Trí tuệ nhân tạo (AI) trong ngành dầu khí Phần 2: Tìm đến giới hạn

Không thể nhìn vào một công nghệ nào đó với toàn nhưng ưu điểm của chúng được mà chúng ta cũng nên nhìn vào những thiếu xót của chúng…

Những mặt tích cực, hạn chế và bảo trì dự đoán

Một trong những ứng dụng có ảnh hưởng nhất của AI trong ngành dầu khí là máy móc tự học, nhờ vào khả năng này chúng giúp các công ty giám sát tài sản hay hệ thống thiết bị của họ. Trong bất kỳ không gian nào có dữ liệu chất lượng cao hợp lý tồn tại trong một khoảng thời gian, máy móc tự học có thể được áp dụng để xác định thông tin chi tiết. Điều này mở ra khả năng bảo trì dự đoán.

Bằng cách áp dụng các kỹ thuật này Airey nói, “chúng tôi có thể xem xét thông tin tín hiệu lịch sử xung quanh các thành phần khác nhau của một thiết bị. Chúng tôi lập bản đồ thông tin mà sau đó có thể cho chúng tôi biết nếu tài sản hoặc các thiết bị khác nhau đang hoạt động không như cách chúng tôi mong đợi hoặc nếu có sự cố bất ngờ.”

Thông tin lịch sử của một sự cố đã sảy ra ngoài dự kiến sau đó có thể được thêm vào hỗn hợp để tìm các chỉ số cho thấy một vấn đề có thể sắp xảy ra. Như Airey lưu ý, điều này giúp công ty duy trì sự vận hành trơn tru của thiết bị.

Nếu chúng ta nhìn vào kết quả mà chúng ta đã có trong quá trình này, chúng ta có thể có bất cứ điều gì lên đến 14 ngày chúng ta có thể dự báo trước các sự cố hoạt động ngoài dự kiến. Điều đó rất có ý nghĩa với chúng tôi bởi vì nó cho chúng tôi thời gian để khắc phục hoặc làm điều gì đó với nó.

Mặc dù loại bảo trì dự đoán này có thể trông giống như một cây đũa thần và thậm chí đã được áp dụng ở những nơi khác trong tổ chức, nhưng công nghệ thông tin của BP vẫn còn những thiếu sót đối với kỹ thuật này. Quan trọng nhất, nó chỉ có thể được áp dụng trong các khu vực có chất lượng tốt về dữ liệu cũng như lịch sử. Khi xảy ra sự cố mà chưa phát sinh trước đó, dữ liệu không thể hỗ trợ những gì đang xảy ra. Điều này làm cho nó không thể đưa ra dự đoán. Như Airey đã nói “nếu bạn không có trước dữ liệu, thì nó rất khó để đưa ra dự đoán…”

Khả năng chuyên sâu hơn

Là một ví dụ về việc sử dụng các kỹ thuật học chuyên sâu của BP, Airey trích dẫn các cuộc kiểm tra chất lượng là một phần quan trọng của bất kỳ quy trình an toàn nào của công ty dầu khí.

Chúng tôi có các nhóm người kiểm tra và bảo trì xem xét các thành phần quan trọng này, ông nói để hiểu nếu chúng thôi có bất kỳ sự xuống cấp nào trong đó như sự ăn mòn. Chúng ta cần phải biết những gì xảy ra với sự ăn mòn đó theo thời gian. Có phải nó đang ở trạng thái tĩnh, nó có trở nên tồi tệ hơn không?

Để thực hiện nghĩa vụ kiểm tra chất lượng hoàn chỉnh, tàu cần được kiểm tra kỹ lưỡng. Điều này có thể đưa ra một thách thức đáng kể, đặc biệt nếu tàu ở trong một môi trường khắc nghiệt.

Airey nói “Chúng tôi đặt người ở đó nếu có thể. Tuy nhiên, trong một số thiết bị dưới biển của chúng tôi, chúng tôi chạy các luồng video dài, chụp ảnh những gì đang diễn ra. Sau đó, chúng tôi phải trải qua một quá trình xem xét các cảnh quay gần như theo từng khung hình, để xem liệu có bất kỳ sự bất thường nào mà chúng tôi muốn điều tra thêm không. Điều này không chỉ chuyên sâu về con người, mà bạn có thể tưởng tượng việc tập trung vào nhiệm vụ là điều khó thực hiện.”

Bằng cách phát triển các kỹ thuật học chuyên sâu, thay vào đó các nhóm quản lý có thể có một máy tính nhìn vào hình ảnh. Trong một số bằng chứng hiệu quả về khái niệm, DIO đã cung cấp cho các hệ thống học chuyên sâu hàng ngàn hình ảnh về các thiết bị tài sản còn nguyên vẹn và bị ăn mòn. Điều này cho phép máy tính tìm hiểu sự ăn mòn thường trông như thế nào và xác định độc lập các khu vực quan tâm khi phải đối mặt với các cảnh quay không nhìn thấy. Kết hợp hệ thống học chuyên sâu của máy móc với chuyên môn của con người theo cách này làm tăng khả năng thiệt hại sẽ được phát hiện.

Vậy có phải chăng trong tương lai máy móc có thể thông minh được hơn con người, hay chúng ta có thể dạy cho máy móc thông minh hơn được chúng ta và điều này có thể không?

Văn phòng NSCL tổng hợp