Precisione e Interpretabilità – Fare in modo che la scienza dei dati funzioni per te

Poiché le società petrolifere e del gas (O&G) continuano a investire nelle tecnologie digitali per aumentare il valore aziendale, è chiaro che la scienza dei dati svolgerà un ruolo importante nel favorire tale successo. In un recente sondaggio CIO di Gartner 2021, circa il 50% delle compagnie petrolifere e del gas afferma di voler aumentare i propri investimenti in analisi, intelligenza artificiale (AI), automazione, Internet delle cose e tecnologia cloud. Ciò non sorprende, poiché lo strumento diventa più intuitivo e la potenza di calcolo aumenta.

L’industria O&G è stata a lungo un pioniere nell’uso dell’informatica. Dalla costruzione di alcuni dei primi supercomputer al mondo all’elaborazione di terabyte di dati sismici fino alla complessa simulazione di giacimenti, ingegneri e geo-professionisti sono stati spesso all’avanguardia nell’utilizzo di dati e modelli per svelare i segreti della terra e migliorare l’efficienza operativa.

Tuttavia, il viaggio odierno verso l’IA è ancora una sfida per la maggior parte delle aziende O&G. È risaputo che l’adozione di questa tecnologia nel settore è lenta, ma non è necessario. Un’area dell’Upstream E&P che può sfruttare i vantaggi di questa tecnologia è l’ingegneria petrolifera poiché trovano continuamente nuovi modi per ottimizzare la produzione ei costi. Oggi possono combinare la loro profonda esperienza nel settore con l’analisi basata sui dati per migliorare e sviluppare strategie di asset migliori. Entro 5-10 anni, IHS Markit ritiene che molte applicazioni AI/Machine Learning (ML) passeranno dall’essere di competenza di un team specializzato di data scientist dedicati a diventare un nuovo set di strumenti utilizzati regolarmente da un’ampia gamma di ingegneri in tutta l’azienda .

E&P a monte: cosa possono aspettarsi gli ingegneri da una soluzione di intelligenza artificiale

Nelle attuali condizioni del mercato O&G, gli ingegneri devono affrontare molte sfide che richiedono loro di trovare modi più efficienti per risolvere complessi problemi del sottosuolo. Parte di tale responsabilità comporta l’analisi dei dati provenienti da flussi disparati e la costruzione di modelli che alimentano le loro strategie di perforazione, completamento e produzione. Pertanto, l’importanza dell’accuratezza del modello è fondamentale per garantire la fiducia nei risultati e nel processo decisionale.

Le moderne soluzioni avanzate di analisi dei dati create per Upstream E&P offrono il vantaggio dell’IA senza richiedere a data scientist, gestori di dati ed esperti di dominio specializzati la scrittura di codice complesso. Le migliori soluzioni analizzano rapidamente grandi quantità di dati e forniscono interpretabilità per aiutare gli utenti a comprendere meglio i risultati del modello. I display visivi consentono interrogazioni e analisi efficienti. Soluzioni ancora più sofisticate forniscono modelli di flusso di lavoro che incorporano algoritmi ML per affrontare le sfide note di E&P.

Costruite con i dati dei pozzi e dei bacini di produzione esistenti, queste piattaforme di analisi sono sufficientemente flessibili da consentire a utenti come gli ingegneri petroliferi di incorporare set di dati proprietari, convalidare i risultati ed eseguire nuovamente i loro modelli predittivi man mano che si accumulano più dati e conoscenze.

Il dashboard di Analytics Explorer analizza più origini dati da utilizzare in un modello predittivo.  I risultati mostrano l'ordine di importanza delle variabili e quali dovrebbero essere utilizzate per creare il modello predittivo.

Il dashboard di Analytics Explorer analizza più origini dati da utilizzare in un modello predittivo. I risultati mostrano l’ordine di importanza delle variabili e quali dovrebbero essere utilizzate per creare il modello predittivo.

