La IA está aquí y está ayudando con el mantenimiento predictivo en el campo petrolero

Dec 14, 2023

Para las compañías petroleras cuyo trabajo es convertir barriles a dólares, el enemigo es el tiempo de inactividad. El tiempo de inactividad puede resultar en la pérdida de barriles y, por lo tanto, en la pérdida de ingresos. El tiempo de inactividad no programado es el peor infractor. Cuando algo sale mal, y no había indicios de que se avecinaran problemas, puede desconectar la producción durante más tiempo del esperado. Mantener las operaciones funcionando a pleno rendimiento es importante tanto para la salud del campo como para el resultado final del productor.

Hasta hace poco, la mejor manera de mantener las cosas funcionando ha sido a través del mantenimiento preventivo. Es decir, el tiempo de inactividad programado regularmente para examinar el equipo en busca de un posible desgaste y posible reemplazo. El problema del mantenimiento preventivo es que a veces es innecesario. Una revisión del equipo encontrará todo en orden y luego habrá desconectado su flujo de producción por nada.

Hoy en día, el campo petrolero y otras industrias se inclinan más hacia la implementación del modelo de mantenimiento predictivo. El mantenimiento predictivo necesita datos, muchos de ellos, para predecir con precisión cuándo algo va o saldrá mal. Estos modelos se pueden entrenar para pronosticar posibles averías antes de que sucedan. Lo hace empleando una red de sensores que toma lecturas del equipo. Esas lecturas se pueden comparar con las lecturas históricas para medir el estado del equipo.

Lo último en mantenimiento predictivo emplea inteligencia artificial (IA) e Internet de las cosas (IoT) para obtener la lectura más precisa posible. Esto permite un enfoque más proactivo en la inspección, diagnosticando cualquier problema y ofreciendo una solución. El tiempo de inactividad predecible se vuelve más importante a medida que la infraestructura del campo petrolero envejece y es más propensa a las interrupciones del servicio. Es probable que un compresor de 20 años no esté fabricado con el mismo diseño, con los mismos materiales o que no emplee la misma tecnología que un compresor de 2 años. Todas estas cosas deben tenerse en cuenta al emplear un modelo de mantenimiento predictivo.

Una adición más reciente al conjunto de herramientas de mantenimiento predictivo es el uso de un gemelo digital. Los gemelos digitales se han vuelto populares durante la última media década en la perforación de pozos complejos con fines de monitoreo y optimización. En el mantenimiento predictivo, los gemelos digitales pueden generar datos para combinarlos con datos de sensores y generar mejores algoritmos para predecir el comportamiento de los equipos. Al usar el gemelo digital para crear escenarios de fallas en los equipos, la industria puede entrenar mejor los programas para buscar fallas en los equipos reales.

Más empresas están incorporando el mantenimiento predictivo impulsado por IA al sector del petróleo y el gas. SparkCognition ve el aprendizaje automático y la IA como el camino hacia un mejor paradigma de mantenimiento. Si una plataforma costa afuera de 200 000 B/D sufre solo 12 horas de tiempo de inactividad no planificado, puede resultar en hasta $8 millones en producción diferida.

"El mantenimiento predictivo es similar a tener un dispositivo médico portátil, como una pulsera que escanea constantemente el cuerpo de un paciente, examina cada aspecto de su salud a medida que avanza su día y evalúa continuamente los resultados en tiempo real", según el sitio web de la compañía. . "Este dispositivo podría entonces informar al paciente que necesita ver a un médico para un tratamiento médico para evitar un ataque cardíaco que de otro modo tendría en una fecha específica. De la misma manera, el diagnóstico proactivo del activo en alta mar permitiría a los operadores aguas arriba anticipar y mitigar las fallas antes de que ocurran".

Un informe de noviembre de 2021 de IoT Analytics estimó que el entonces mercado de mantenimiento predictivo de $ 6900 millones alcanzaría los $ 28 200 millones para 2026. También estimó que la cantidad de proveedores crecería de alrededor de 100 a más de 500 durante ese mismo tiempo.

Shell se centra en la seguridad asistida por IA en las operaciones

"Es una forma de monitoreo proactivo... con esteroides", explicó Neisha Kydd, gerente de seguridad de operaciones de Shell, Golfo de México, a los asistentes a la reciente OTC en mayo con respecto al despliegue de Shell de vigilancia basada en excepciones. La vigilancia basada en excepciones ha existido por un tiempo, pero su unión con la IA y otras operaciones de aprendizaje automático ha avanzado algoritmos más complejos para predecir cuándo algo podría salir mal. Reúne millones de puntos de datos en una sola fuente y luego aplica algoritmos para permitir a los usuarios detectar un script o subíndice de anomalías prediseñadas.

"Nos permite tener intervenciones tempranas antes de que realmente tengamos incidentes de seguridad", dijo Kydd. "Nos permite mantener a las personas fuera de la línea de fuego y mantenerlas a salvo. Entonces, para nosotros en Shell, el uso de nuestra vigilancia basada en excepciones es principalmente para la seguridad de los civiles. Para nosotros, ellos van de la mano ."

