على هامش مؤتمر ومعرض SPE Artificial Lift لعام 2024 في The Woodlands، تكساس، الولايات المتحدة، تحدث أوسكار سكار، مدير مبيعات Datagration في الولايات المتحدة، إلى رأس مال ممتاز ل الصافرة حول كيفية استفادة منصة EcoVisor الخاصة بالشركة من التعلم الآلي للتنبؤ بفشل أنظمة الرفع الاصطناعي في آبار النفط.
وقد شرح سكيار مصادر البيانات ونماذج التعلم الآلي التي تستخدمها شركة البرمجيات كخدمة (SaaS) للكشف عن مثل هذه الأعطال، وكذلك كيف يختلف “نموذج البيانات الموحد” الخاص بها عن الأساليب التقليدية المستخدمة في صناعة النفط والغاز. كما تحدث عن الطرق التي تستخدمها شركات النفط التي تستخدم خدماتها لأتمتة التقارير المالية باستخدام التحليلات المخصصة. مقتطفات…
باستخدام أداة إعداد التقارير الخاصة ببيانات EcoVisor ESG، نتوقع احتمالية فشل أنظمة الرفع الاصطناعي. ولدينا معدل دقة يبلغ نحو 80% خلال فترة 30 يومًا. ونقول مرحبًا، سيحدث شيء ما لهذه المضخة الغاطسة الكهربائية (ESP). عليك أن تذهب لإلقاء نظرة عليها. لذا نستخدم التعلم الآلي لهذا الغرض.
كما لدينا آليات تسجيل لتسليط الضوء على الآبار التي لا تحقق أداءً جيدًا استنادًا إلى معايير معينة. وبهذه الطريقة، عندما تأتي شركات النفط، لا يتعين عليها غربلة كل بئر والبحث عن الشذوذ. تسلط أداتنا الضوء على هذه الشذوذات وتجلبها وتقول، حسنًا، هذه هي الآبار الخمسة إلى العشرة التي ربما تحتاج إلى فحصها اليوم أو هذا الأسبوع.
ما هي مصادر البيانات التي تستخدمها Datagration لتدريب نماذج التعلم الآلي للتنبؤ بفشل الرفع الاصطناعي؟
هناك طرق مختلفة. ما نقوم به باستخدام التعلم الآلي هو أننا نستخدم تاريخ البئر. بعبارة أخرى، نأخذ عادةً سنة أو سنتين من تاريخ البئر (البيانات)، وندرب نماذجنا على تاريخ البئر هذا لـ ESPs. ولكن عادةً، وخاصة في عالم ESPs، سيكون ذلك بناءً على تاريخ البئر هذا والمشكلات التي واجهتها من قبل، وهذه هي الطريقة التي نتوصل بها إلى خوارزمية التعلم الآلي. وبالتالي، فإننا لا نستخدم بيانات شخص آخر أو بعض البيانات العامة. نتأكد من أن البيانات التي نستخدمها فريدة من نوعها لتلك الآبار داخل تلك المنطقة.
نعم، هذا يشكل قيدًا في بعض الأحيان، أليس كذلك؟ يجب أن يكون لديهم تاريخ من المشكلات في تلك الآبار، حتى نتمكن من تدريب النموذج على اكتشاف (المشاكل المستقبلية).
في صميم عمل Datagration، نقوم بربط البيانات بطريقة لا يستطيع أحد آخر في الصناعة القيام بها. لدينا بعض الأشياء التي تعد تقنية خاصة تسمح لنا بالقيام بذلك. أحدها هو ما نسميه نموذج البيانات الموحد، وهو لا يشبه أي نموذج بيانات آخر يستخدمه أي منصة أو برنامج آخر في الصناعة لأنه ما نسميه نموذجًا مرنًا، لذلك فهو يتوسع مع إضافة وإزالة البيانات. والشيء الآخر هو أنك لست مضطرًا إلى بناء بنية بيانات في نهايته الخلفية.
لذا، كما هو الحال مع أي برنامج أو بحيرة بيانات أخرى، عليك أن تفكر في كيفية تخزين تلك البيانات حتى يتمكن الأشخاص من الوصول إليها، ومن ثم يمكنهم تقسيمها وتقسيمها واستخدامها للجمع، أليس كذلك؟
ولكن مع نموذج البيانات الموحد الخاص بنا، كل ما عليك فعله هو البدء بكيان. يمكن أن يكون الكيان أي شيء تريده، أي شيء تريد ربط البيانات به، في مجال النفط والغاز، وعادة ما يكون بئر نفط.
قد تقول “أريد ربط كل هذه البيانات بهذه الأنواع من الآبار”، أليس كذلك؟ ثم تقوم بإعطائها تسلسلًا هرميًا بناءً على كيفية تدفق هذه البيانات عبر هذا التسلسل الهرمي وعلى أي مستوى من هذا التسلسل الهرمي تريد تجميعها.
تعمل منصة Petrovisor الخاصة بنا ونموذج البيانات الموحد الذي يقف خلفها على بناء بنية البيانات هذه بشكل منهجي في الجزء الخلفي، لذلك لا داعي للقلق بشأن كيفية هيكلة بياناتك.
نعم، يمكننا أيضًا ربط الأنظمة المالية بشكل منهجي وإدخال ذلك إلى منصتنا. كم من الناس يفعلون ذلك اليوم، حتى مع وجود مستودع بيانات، لا يزال يتعين عليك الدخول والاستعلام عن تلك البيانات. كان عليك العثور عليها وإنشاء الجداول ولا يزال يتعين عليك جمع كل هذه البيانات معًا في شيء مثل Excel عادةً. ثم عليك التحدث إلى موظفي التمويل لديك والقول، مرحبًا، أحتاج إلى هذه المعلومات المالية من هذه الفترة إلى هذه الفترة، إذا كنت محظوظًا، فربما تحصل عليها في غضون أسبوع أو شهر، لأنهم مشغولون، أليس كذلك؟
وبعد ذلك تقوم بإجراء جميع حساباتك، وتعالج كل هذه البيانات، وتقوم بكل الحسابات التشغيلية، وتدمج كل هذه البيانات معًا، ثم ترسلها إلى لوحة معلومات Spotfire أو Power BI.
ما نقوم به هو أتمتة هذه العملية بالكامل. لذا، إذا كان عليك القيام بذلك يوميًا، أليس كذلك؟ ستظهر النتائج كل يوم. وفي كل مرة تدخل فيها، ستظهر كل هذه النتائج في لوحة المعلومات الخاصة بك بشكل منهجي. لذا، بين عشية وضحاها، نقوم بتحديث أي تغييرات حدثت لهذه البيانات. نحضر بيانات جديدة يتم تقديمها تلقائيًا إلى لوحة معلومات Power BI.
يمكننا أن نستخدم أكواد ping التي كتبتها شركات النفط والتي تعد بمثابة الصلصة السرية الخاصة بها، سواء كانت في Excel، أو VBA، أو Python، أو أي شيء متطور حقًا.
نرسل البيانات بشكل منهجي إلى حيث توجد هذه الرموز، ونطلب منها تشغيلها، ثم نستخرج هذه النتائج إلى الواجهة الخلفية لعرضها مع جميع البيانات الأخرى. لذا، بدلاً من الاضطرار إلى القيام بكل هذه المحاولات لإعادة ترتيب البيانات وإعادة إجراء كل هذه الحسابات، نقوم بأتمتة هذه العملية حتى يتمكنوا من التركيز بشكل أكبر على إجراء التحليلات بدلاً من محاولة الحصول على كل هذه البيانات فقط للحصول على إجابة.