Disimballare la scatola nera

I modelli predittivi dell’IA sono stati chiamati Black Boxes: i dati vengono inseriti nel modello; un utente preme Esegui ed esci sputa un numero. È facile capire perché gli ingegneri sono spesso scettici su questo approccio. Hanno imparato molto tempo fa che è possibile creare modelli per produrre risultati senza senso. I modelli IHS Markit di oggi sono progettati per essere molto diversi. Gli utenti possono – e dovrebbero sfruttare la loro esperienza per fornire controlli della realtà, verificare le correlazioni dei dati e confrontare i risultati con numeri di verità fondati. Per ciascun modello è disponibile un’analisi dettagliata degli errori, che consente agli utenti di rivedere l’errore associato agli input e ai risultati finali. Gli utenti possono identificare quali input stanno causando un errore elevato, indirizzarli ed eseguire nuovamente il modello.

È importante sottolineare che gli strumenti predittivi di IHS Markit fanno molto di più che prevedere i pozzi futuri. Inoltre quantificano quanto diversi attributi del pozzo, ad esempio la tortuosità del percorso del pozzo, la posizione o il volume propante, stanno contribuendo ai risultati del modello finale. Gli utenti possono scegliere quali dati inserire nel modello, valutare l’importanza di ciascun attributo e rimuovere i dati che non apportano un contributo significativo. La rimozione del rumore e dei dati non importanti rafforza il modello e fornisce risultati migliori. Ancora più importante, gli utenti possono testare ipotesi per determinare se i fattori potenzialmente importanti hanno un impatto o meno. Possono essere aperti a sorprese e serendipità.

Precisione e Interpretabilità

Forse ancora più importante, i risultati dei moderni modelli predittivi di IHS Markit forniscono quella combinazione sfuggente di risultati accurati e facili da interpretare, anche per i non esperti di dati. Ad esempio, partendo da un diagramma incrociato della produzione effettiva di 12 mesi rispetto ai risultati previsti dal modello, gli utenti possono selezionare qualsiasi punto dati e visualizzare informazioni quantitative sull’impatto sulla produzione di ogni singolo attributo del modello. Il diagramma incrociato mostra anche la forza della correlazione, in modo che gli utenti possano misurare la deviazione del modello dai dati di verità.

Un diagramma incrociato dei dati di produzione effettivi di 12 mesi (asse x) e dei risultati del modello di apprendimento automatico previsto (asse y).  Il grafico a barre mostra il contributo delle variabili di input alla produzione per un pozzo selezionato.

Un diagramma incrociato dei dati di produzione effettivi di 12 mesi (asse x) e dei risultati del modello di apprendimento automatico previsto (asse y). Il grafico a barre mostra il contributo delle variabili di input alla produzione per un pozzo selezionato.

Ottieni risultati migliori con Analytics Explorer

IHS Markit sta semplificando l’adozione e l’implementazione di tecnologie avanzate di analisi dei dati, offrendo agli ingegneri la possibilità di utilizzare metodologie di scienza dei dati insieme alla loro esperienza nel settore per risolvere complessi problemi del sottosuolo.

Analytics Explorer è una soluzione avanzata di analisi dei dati di IHS Markit che rende la scienza dei dati accessibile a tutti. Sviluppato per Upstream E&P, Analytics Explorer incorpora metodologie avanzate di data science in flussi di lavoro guidati e automatizzati che incorporano metodi di interpretabilità per aiutare gli ingegneri a comprendere meglio i loro modelli con sicurezza.

Con flussi di lavoro personalizzabili come la modellazione predittiva, Analytics Explorer può essere utilizzato per un’ampia gamma di applicazioni, tra cui:

  • Prevedere le prestazioni dei pozzi prima di perforarli
  • Quantificare l’impatto di parametri specifici sulle prestazioni di un pozzo
  • Comprendere il design ottimale del pozzo
  • Comprendere l’impatto della posizione e della qualità del completamento
  • Identificazione dei candidati re-frac
  • Analisi comparativa delle prestazioni tra gli operatori

Per ulteriori informazioni, scarica l’ebook per un flusso di lavoro di modellazione predittiva utilizzando Analytics Explorer.

Inserito il 28 marzo 2022 da Camilo RodriguezDirettore, Analisi e Data Science, IHS Markit Energy

e

Raoul Le BlancVice Presidente, Energia, S&P Global Commodity Insights

e

Toby BurroughConsulente tecnico senior, S&P Global Commodity Insights


Questo articolo è stato pubblicato da S&P Global Commodity Insights e non da S&P Global Ratings, che è una divisione gestita separatamente di S&P Global.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *