Prognozowanie poziomu napełnienia zbiorników z ropą naftową i gazem

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

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub opinie!

Obecnie większość obiektów działa reakcyjnie na problemy na poziomach zbiorników. Często prowadzi to do rozlania, zamknięcia awaryjnego, kosztownych kosztów korygowania, problemów prawnych, kosztownych napraw i naprawienia. Prognozowanie na poziomie zbiorników ułatwia zarządzanie tymi i innymi problemami oraz zarządzanie nimi.

Prognozy są tworzone przez wykorzystanie możliwości danych historycznych i danych w czasie rzeczywistym, które są łatwo dostępne z czujników, mierników i rekordów, co ułatwia:

  • Zapobieganie rozlaniu zbiorników i zamykaniu awaryjnemu
  • Wykrywanie awarii lub awarii sprzętu
  • Planowanie konserwacji, zamykania i logistyki
  • Optymalizowanie operacji i wydajności obiektu
  • Wykrywanie przecieków potoku i slugging
  • Zmniejszenie kosztów, kar i przestojów

Proces prognozowania na poziomie zbiorników rozpoczyna się od danych wejściowych ze sypki. Oil jest mierzony, gdy trafia do obiektu za pośrednictwem mierników i jest wysyłany do wody. Poziomy są monitorowane i rejestrowane w procesie uściślania, a następnie dane wyjściowe dotyczące ropy naftowej, gazu i wody są rejestrowane za pośrednictwem czujników, mierników i rekordów. Prognozy są następnie prognozowane przy użyciu danych z obiektu; Na przykład prognozy mogą być prognozowane co 15 minut.

Interfejs Cortana Intelligence Suite dostosowywalny i można go dostosować do różnych wymagań, które mają obiekty i korporacje.

Architektura

Diagram architektury Pobierz format SVG tej architektury.

Opis

Aby uzyskać więcej informacji na temat sposobu zbudowania tego rozwiązania, odwiedź przewodnik po rozwiązaniu w GitHub.

Usługa Cortana Intelligence Suite udostępnia zaawansowane narzędzia do analizy za pośrednictwem usługi Microsoft Azure — pozyskiwanie danych, magazynowanie danych, przetwarzanie danych i zaawansowane składniki analityczne — wszystkie podstawowe elementy służące do tworzenia rozwiązania do prognozowania poziomu zbiorników.

To rozwiązanie łączy kilka usług platformy Azure w celu zapewnienia zaawansowanych korzyści. Event Hubs zbiera dane na poziomie zbiorników w czasie rzeczywistym. Stream Analytics agreguje dane przesyłane strumieniowo i udostępnia je do wizualizacji. Azure Synapse Analytics przechowuje i przekształca dane na poziomie zbiorników. Machine Learning implementuje i wykonuje model prognozowania. Power BI wizualizuje poziom zbiorników w czasie rzeczywistym oraz wyniki prognozy. Na koniec Data Factory i planuje cały przepływ danych.

Przycisk "Wd wdrażaj" spowoduje uruchomienie przepływu pracy, który wdroży wystąpienie rozwiązania w grupie zasobów w witrynie Azure Subscription. Rozwiązanie zawiera wiele usług platformy Azure (opisanych poniżej) wraz z zadaniem internetowym, które symuluje dane, dzięki czemu natychmiast po wdrożeniu masz dostępne, end-to-end rozwiązanie.

Po wdrożeniu zapoznaj się z instrukcjami po wdrożeniu.

Szczegóły techniczne i przepływ pracy

  1. Dane są następnie Azure Event Hubs i Azure Synapse Analytics jako punkty danych lub zdarzenia, które będą używane w pozostałej części przepływu rozwiązania.
  2. Azure Stream Analytics analizowanie danych w celu zapewnienia analizy strumienia wejściowego ze strumienia wejściowego w czasie niemal rzeczywistym i bezpośredniego publikowania w Power BI wizualizacji.
  3. Azure Machine Learning służy do prognozowania na poziomie zbiorników w określonym regionie na podstawie odebranych danych wejściowych.
  4. Azure Synapse Analytics służy do przechowywania wyników przewidywania otrzymanych z Azure Machine Learning. Te wyniki są następnie używane na pulpicie nawigacyjnym Power BI nawigacyjnym.
  5. Azure Data Factory obsługuje orkiestrowanie i planowanie ponownego trenowania modelu godzinowego.
  6. Na koniec Power BI wizualizacji wyników, dzięki czemu użytkownicy mogą monitorować poziom zbiorników z obiektu w czasie rzeczywistym i używać poziomu prognozy, aby zapobiec rozlaniu.

Składniki

Następne kroki