Previsione dei livelli delle cisterne di petrolio e gas

Data Factory
Hub eventi
Machine Learning
Analisi di flusso
Synapse Analytics
Power BI

Idea della soluzione

Se si desidera vedere questo articolo con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o linee guida sui prezzi, è possibile inviare commenti e suggerimenti GitHub!

Oggi, la maggior parte delle strutture opera in modo reattivo in caso di problemi a livello di stabilimenti. Ciò comporta spesso perdite, arresti di emergenza, costosi costi di correzione, problemi normativi, costose correzioni e ammenda. La previsione a livello di rete consente di gestire e ridurre questi e altri problemi.

Le previsioni vengono create sfruttando la potenza dei dati cronologici e in tempo reale immediatamente disponibili da sensori, contatori e record, che consentono di:

  • Prevenzione della perdita di rifiuti e degli arresti di emergenza
  • Individuare errori o malfunzionamenti hardware
  • Pianificare la manutenzione, gli arresti e la logistica
  • Ottimizzare le operazioni e l'efficienza della struttura
  • Rilevare perdite di pipeline e lente
  • Ridurre costi, ammenda e tempi di inattività

Il processo di previsione a livello di camion inizia in corrispondenza dell'input dell'well. L'olio viene misurato quando entra nella struttura tramite contatori e viene inviato all'acqua. I livelli vengono monitorati e registrati nei contenitori durante il processo di perfezione e quindi l'olio, il gas e la produzione idrica vengono registrati tramite sensori, contatori e record. Le previsioni vengono quindi effettuate usando i dati della struttura. Ad esempio, le previsioni possono essere effettuate ogni 15 minuti.

Il Cortana Intelligence Suite è adattabile e può essere personalizzato per soddisfare i diversi requisiti di strutture e aziende.

Architettura

Diagramma dell'architettura Scaricare una versione SVG di questa architettura.

Descrizione

Per altri dettagli su come viene compilata questa soluzione, vedere la guida alla soluzione in GitHub.

Il Cortana Intelligence Suite offre strumenti di analisi avanzati tramite Microsoft Azure, ad esempio l'inserimento di dati, l'archiviazione dei dati, l'elaborazione dei dati e i componenti di analisi avanzata, tutti gli elementi essenziali per la creazione di una soluzione di previsione a livello di blocco.

Questa soluzione combina diversi servizi di Azure per offrire vantaggi potenti. Hub eventi raccoglie i dati a livello di archivio in tempo reale. Analisi di flusso aggrega i dati di streaming e li rende disponibili per la visualizzazione. Azure Synapse Analytics archivia e trasforma i dati a livello di dettaglio. Machine Learning implementa ed esegue il modello di previsione. Power BI visualizza il livello di carico in tempo reale e i risultati della previsione. Infine, Data Factory orchestra e pianifica l'intero flusso di dati.

Il pulsante "Distribuisci" avvierà un flusso di lavoro che distribuirà un'istanza della soluzione all'interno di un gruppo di risorse nella sottoscrizione di Azure specificata. La soluzione include più servizi di Azure (descritti di seguito) insieme a un processo Web che simula i dati in modo che subito dopo la distribuzione si abbia una soluzione end-to-end funzionante.

Dopo la distribuzione, vedere le istruzioni post-distribuzione.

Dettagli tecnici e flusso di lavoro

  1. I dati vengono feed nel Hub eventi di Azure e Azure Synapse Analytics come punti dati o eventi, che verranno usati nel resto del flusso della soluzione.
  2. Analisi di flusso di Azure analizzare i dati per fornire near real-time analisi sul flusso di input dall'hub eventi e pubblicare direttamente in Power BI per la visualizzazione.
  3. Azure Machine Learning viene usato per effettuare previsioni a livello di campio di una determinata area in base agli input ricevuti.
  4. Azure Synapse Analytics viene usato per archiviare i risultati della stima ricevuti da Azure Machine Learning. Questi risultati vengono quindi utilizzati nel dashboard Power BI dati.
  5. Azure Data Factory gestisce l'orchestrazione e la pianificazione della riestensione oraria del modello.
  6. Infine, Power BI viene usato per la visualizzazione dei risultati, in modo che gli utenti possano monitorare il livello di carico da una struttura in tempo reale e usare il livello di previsione per evitare la perdita di dati.

Componenti

Passaggi successivi