Maschinelles Lernen im Feld

Ein typisches Beispiel:Ein großes Öl- und Gasunternehmen begann mit Routineinspektionen seines Pipelinenetzes, wobei dasselbe physische Gerät verwendet wurde , also „das Schwein“. Sandstrahlverfahren. Aufgrund der rechtzeitigen Identifizierung sparte das Unternehmen mindestens 10 Millionen US-Dollar ein, die die Kosten für Schäden gewesen wären, da der Abschnitt durch einen Mandelhain verlief.

Dies waren nur die Ergebnisse einer einzigen Studie. Lassen Sie uns noch eine Stufe höher gehen, indem wir die 2,7 Millionen Meilen lange Pipeline betrachten, die durch Nordamerika verläuft. Es wurde festgestellt, dass fast 2/3 der Amerikaner weniger als 600 Fuß von einer Pipeline entfernt leben. In den meisten Fällen suchen die lokalen Behörden nach Hilfe, wenn ein Fehler auftritt, da ihre Karten nur eine Genauigkeit von bis zu 500 Fuß aufweisen. Die Pipeline and Hazardous Materials Safety Administration (PHMSA) berichtete, dass zwischen den Jahren 2006 und 2015 die Pipeline Vorfälle wuchs um 26,8 %. Diese Vorfälle mit schweren Verletzungen, Tod oder Sachwerten im Wert von über 50.000 US-Dollar. Im Jahr 2015 kam es durchschnittlich zu fast einem Vorfall pro Tag.

Was bedeutet das Auftreten solcher Vorfälle angesichts strenger Sicherheitsstandards und Investitionen in Milliardenhöhe bedeuten? Das derzeitige Wartungssystem ist einfach nicht effektiv genug, um das Auftreten von Fehlern genau vorherzusagen.

Daten

Die Erkennungsmethodik ist kein so großes Problem; vielmehr ist es die Nutzung der vom Schwein gesammelten Daten das ist der Punkt der Sorge. Einige Anomalien können mit den derzeit verfügbaren Technologien einfach nicht direkt identifiziert werden, was eine eingehende Korrelation und Analyse der Daten erfordert. Dies bedeutet nicht, dass die Schuld auf die Data Scientists abgewälzt wird, da sie mit etablierten Praktiken arbeiten und über Erfahrungen verfügen, die ihnen helfen, Probleme in einem scheinbar unbegrenzten Datenstrom zu identifizieren. Der letzte Teil bildet das größere Thema. Es zeigte sich, dass nur 4 % der gesammelten Daten für die Verwaltung von Pipelines verwendet werden.

Alle Zeichen weisen in eine Richtung:die gigantische Datenmenge.

Es droht eine Krise, die ihre volle Wirkung entfalten wird, sobald die erfahrensten Experten der Branche in den Ruhestand gehen. Einige dieser Experten verfügen über außergewöhnliche Fähigkeiten, die einfach zu schwer zu ersetzen sind. Warum bringen wir also keine Computer mit? Ja, sicher, aber eine stark erhöhte Rechenleistung macht Computer nicht gut darin, Probleme zu lösen, die Lernfähigkeit, Urteilsvermögen und Beobachtungsgabe erfordern.

Maschinelles Lernen

Die Lücke zwischen den Fähigkeiten erfahrener Spezialisten und der sich wiederholenden Rechenleistung von Computern wird durch das Konzept des maschinellen Lernens überbrückt. Seit 2014 bietet OneBridge Solutions seine Datenanalysedienste für den Öl- und Gassektor an, wobei seine Plattform auf der Microsoft Azure Cloud aufbaut.

Maschinelles Lernen bildet in Kombination mit den skalierbaren Ressourcen der Cloud-Technologie eine perfekte Kombination, die hilft, mit den vom Schwein generierten Datenbergen umzugehen. Das Beste an einer solchen Lösung ist, dass sie innerhalb des Software-as-a-Service-Modells präsentiert wird und daher von verschiedenen Kunden leicht implementiert und verwaltet werden kann.

Die Merkmale werden am „Zustand“ des Rohrleitungssystems ausgerichtet, wodurch ein neuer „Zustand“ entsteht, der dann auf einem 3D-Bild visualisiert werden kann Durch kognitives Integritätsmanagement können solche virtuellen Bilder zu ganzen Pipeline-Systemen zusammengefügt werden, die dann innerhalb von Minuten statt Wochen analysiert werden können.

Die Benutzer des Systems können Inline-Inspektionslisten einfach per Drag-and-Drop in das System ziehen, von wo aus sie innerhalb von Minuten aufgenommen und normalisiert werden. Durch maschinelles Lernen können Integritätsmanagementteams auch Einblicke in die gesamte Pipeline gewinnen, ohne zu viel Zeit damit zu verbringen, die Daten zu überfliegen.

Neben der Erhöhung der Betriebsgeschwindigkeit kann maschinelles Lernen auch die Genauigkeit der Daten verbessern, die betriebliche Effektivität steigern und die Bedrohungserkennungsrate verbessern. Durch effektive Nutzung der vom Schwein präsentierten Daten , und durch eine schnelle, umfassende und genaue Darstellung gibt Machine Learning erfahrenen Spezialisten Raum, um die Ergebnisse zu analysieren und weiter zu verfeinern. Das Endergebnis wären Einsatzmannschaften, die mit besseren Daten ausgestattet sind, was dazu führt, dass weniger Boden zurückgelegt werden muss und letztendlich weniger Störungen am Einsatzort auftreten.

Frühjahrsputz für Schaltschränke Drehbewegung in lineare umwandeln