Prognostisering på tanknivå för olja och gas

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

Lösningsidé

Om du vill att vi utökar den här artikeln med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för GitHub Feedback!

Idag fungerar de flesta anläggningar reaktivt på problem i tankens nivåer. Detta leder ofta till spill, nödstopp, dyra reparationskostnader, regelproblem, kostsamma reparationer och ärenden. Prognostiserade tanknivå hjälper till att hantera och minska dessa och andra problem.

Prognoser skapas genom att utnyttja kraften hos realtidsdata och historiska data som är tillgängliga från sensorer, mätare och poster, vilket hjälper till att:

  • Förhindra tankens spill och nödavstängningar
  • Identifiera maskinvarufel eller fel
  • Schemalägga underhåll, avstängningar och logistik
  • Optimera drift- och anläggningseffektivitet
  • Identifiera pipelineläckor och långsamt
  • Minska kostnader, pengar och stilleståndstid

Prognostiserade processer på tanknivå startar vid indata för brunnen. Olja mäts när den kommer till anläggningen via mätare och skickas till åtgärden. Nivåer övervakas och registreras i samband med förfiningsprocessen och sedan registreras olje-, gas- och vattenutdata via sensorer, mätare och poster. Prognoser görs sedan med hjälp av data från anläggningen. Prognoser kan till exempel göras var 15:e minut.

Den Cortana Intelligence Suite är anpassningsbar och kan anpassas för att uppfylla olika krav som anläggningar och företag har.

Arkitektur

Arkitekturdiagram Ladda ned en SVG för den här arkitekturen.

Description

Mer information om hur den här lösningen har skapats finns i lösningsguiden i GitHub.

I Cortana Intelligence Suite finns avancerade analysverktyg via Microsoft Azure – datainmatning, datalagring, databehandling och avancerade analyskomponenter – alla viktiga element för att skapa en prognoslösning på tanknivå.

Den här lösningen kombinerar flera Azure-tjänster för att ge kraftfulla fördelar. Event Hubs samlar in data på tanknivå i realtid. Stream Analytics aggregerar strömmande data och gör dem tillgängliga för visualisering. Azure Synapse Analytics lagrar och transformerar data på tanknivå. Machine Learning implementerar och kör prognosmodellen. Power BI visualiserar tanknivån i realtid samt prognosresultatet. Slutligen Data Factory orkestrering och schemalägger hela dataflödet.

Knappen Distribuera startar ett arbetsflöde som distribuerar en instans av lösningen i en resursgrupp i den Azure-prenumeration som du anger. Lösningen innehåller flera Azure-tjänster (beskrivs nedan) tillsammans med ett webbjobb som simulerar data så att du direkt efter distributionen har en fungerande lösning från start till slut.

Efter distributionen kan du läsa anvisningarna efter distributionen.

Teknisk information och arbetsflöde

  1. Data matas in Azure Event Hubs och Azure Synapse Analytics som datapunkter eller händelser, som används i resten av lösningsflödet.
  2. Azure Stream Analytics analysera data för att tillhandahålla analys i nära realtid på indataströmmen från händelsehubben och publicera direkt till Power BI för visualisering.
  3. Azure Machine Learning används för att göra prognoser för tanknivån för en viss region baserat på de indata som tas emot.
  4. Azure Synapse Analytics används för att lagra de förutsägelseresultat som tas emot från Azure Machine Learning. Dessa resultat används sedan i Power BI instrumentpanel.
  5. Azure Data Factory hanterar orkestrering och schemaläggning av omträning av timmodellen.
  6. Slutligen Power BI för resultatvisualisering, så att användarna kan övervaka tankens nivå från en anläggning i realtid och använda prognosnivån för att förhindra spill.

Komponenter

Nästa steg