Pipelines et des Matériaux Dangereux (PHMSA) qu'entre 2006 et 2015, les incidents de pipeline ont augmenté de 26,8 %. Ces incidents impliquaient blessures graves, décès ou dommages immobiliers dépassant 50 000 $. En moyenne en 2015, il y avait presque un incident par jour.

Que signifie la survenue de tels incidents face à des normes de sécurité strictes et des investissements valant des milliards de dollars ? Simplement, le système actuel de maintenance n'est pas assez efficace pour prédire avec précision l'apparition des défauts.

Données

La méthodologie de détection n'est pas le problème principal ; c'est plutôt l'utilisation des données collectées par le pig qui est le point de préoccupation. Certaines anomalies ne peuvent simplement pas être identifiées directement par les technologies actuellement disponibles, nécessitant une corrélation et une analyse approfondie des données. Cela ne signifie pas que la faute incombe aux data scientists, car ils travaillent autour de pratiques bien établies et ont l'expérience qui les aide à identifier les problèmes dans un flux de données apparemment illimité. La dernière partie forme le problème plus large. Il a été révélé que seulement 4 % des données collectées sont utilisées quand il s'agit de gérer les pipelines.

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

Il y a une crise imminente qui prendra plein effet une fois que les experts les plus chevronnés de l'industrie prendront leur retraite. Certains de ces experts détiennent des compétences extraordinaires qui sont simplement trop difficiles à remplacer. Alors pourquoi ne pas faire intervenir les ordinateurs ? Oui, sûrement, mais une puissance de traitement grandement accrue ne rend pas les ordinateurs bons pour résoudre des problèmes qui nécessitent une capacité d'apprentissage, de jugement et d'observation.

Machine Learning

Le fossé entre l'ensemble de compétences tenu par les spécialistes expérimentés et la puissance de traitement répétitive offerte par les ordinateurs est comblé par le concept de Machine Learning. Depuis 2014, OneBridge Solutions fournit ses services d'analyse de données au secteur Pétrole et Gaz, avec sa plateforme construite sur Microsoft Azure Cloud.

Le Machine Learning, combiné aux ressources évolutives de la technologie cloud, forme une combinaison parfaite, aidant à gérer des montagnes de données générées par le pig. La meilleure partie d'une telle solution est qu'elle est présentée dans le modèle Software as a Service et est ainsi facilement implémentable et gérable par divers clients.

Les fonctionnalités sont alignées contre l'« état » du système de pipeline, résultant en la création d'un nouvel « état » qui peut ensuite être visualisé sur une image 3D. Grâce à la gestion d'intégrité cognitive, de telles images virtuelles peuvent être assemblées pour former des systèmes de pipeline entiers qui peuvent ensuite être analysés en minutes plutôt qu'en semaines.

Les utilisateurs du système peuvent simplement glisser-déposer les feuilles de tally d'inspection en ligne dans le système, d'où elles sont ingérées et normalisées en quelques minutes. Le Machine Learning permet également aux équipes de gestion d'intégrité d'obtenir des insights sur l'ensemble du pipeline sans passer trop de temps à parcourir les données.

En plus d'augmenter la vitesse d'opération, le Machine Learning peut aussi améliorer la précision des données, augmentant l'efficacité opérationnelle et améliorant le ratio de détection des menaces. Grâce à l'utilisation efficace des données présentées par le pig, et les présentant de manière rapide, complète et précise, le Machine Learning laisse place aux spécialistes expérimentés pour analyser et affiner davantage les résultats. Le résultat final serait des équipes opérationnelles armées de meilleures données, résultant en la nécessité de couvrir moins de terrain et finalement moins de perturbation sur le site de travail.