INTERVIEW: Wie wir maschinelles Lernen zur Erkennung von Fehlern in Ölbohrungen nutzen – Datagration

INTERVIEW: Wie wir maschinelles Lernen zur Erkennung von Fehlern in Ölbohrungen nutzen – Datagration

Im Rahmen der SPE Artificial Lift Konferenz und Ausstellung im Jahr 2024 in The Woodlands, Texas, USA, sprach Oscar Skaer, Director of Sales von Datagration in den USA, mit Tayo OLU von THE WHISTLER darüber, wie die EcoVisor-Plattform des Unternehmens maschinelles Lernen nutzt, um Ausfälle von künstlichen Hebeförderungssystemen in Ölquellen vorherzusagen.

Skaer erklärte die Datenquellen und maschinellen Lernmodelle, die von dem Software as a Service (SaaS)-Unternehmen verwendet werden, um solche Ausfälle zu erkennen, sowie wie sich ihr „vereinheitlichtes Datenmodell“ von traditionellen Methoden in der Öl- und Gasindustrie unterscheidet. Er sprach außerdem darüber, wie Ölunternehmen, die ihre Dienste nutzen, die finanzielle Berichterstattung mithilfe benutzerdefinierter Analysen automatisieren.

Die EcoVisor ESG-Datenberichterstattung ermöglicht es uns, die Wahrscheinlichkeit des Ausfalls von künstlichen Hebesystemen vorherzusagen. Wir haben eine Genauigkeitsrate von etwa 80% innerhalb eines Zeitraums von 30 Tagen. Wir sagen, hey, etwas wird mit dieser elektrischen Tauchpumpe (ESP) passieren. Du solltest dir das mal genauer ansehen. Also verwenden wir maschinelles Lernen dafür.

Wir haben auch Bewertungsmechanismen, um unterdurchschnittlich performante Brunnen basierend auf bestimmten Parametern hervorzuheben. Auf diese Weise müssen Ölunternehmen nicht jeden Brunnen durchsuchen und nach Anomalien suchen. Unser Tool hebt diese hervor und zeigt auf, Hey, das sind die fünf bis zehn Brunnen, die du wahrscheinlich heute oder diese Woche genauer betrachten solltest.

Datagration verwendet verschiedene Datenquellen, um die maschinellen Lernmodelle für die Vorhersage von Fehlern bei künstlichen Hebesystemen zu trainieren. Wir verwenden beispielsweise die Brunnenhistorie, um unsere Modelle für die ESPs aufzubauen. Wir verwenden keine Daten von anderen oder öffentlichen Quellen. Wir stellen sicher, dass die Daten, die wir verwenden, einzigartig für diese Brunnen in diesem Bereich sind.

Unser unify data model ist einzigartig und unterscheidet sich von traditionellen Datenmodellen, die in der Öl- und Gasindustrie verwendet werden. Unser Modell ist elastisch und erweitert sich, wenn Daten hinzugefügt oder entfernt werden. Du musst keine Datenstruktur auf der Rückseite aufbauen. Mit unserem Modell musst du nur mit einer Entität anfangen, die alles, was mit Daten assoziiert werden soll, darstellt, typischerweise eine Ölquelle. Unser Petrovisor-Plattform und das dahinter liegende Modell erstellen systematisch die Datenstruktur, sodass du dir keine Gedanken darüber machen musst, wie du deine Daten strukturierst.

Wir können auch Finanzsysteme systematisch verknüpfen und das in unsere Plattform integrieren. Wir automatisieren den gesamten Prozess. Wenn du das täglich tun musst, wird es jeden Tag auftauchen. Wir aktualisieren die Daten über Nacht und präsentieren sie dir übersichtlich in deinem Dashboard. Anstatt Daten zu bearbeiten und alle Berechnungen manuell durchzuführen, automatisieren wir diesen Prozess, damit sich die Benutzer mehr auf die Analyse konzentrieren können.