Prévision du niveau des réservoirs de pétrole et de gaz

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

Idée de solution

Si vous souhaitez nous voir développer cet article avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le nous savoir avec les Commentaires de GitHub.

Aujourd’hui, la plupart des installations répondent de manière réactive aux problèmes des niveaux de réservoirs. Cela entraîne souvent des débordements, des arrêts d’urgence, des coûts de correction élevés, des problèmes de réglementation, des réparations coûteuses et des amendes. La prévision du niveau des réservoirs aide à gérer et à résoudre les problèmes.

Les prévisions sont créées en exploitant la puissance des données historiques et instantanées, immédiatement disponibles à partir des capteurs, des compteurs et des enregistrements, ce qui permet d’effectuer les opérations suivantes :

  • Empêcher le débordement des réservoirs et les arrêts d’urgence
  • Détecter les défaillances, y compris matérielles
  • Planifier la maintenance, les arrêts et la logistique
  • Optimiser les opérations et l’efficacité des installations
  • Détecter les fuites et les ralentissements de pipeline
  • Réduire les coûts, les amendes et les temps d’arrêt

Le processus de prévision au niveau du réservoir commence à l’entrée du puits. L’huile est mesurée au fur et à mesure de son arrivée dans l’installation, par le biais des compteurs. Elle est ensuite envoyée aux réservoirs. Les niveaux sont surveillés et enregistrés dans des citernes pendant le processus de raffinage, puis la production d’huile, de gaz et d’eau est enregistrée via des capteurs, des compteurs et des enregistrements. Les prévisions sont ensuite effectuées à l’aide des données de l’installation ; par exemple, les prévisions peuvent être générées toutes les 15 minutes.

Le Cortana Intelligence Suite est adaptable et peut être personnalisé pour répondre à différentes exigences qu’ont les installations et les sociétés.

Architecture

Diagramme d’architecture Télécharger unSVGde cette architecture.

Description

Pour en savoir plus sur la création de cette solution, consultez le Guide de solution dans GitHub.

Le Cortana Intelligence Suite fournit des outils d’analytique avancée par le biais de l’ingestion de données Microsoft Azure, du stockage de données, du traitement des données et des composants d’analytique avancée, tous les éléments essentiels à la création d’une solution de prévision au niveau des réservoirs.

Cette solution combine plusieurs services Azure pour offrir des atouts de poids. Event Hubs collecte, en temps réel, des données au niveau des réservoirs. Stream Analytics agrège les données de streaming et les rend disponibles à la visualisation. Azure Synapse Analytics stocke et transforme les données au niveau des réservoirs. Le Machine Learning implémente et exécute le modèle de prévision. Power BI visualise le niveau de réservoir en temps réel, ainsi que les résultats des prévisions. Enfin, Data Factory orchestre et planifie l’intégralité du flux de données.

Le bouton « Déployer » lance un flux de travail qui déploie une instance de la solution à l’intérieur d’un groupe de ressources dans l’abonnement Azure que vous spécifiez. La solution comprend plusieurs services Azure (décrits ci-dessous), ainsi qu’un travail web qui simule les données, de sorte que vous disposez d’une solution fonctionnelle de bout en bout immédiatement après le déploiement.

Après le déploiement, consultez les instructions postérieures au déploiement.

Détails techniques et workflow

  1. Ces données alimentent Azure Event Hubs ainsi que le service Azure Synapse Analytics et y font office de points de données, ou événements, qui seront utilisés dans le reste du flux de la solution.
  2. Azure Stream Analytics analyse les données pour fournir des analyses en temps quasi-réel sur le flux d’entrée à partir du Event Hub et publier directement sur Power BI pour la visualisation.
  3. Azure Machine Learning sert à établir des prévisions au niveau des réservoirs d’une région particulière en fonction des entrées reçues.
  4. Azure Synapse Analytics sert à stocker les résultats de prédiction reçus de la part d’Azure Machine Learning. Ces résultats sont ensuite consommés dans le tableau de bord Power BI.
  5. Azure Data Factory gère l’orchestration et la planification du réentraînement du modèle horaire.
  6. Enfin, Power BI sert à visualiser les résultats, afin que les utilisateurs puissent surveiller le niveau des réservoirs en temps réel à partir d’une installation mais aussi utiliser le niveau de prévision pour empêcher les débordements.

Composants

Étapes suivantes