Previsión del nivel de los depósitos de petróleo y gas

Data Factory
Event Hubs
Machine Learning
Stream Analytics
Synapse Analytics
Power BI

Idea de solución

Si le gustaría que expandamos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comuníquese a través de los Comentarios de GitHub.

En la actualidad, la mayoría de las instalaciones actúan de forma reactiva ante los problemas en los niveles de depósitos. Esto suele dar lugar a vertidos, apagados de emergencia, caros costos de corrección, problemas normativos, costosas reparaciones y multas. La previsión de los niveles de depósito ayuda a administrar y a evitar estos y otros problemas.

Para elaborar las previsiones, se aprovecha la eficacia de los datos históricos y en tiempo real disponibles de los sensores, medidores y registros, lo que ayuda a:

  • Evitar fugas en los depósitos y las paradas de emergencia
  • Detectar errores o el funcionamiento incorrecto del hardware
  • Programar el mantenimiento, los apagados y la logística
  • Optimizar las operaciones y la eficacia de las instalaciones
  • Detectar fugas en los conductos y flujos intermitentes
  • Reducir los costos, las multas y el tiempo de inactividad

El proceso de previsión del nivel de los depósitos comienza en la entrada del pozo. El petróleo se mide a medida que llega a la instalación con medidores y se envía a los depósitos. Los niveles se supervisan y registran en los depósitos durante el proceso de refinado y, después, la salida de petróleo, gas y agua se registra con sensores, medidores y registros. A continuación, se realizan las previsiones con los datos de la instalación; por ejemplo, cada 15 minutos.

Cortana Intelligence Suite es adaptable y se puede personalizar para satisfacer los diferentes requisitos de las empresas y las instalaciones.

Architecture

Diagrama de la arquitectura Descargue un archivo SVG de esta arquitectura.

Descripción

Para más información sobre cómo se crea esta solución, visite la guía de la solución en GitHub.

Cortana Intelligence Suite proporciona herramientas de análisis avanzado mediante Microsoft Azure (los componentes de análisis avanzado, ingesta de datos, almacenamiento de datos y procesamiento de datos), todos los elementos esenciales para crear una solución de previsión del nivel de los depósitos.

Esta solución combina varios servicios de Azure para proporcionar ventajas muy eficaces. Event Hubs recopila los datos del nivel de los depósitos en tiempo real. Stream Analytics agrega los datos de streaming y hace que estén disponibles para visualizarlos. Azure Synapse Analytics almacena y transforma los datos del nivel de los depósitos. Machine Learning implementa y ejecuta el modelo de previsión. Power BI visualiza el nivel de los depósitos en tiempo real, así como los resultados de la previsión. Por último, Data Factory organiza y programa todo el flujo de datos.

El botón "Deploy" (Implementar) iniciará un flujo de trabajo que implementará una instancia de la solución en un grupo de recursos en la suscripción de Azure que especifique. La solución incluye varios servicios de Azure (que se describen a continuación) junto con un trabajo web que simula datos para que, inmediatamente después de la implementación, disponga de una solución de un extremo a otro que funcione.

Después de la implementación, consulte las instrucciones pertinentes.

Detalles técnicos y flujo de trabajo

  1. Las fuentes de datos en Azure Event Hubs y Azure Synapse Analytics sirven como puntos de datos o eventos, que se usarán en el resto del flujo de la solución.
  2. Azure Stream Analytics analiza los datos para proporcionar una evaluación casi en tiempo real del flujo de entrada desde el centro de eventos y los publica directamente en Power BI para visualizarlos.
  3. Azure Machine Learning se utiliza para realizar una previsión del nivel de los depósitos de una región determinada según las entradas recibidas.
  4. Azure Synapse Analytics se usa para almacenar los resultados de la predicción recibidos de Azure Machine Learning. Estos resultados se usan luego en el panel de Power BI.
  5. Azure Data Factory controla cada hora la orquestación y la programación del nuevo entrenamiento del modelo.
  6. Por último, Power BI se usa para visualizar los resultados, de modo que los usuarios puedan supervisar el nivel de los depósitos desde una instalación en tiempo real y usar el nivel de previsión para evitar pérdidas.

Componentes

Pasos siguientes