En 2022, Shell llevó a cabo un ejercicio de revisión de la seguridad, retrocediendo 5 años de incidentes importantes dentro de la empresa para aislar temas o hilos comunes que surgieron en los incidentes. Uno de los hallazgos fue que muchos de los incidentes de la empresa ocurrían en sus sistemas auxiliares. La empresa había concentrado los usos iniciales de la IA en equipos que consideraba de alto riesgo, como la integridad de los pozos. Sin embargo, ese mismo rigor en torno a sus sistemas de compresión de aire, instrumentación, bengalas, depuradores no estaba allí, y ahí es donde ocurrieron muchos de los principales incidentes.

Otro patrón del sistema revelado por el ejercicio fue que el estado de los equipos y procesos en el campo no se alineaba con las expectativas en las oficinas de Shell. La empresa tenía ingenieros en la oficina que tomaban decisiones, redactaban procedimientos y enviaban trabajos para ser ejecutados en el campo, con la creencia de que la condición de un equipo era de cierta manera. Lo que Shell encontró fueron brechas entre esa creencia en la oficina y lo que se traducía en el campo.

"Entonces, surge la pregunta, ¿cómo usamos la inteligencia artificial para ayudar a cerrar esa brecha para que los datos en tiempo real que obtenemos en el campo imiten y repliquen lo que realmente está viendo la vista de primera línea", preguntó Kydd. "Esa será la próxima parte de nuestro entrenamiento. Ese será nuestro próximo enfoque principal. Tenemos todos estos grandes sistemas en su lugar, tenemos todas estas grandes mentes en su lugar, pero si no las estamos usando para prevenir incidentes, entonces, ¿qué tenemos realmente?"

El próximo paso de Shell es centralizar sus centros de datos en las Américas. Actualmente, hay dos: The Bridge en Nueva Orleans y The Ark en Trinidad. Al unir los centros de datos, Shell espera lograr la estandarización de sus procesos de yacimientos petrolíferos, clave para la implementación exitosa de la IA.

Oxy busca impulsar la escala con la ayuda de la IA

Para Occidental Petroleum, el mantenimiento predictivo se trata de usar IA y aprendizaje automático para mitigar eventos no planificados. Los datos generados se introducen en modelos de IA para dar predicciones basadas en eventos históricos. Esto no es nuevo en el campo petrolero, pero los modelos de IA más nuevos ayudan a impulsarlo en esta próxima evolución de análisis predictivo y aprendizaje, que es el sistema que se enseña a sí mismo y aprende, ofreciendo así mejores predicciones.

"Solo hay un problema que todos estamos tratando de resolver, y es la escala", dijo Mansoor Nazar, director de arquitectura empresarial y tecnologías emergentes de Occidental. "¿Cómo escalas? ¿Cómo escalas a un enfoque más grande e innovador para poder hacer cosas más grandes? Para poder hacer más cosas con lo que ya tienes. La IA es una de esas herramientas que esencialmente te ayuda a lograr eso . La nube es el nivel uno. De los problemas que estamos tratando de resolver, uno de ellos son los eventos no planificados. Eso es lo más desafortunado que puede suceder, especialmente en una instalación en alta mar. Entonces, ¿cómo mitigar eso? el análisis predictivo?"

Oxy ha introducido más robots y drones en sus operaciones para realizar algunas de las tareas que normalmente realizaría un ser humano. El ser humano puede entonces concentrarse en un trabajo más productivo. También hay un impulso en la empresa para emplear tecnología de cámara compatible con IA en las instalaciones para detectar y predecir mejor la actividad de corrosión, tanto en la superficie como bajo el mar cuando se trata de activos en alta mar.

"¿Qué pasaría si pudiéramos usar esas cámaras para luego implementar algo de inteligencia basada en inteligencia artificial en el sistema, como que sus cámaras se vean tan bien como sus ojos", dijo Nazar. "Las cámaras no son lo suficientemente inteligentes, pero si implementas inteligencia artificial además de eso, puedes detectar la corrosión a través de esas cámaras, o por algún otro medio usando IA".

Más allá de la escala, el problema de la abundancia de datos y la garantía de su calidad es otro problema inminente para la industria energética. Actualmente, Oxy está invirtiendo en la construcción de una base de datos en su entorno de nube para mantenerse al frente del crecimiento masivo de datos que han provocado la modernización y el IoT.

"Recomiendo encarecidamente que todos invirtamos en la adopción de la nube tanto como podamos, no porque queramos migrar desde nuestros centros de datos, sino porque la nube te brinda estas capacidades listas para usar", agregó Nazar. "Te da un empujón para muchas de estas oportunidades. No tienes que construir ningún trabajo básico para poder hacer todo lo que estoy hablando. La nube te da eso para que puedas concentrarte en tus casos de uso. "

El uso de la IA plantea muchas preguntas sobre la privacidad, el cumplimiento de la ética y el sesgo, pero también hay problemas de tecnología, TI y procesos que abordar.

"No es un camino fácil", explicó Nazar. "La IA no es un producto que pueda comprar e implementar. Es algo en lo que debe invertir mucho. Lo que hemos hecho en Oxy es formar un equipo interdisciplinario con expertos en la materia de toda la organización. Porque no es un problema de TI. Es un problema empresarial. Necesita su asesoría legal, necesita su cadena de suministro, necesita a su gente de marketing, necesita a su gente de operaciones, necesita a su gente de perforación, necesita a sus geocientíficos, todos necesitan para unirse y proponer cualquier caso de uso que tenga para la inteligencia artificial".