Aprendizaje automático en el campo

Caso en cuestión:una importante empresa de petróleo y gas inició inspecciones de rutina de su red de tuberías, utilizando el mismo dispositivo físico , es decir, "el cerdo". En lugar de enviar los datos sin procesar a analistas humanos y esperar el análisis, se enviaron a una solución de aprendizaje automático. El resultado fue la identificación de una falla grave en una sección que falló tan pronto como el equipo comenzó la procedimiento de limpieza con chorro de arena. Debido a la identificación oportuna, la empresa ahorró al menos $ 10 millones que habrían sido el costo de los daños ya que la sección atravesaba un campo de almendros.

Estos fueron solo los resultados de un solo estudio. Llevemos esto un poco más allá al considerar los 2,7 millones de millas de tubería que recorre América del Norte. Se ha encontrado que casi 2/3 de los estadounidenses viven dentro de los 600 pies de una tubería. En la mayoría de los casos, las autoridades locales buscan ayuda cuando ocurre una falla, ya que sus mapas solo tienen una precisión de hasta 500 pies. La Administración de Seguridad de Tuberías y Materiales Peligrosos (PHMSA, por sus siglas en inglés) informó que entre los años 2006 y 2015, la tubería incidentes creció un 26,8%. Estos incidentes involucró lesiones graves, muerte o bienes que superan los $ 50,000. En promedio, en 2015, hubo casi un incidente por día.

¿Qué significa la ocurrencia de este tipo de incidentes frente a estándares de seguridad estrictos y las inversiones por valor de miles de millones de dólares significan? Simplemente, el sistema actual de mantenimiento no es lo suficientemente efectivo para predecir con precisión la aparición de fallas.

Datos

La metodología de detección no es un problema tan grande; más bien es el uso de los datos recopilados por el cerdo ese es el punto de preocupación. Algunas anomalías simplemente no se pueden identificar directamente a través de las tecnologías actualmente disponibles, lo que requiere una correlación y un análisis profundos de los datos. Esto no significa que la culpa se desplace a los científicos de datos, ya que trabajan con prácticas bien establecidas y tienen experiencia que los ayuda a identificar problemas dentro de un flujo de datos aparentemente ilimitado. La última parte forma el problema más grande. Se reveló que solo el 4 % de los datos recopilados se utiliza cuando se trata de administrar canalizaciones.

Todos los signos apuntan en una dirección:el tamaño gigantesco de los datos.

Hay una crisis inminente que entrará en vigor una vez que se jubilen los expertos más experimentados de la industria. Algunos de estos expertos tienen habilidades extraordinarias para las que es demasiado difícil encontrar reemplazos. Entonces, ¿por qué no traemos computadoras? Sí, seguramente, pero una potencia de procesamiento mucho mayor no hace que las computadoras sean buenas para resolver problemas que requieren capacidad de aprendizaje, juicio y habilidades de observación.

Aprendizaje automático

La brecha entre el conjunto de habilidades que poseen los especialistas experimentados y el poder de procesamiento repetitivo que ofrecen las computadoras se salva con el concepto de aprendizaje automático. Desde 2014, OneBridge Solutions ha brindado sus servicios de análisis de datos al sector del petróleo y el gas, con su plataforma construida sobre Microsoft Azure Cloud.

El aprendizaje automático, cuando se combina con los recursos escalables de la tecnología en la nube, forma una combinación perfecta, lo que ayuda a manejar montones de datos generados por el cerdo. La mejor parte de una solución de este tipo es que se presenta dentro del modelo de software como servicio y, por lo tanto, es fácilmente implementable y manejable por varios clientes.

Las características se alinean con el "estado" del sistema de tuberías, lo que da como resultado la creación de un nuevo "estado" que luego se puede visualizar en una imagen 3D. A través de la gestión de la integridad cognitiva, estas imágenes virtuales se pueden unir para formar sistemas completos de canalización que luego se pueden analizar en cuestión de minutos en lugar de semanas.

Los usuarios del sistema pueden simplemente arrastrar y soltar las hojas de registro de inspección en línea en el sistema, desde donde se recopilan y normalizan en cuestión de minutos. El aprendizaje automático también permite a los equipos de administración de integridad obtener información sobre todo el proceso sin perder demasiado tiempo hojeando los datos.

Además de aumentar la velocidad de operación, Machine Learning también puede mejorar la precisión de los datos, aumentando la efectividad operativa y mejorando la tasa de detección de amenazas. A través de la utilización efectiva de los datos presentados por el cerdo , y presentándolo de manera rápida, completa y precisa, Machine Learning da lugar a especialistas experimentados para analizar y refinar aún más los resultados. El resultado final sería equipos operativos armados con mejores datos, lo que daría como resultado la necesidad de cubrir menos terreno y, en última instancia, menos interrupciones en el lugar de trabajo.

Limpieza de Primavera para Paneles de Control Eléctrico Transformación del movimiento giratorio en lineal