Analisis Data-2022

Perusahaan minyak dan gas mulai berinvestasi lebih banyak dalam transisi energi dan menetapkan target pengurangan emisi, seperti B. akhir dari ventilasi dan pembakaran gas secara rutin, dengan beberapa mencapai target nol bersih pada pertengahan abad. Untuk membuka jalan menuju nol bersih, diperlukan berbagai teknologi iklim dengan tingkat kematangan yang berbeda. Ini termasuk elektrifikasi dan dekarbonisasi jaringan, kemajuan teknologi baterai, bahan bakar hidrogen biru dan hijau, bioenergi, penggunaan dan penyimpanan karbon, dan mitigasi emisi gas rumah kaca yang kuat seperti metana.

Pandemi COVID-19 telah membantu mempercepat laju transformasi digital di industri minyak dan gas. Memang, digitalisasi adalah bagian dari transisi energi yang lebih luas yang terjadi di industri. Ini termasuk berpindah dari pusat data lokal ke cloud, membangun kembar digital aset fisik, mengotomatiskan proses dengan Internet of Things (IoT), memanfaatkan sejumlah besar data dari operasi minyak dan gas untuk kecerdasan buatan/pembelajaran mesin (AI/ ML), komputasi kinerja tinggi berbasis cloud untuk aplikasi seperti pencitraan seismik untuk penangkapan dan penyimpanan karbon, dan pemeliharaan prediktif untuk memperbaiki peralatan yang bocor guna mengurangi dampak lingkungan dari operasi. Teknologi ini dirancang untuk meningkatkan produktivitas, meningkatkan efisiensi operasional, mengurangi waktu henti, meningkatkan penghematan biaya, dan menurunkan intensitas karbon operasi.

Also Read :  Analisis pencitraan retina yang dibantu kecerdasan buatan dapat memprediksi kematian kardiovaskular

Laporan Badan Energi Internasional, Industri Minyak dan Gas dalam Transisi Energi, menemukan bahwa pengurangan emisi metana ke atmosfer adalah cara paling penting dan paling murah bagi industri untuk mengurangi emisi ini. Ini adalah area yang dapat mengambil manfaat secara signifikan dari penggunaan teknik deteksi dan perbaikan kebocoran AI/ML (LDAR). Teknik ML seperti computer vision dan deteksi anomali dapat digunakan untuk mengidentifikasi kebocoran metana besar dan lokal menggunakan data penginderaan jauh dan aliran data dari sensor IoT di lapangan. Kombinasi modalitas data dengan resolusi spatio-temporal yang berbeda bersama dengan teknologi AI/ML yang sesuai akan sangat penting untuk program LDAR metana yang efektif.

Ketika organisasi berusaha untuk mengurangi emisi Cakupan 1, 2, dan 3 mereka, memecah silo data dan menetapkan standarisasi data dengan model data umum pada integrasi sistem menjadi penting untuk mengembangkan strategi pengurangan emisi yang optimal. Aliran informasi yang lancar memungkinkan pembuatan kumpulan data dengan ketelitian tinggi yang dapat digunakan untuk mengurangi jejak operasional dan meningkatkan dampak bisnis dengan solusi AI. Dengan teknologi berkemampuan cloud yang didukung oleh penerapan ML dan pembelajaran mendalam, organisasi dapat menggabungkan kecepatan implementasi dengan skalabilitas untuk mempercepat upaya transisi energi mereka.

Also Read :  Wawancara eksklusif: Bagaimana AI dapat mencegah gangguan dalam rantai pasokan

Saya ingin mengajak pembaca untuk melihat pilihan artikel untuk mendapatkan gambaran tentang aplikasi yang berbeda di ruang hulu migas di mana metode ML telah digunakan. Makalah unggulan mencakup penggunaan model berbasis transformator untuk memprediksi produksi minyak, penggunaan analisis data untuk mempelajari hubungan sumur induk-anak dalam deposit serpih, dan penggunaan jaringan saraf convolutional dalam analisis inti.

Postingan teknis bulan ini

Model berbasis transformator membantu memprediksi produksi intermiten dari sumur minyak

Studi Analisis Data Mengklarifikasi Hubungan Sumur Orang Tua-Anak di Tangki Inkonvensional

Pembelajaran mesin menghidupkan data warisan analitik inti yang sangat besar

Bacaan tambahan yang direkomendasikan

SPE 207744 Mempercepat pemrosesan dan interpretasi data bawah permukaan dengan sistem inversi bentuk gelombang penuh berbasis cloud oleh Sirivan Chaleunxay, Amazon Web Services, dkk.

SPE 205443 Pendekatan Pemrosesan Bahasa Alami dan Penambangan Teks dalam Analisis Kekurangan Produksi: Metodologi, Studi Kasus, dan Nilai di Laut Utara oleh Edgar Bernier, Total Denmark, dkk.

Also Read :  Analisis pekerja Amerika menunjukkan bahwa jenis rencana pensiun mempengaruhi kebiasaan belanja

URTEC 208367 Aplikasi Real-Time untuk Operasi Geologi: Kasus Penggunaan AI yang Dapat Diulang oleh Alfio Malossi, Eni, dkk.


Yagna Oruganti, SPE, adalah Ilmuwan Data Senior di Microsoft di Houston. Di Microsoft, fokusnya adalah pada kecerdasan buatan dan aplikasi pembelajaran mesin untuk industri energi dengan fokus khusus pada keberlanjutan. Selama 12 tahun terakhir, Oruganti telah memegang berbagai posisi sebagai ilmuwan riset, insinyur reservoir, dan ilmuwan data. Pengalaman kerjanya meliputi 7 tahun di Baker Hughes di mana dia fokus pada simulasi reservoir untuk deposit serpih yang tidak konvensional dan pembelajaran mesin untuk berbagai aplikasi bawah tanah. Oruganti adalah penulis atau rekan penulis lebih dari 14 publikasi teknis di bidang rekayasa reservoir, penyerapan karbon, dan analisis data dan pembelajaran mesin di industri minyak dan gas. Dia meraih gelar sarjana di bidang teknik kimia dari Indian Institute of Technology Madras dan gelar master di bidang teknik perminyakan dari University of Texas di Austin. Dia adalah anggota dari JPT Dewan Peninjau Editorial dan anggota SPE Data Science and Engineering Analytics Advisory Committee. Oruganti dapat dihubungi di [email protected]