Ricevi gli ultimi aggiornamenti da Hortonworks tramite e-mail

Una volta al mese, ricevi gli approfondimenti, le tendenze, le informazioni analitiche e la conoscenza approfondita dei big data.

invito all'azione

Per iniziare

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

chiudiPulsante di chiusura
invito all'azione

IOT e analitica predittiva dei big data
per il settore estrattivo

cloud Hortonworks è un leader. Leggi Forrester Wave.

Download Report

Un settore globale nel palmo della tua mano

Risorse, persone e logistica ovunque. L'industria del petrolio muove un numero infinito di componenti e praticamente ogni suo aspetto è in costante mutamento. Come avviene in altri settori, la sua infrastruttura genera dati di ogni tipo: dati dei sensori da operazioni upstream, midstream e downstream, dati di carattere geologico e geofisico, o relativi a perforazione e completamento, geolocalizzazione, file di testo, video e molto altro ancora. Hortonworks consente l'analitica IoT e predittiva dei big data nel settore gas e petrolio, offrendo tutte le informazioni necessarie per ottimizzare le prestazioni e garantire la vitalità di questo settore.

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, IoT, geolocalizzazione, condizioni atmosferiche e sismologiche. Combinando questi dati con altri generati dall'uomo, come i feed di mercati, social media, e-mail, testi e immagini per l'analitica dei big data nel settore gas e petrolio, si possono ottenere nuove informazioni approfondite.

casi d'uso

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'analitica LAS con analitica dei big data HDP per il settore gas e petrolio consente ai ricercatori di acquisire ed eseguire query su dati LAS disparati da utilizzare 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 si possono 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 petrolio 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 predittive di analitica 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. Ora i dati dei sensori IoT 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 utile 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 utile, il suo passato non è indicativo del suo futuro. L'ottimizzazione dei parametri di produzione consiste nella 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 machine learning 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 i big data nel settore gas e petrolio possono aiutare il titolare o locatario del pozzo a ottenere il massimo da quel giacimento.