Машинное обучение ускоряет безопасность трубопроводов: детекция дефектов в реальном времени сэкономила $10 млн

Кейс: Крупная нефтегазовая компания проводила плановые инспекции сети трубопроводов одним физическим прибором — «pig» (инспекционный скрапер). Вместо отправки сырых данных аналитикам и ожидания — данные направили в ML-решение. Результат: выявлен критический дефект на участке, который отказал сразу при начале пескоструйной обработки. Благодаря своевременному обнаружению компания сэкономила минимум $10 млн — стоимость ущерба, так как участок пролегал через миндальный сад.

Это результаты одного исследования. Масштаб: 2,7 млн миль трубопроводов в Северной Америке. Почти 2/3 американцев живут в 600 футах от трубопровода. При авариях местные власти бессильны — карты точны только до 500 футов. PHMSA (Администрация по безопасности трубопроводов и опасных материалов): 2006–2015 — инциденты выросли на 26,8%. Инциденты = серьезные травмы, смерти, ущерб >$50 тыс. В 2015 г. — почти один инцидент в день.

Что означает рост инцидентов при строгих стандартах безопасности и инвестициях в миллиарды? Текущая система обслуживания недостаточно эффективна для точной предсказательности дефектов.

Данные — корень проблемы

Методология детекции не главная проблема — проблема в использовании данных, собранных pig'ом. Аномалии не идентифицируются напрямую доступными технологиями, нужна глубокая корреляция и анализ. Не вина дата-сайентистов — они работают по устоявшимся практикам, имеют опыт поиска проблем в безграничном потоке данных. Последнее — главная проблема. Раскрыто: только 4% собранных данных используется при управлении трубопроводами.

Все указывает на один вектор: гигантский объем данных.

Нависает кризис: уход на пенсию самых опытных экспертов. У некоторых — уникальные навыки, заменить невозможно. Почему не привлечь компьютеры? Да, но грубая вычислительная сила не делает компьютеры хорошими в задачах, требующих обучения, суждений, наблюдательных навыков.

Машинное обучение — мост

Пробел между навыками экспертов и повторяющей вычислительной силой компьютеров заполняет Machine Learning. С 2014 г. OneBridge Solutions предоставляет аналитические сервисы Oil & Gas, платформа на Microsoft Azure Cloud.

ML + масштабируемые облачные ресурсы = идеальная комбо для обработки гор данных от pig'а. Лучшее: модель SaaS — легко внедряется и управляется клиентами.

Фичи выравниваются против «состояния» трубопровода → создается новое «состояние» → визуализация на 3D-изображении. Через cognitive integrity management — виртуальные образы стыкуются в целые системы, анализируемые за минуты, не недели.

Пользователи просто drag-and-drop загружают тали инспекций — ingestion и нормализация за минуты. ML дает командам целостности инсайты по всей сети без часов скроллинга данных.

Помимо скорости: ML повышает точность данных, операционную эффективность, ratio обнаружения угроз. Эффективное использование данных pig'а, быстрая, комплексная, точная презентация → эксперты анализируют и дорабатывают результаты. Финал: бригады вооружены лучшими данными → меньше работы в поле, меньше нарушений на сайте.