Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

invito all'azione

Get Started

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

chiudiPulsante di chiusura
invito all'azione

IOT and Predictive Big Data Analytics
for Oil and Gas

cloud Hortonworks is a leader. Read the Forrester Wave.

Download Report

A global industry in the palm of your hand

Assets everywhere. People everywhere. Logistics everywhere. The petroleum industry has a lot of moving parts, and pretty much every aspect of it is in constant flux. Like other industries, its infrastructure generates data of all kinds—sensor data from upstream, midstream, and downstream operations, geological and geophysical, drilling and completions data, geolocation, text files, video and more. Hortonworks provides the predictive analysis and data insights to optimize performance to keep this industry humming.

Portare al massimo la produzione, ridurre i rischi, accelerare l'innovazione

Cambiamenti universali nella disponibilità dei dati stanno modificando le attività nel settore petrolchimico, analogamente a quanto succede nelle telecomunicazioni, nel retail e nelle aziende di produzione. I progressi raggiunti a livello di strumentazioni, automazione dei processi e collaborazione moltiplicano il volume disponibile di nuove tipologie di dati, come quelli provenienti da sensori per la geolocalizzazione, le condizioni atmosferiche e i sismi. Combinando questi dati con altri generati dall'uomo, come i feed di mercati, social media, e-mail, testi e immagini, si possono ottenere nuove informazioni approfondite.

Use Cases

Accelerare l'innovazione con l'analisi delle registrazioni dei pozzi (ovvero LAS Analytics)

L'ampiezza e la complessità dei set di dati e la rigidità dei relativi modelli limitano la velocità dell'innovazione nell'esplorazione e nella produzione, poiché gli esperti di petrofisica e geologia devono operare su insiemi di dati complessi contenuti in silos di informazioni, che richiedono un processo manuale di controllo qualità (QC). L'analisi LAS con HDP consente ai ricercatori di acquisire ed eseguire query su dati LAS disparati e utilizzarli in modelli predittivi, sfruttando allo stesso tempo strumenti statistici esistenti come SAS o R, per creare nuovi modelli e reiterarli rapidamente con miliardi di misurazioni. Combinando i dati LAS con quelli su produzione, leasing e trattamento può aumentare la produttività e i margini. Con le registrazioni dinamiche dei pozzi centinaia o migliaia di file LAS vengono normalizzati e uniti, fornendo un quadro unico delle relative curve, presentate come nuovi file LAS o immagini. Grazie a HDP, queste registrazioni consolidate includono anche buona parte dei dati provenienti dai sensori, che in precedenza erano "fuori dalla normale portata" a causa di letture anomale dovute a sbalzi di tensione, errori di calibrazione e altre eccezioni. Con HDP, un processo automatizzato di QC consente di acquisire tutti i dati (buoni e cattivi), quindi ripulirli per eliminare le letture anomale e presentare un quadro unico e chiaro dei dati.


Definizione di set point operativi per ogni pozzo e avvisi in caso di deviazione

Dopo avere identificato i parametri operativi ideali (ad es. la velocità delle pompe o le temperature dei fluidi) in presenza dei quali la produzione di olio e gas restituisce i margini più elevati, le informazioni possono essere inserite in un registro di set point. Il mantenimento dei set point migliori per un pozzo in tempo reale è compito delle funzioni di analisi e avviso in tempo reale e a tolleranza di errore di Apache Storm. Con Storm su Hadoop si possono monitorare variabili come pressione delle pompe, RPM, velocità di flusso e temperatura, per intraprendere azioni correttive nel caso in cui uno o più set point devino dai parametri prefissati. Questa struttura ricca di dati permette a chi opera sui pozzi di risparmiare denaro e adattare le operazioni in base alle modifiche delle condizioni.


Ottimizzazione della partecipazione a gare di leasing attraverso previsioni affidabili sul rendimento

Le società del settore del petrolio e gas partecipano a gare per l'assegnazione di leasing pluriennali per i diritti di esplorazione e perforazione su terreni demaniali o privati. Il prezzo del leasing corrisponde al costo attuale noto per l'accesso a un flusso futuro non prevedibile di idrocarburi. Riducendo il grado di incertezza sui benefici futuri e facendo previsioni più accurate sulla resa del pozzo, si acquisisce una posizione privilegiata rispetto ai concorrenti. Con un sistema efficace di archiviazione di file di immagine, dati provenienti da sensori e misurazioni sismiche, Apache Hadoop è in grado di fornire questo vantaggio competitivo. Queste informazioni completano il quadro di eventuali indagini svolte da terzi sul tratto oggetto della gara. La società in possesso di queste informazioni uniche complete di analisi predittive potrà a questo punto rinunciare a una gara alla quale avrebbe diversamente partecipato, oppure trovare un giacimento prezioso e ottenere un leasing a un prezzo ribassato.


Riparazione preventiva delle attrezzature con manutenzione mirata

In passato, gli operatori raccoglievano i dati sullo stato delle pompe e dei pozzi svolgendo ispezioni fisiche (spesso in località remote). Per questo motivo i dati sulle ispezioni erano scarsi e poco accessibili, in particolare in considerazione dell'elevato valore delle attrezzature necessarie e del potenziale impatto degli incidenti sulla salute e la sicurezza. I nuovi dati raccolti per mezzo di sensori fluiscono in Hadoop da pompe, pozzi e altre attrezzature con una frequenza di gran lunga superiore (e a un costo minore) rispetto alla raccolta manuale degli stessi dati. In questo modo gli operatori qualificati si occupano di quello che i sensori non possono fare: riparare o sostituire i macchinari. I dati così ottenuti possono essere arricchiti con altri flussi di dati sulle condizioni meteo, l'attività sismica o il sentiment sui social media, per dipingere un'immagine più completa di quello che sta succedendo nel giacimento. Attraverso gli algoritmi di Hadoop, questi set di dati ampi e sfaccettati vengono analizzati per individuare schemi impercettibili e confrontare i risultati attesi con quelli effettivi. Una particolare attrezzatura si è guastata prima del previsto? E in questo caso, quali attrezzature simili potrebbero rischiare altrettanto? Con una gestione basata sui dati e di tipo preventivo, è possibile assicurare un funzionamento delle attrezzature caratterizzato da meno rischi e costi di manutenzione più bassi.

Curve di declino lente con ottimizzazione dei parametri di produzione

Dal momento che è sempre più difficile scoprire nuovi giacimenti, le società petrolifere devono gestire il declino della produzione dei pozzi esistenti. L'analisi della curva di declino (Decline Curve Analysis, DCA) utilizza i dati sulla produzione passata di un pozzo per stimare quella futura. Tuttavia, i dati storici mostrano solitamente tassi di produzione costanti, mentre il declino della produttività di un pozzo verso la fine della sua vita segue un andamento non lineare, diventando più rapido man mano che il giacimento si esaurisce. Quando si tratta di un pozzo alla fine della sua vita, il suo passato non è indicativo del suo futuro. L'ottimizzazione dei parametri di produzione è la gestione intelligente dei parametri che aumentano al massimo la vita utile di un pozzo, come pressione, portata e caratteristiche termiche delle miscele di fluidi immesse. Gli algoritmi di apprendimento automatico possono analizzare enormi volumi di dati provenienti da sensori situati in una molteplicità di pozzi per determinare la migliore combinazione di questi parametri controllabili. Le ottime capacità di HDP di scoprire e analizzare dati possono aiutare il titolare o locatario del pozzo a ottenere il massimo da quel giacimento.