cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

IOT and Predictive Big Data Analytics
for Oil and Gas

Cloud Bereit, loszulegen?

Sandbox herunterladen

Prognoseanalysen für den Erdöl-Sektor

Noble Energy ist ein unabhängiges globales Öl- und Gasunternehmen. Dort begann man mit der Nutzung der Hortonworks Data Platform, um Ausfallzeiten in der Infrastruktur vorherzusagen und zu vermeiden. Diese Prognoseanalysen helfen dem Unternehmen dabei, seine Infrastruktur für Erdöl- und Erdgasförderung instand zu halten. Außerdem erhofft sich das Unternehmen, mithilfe von HDP® die Sicherheit zu verbessern.

Maximaler Ertrag. Weniger Risiko.
Mehr Innovation.

Der grundlegende Umbruch bei der Verfügbarkeit von Daten wirkt sich auf die petrochemische Branche ähnlich aus wie auf Unternehmen aus dem Telekommunikations-, dem Einzelhandels- oder dem Fertigungssektor. Modernere Instrumente, automatisierte Prozesse und Kooperationen vervielfachen das Volumen an verfügbaren neuen Datenarten wie zum Beispiel Sensor-, Standort-, Wetter- und seismische Daten. Diese Datenarten können dann mit von Menschen generierten Daten kombiniert werden wie z. B. Marktdaten, Social-Media-Beiträge, E-Mails, Texte und Bilder, wodurch sich ganz neue Einblicke ergeben.

Anwendungsfälle

Beschleunigte Innovation durch Bohrlochanalysen (LAS-Analytics)

Große, komplexe Datensätze und starre Datenmodelle schränken das Innovationstempo bei Exploration und Förderung extrem ein, denn es werden Petrophysiker und Geowissenschaftler benötigt, um mit isolierten, komplexen Datensätzen arbeiten zu können, die einen manuellen Qualitätssicherungsprozess durchlaufen müssen. Die LAS-Log-Analytics von HDP geben Wissenschaftlern die Möglichkeit, abweichende LAS-Daten für die Erstellung von Prognosemodellen aufzunehmen und abzufragen. Dafür kommen etablierte statistische Tools wie SAS oder R zum Einsatz, die helfen, neue Modelle zu entwickeln, und diese dann zügig mit Milliarden von Messungen wiederholt durchrechnen. Durch die Kombination von LAS-Daten mit Förderungs-, Prospektions- und Aufbereitungsdaten lassen sich die geförderten Mengen und die Margen steigern. Dynamische Bohrlochanalysen normieren und verbinden Hunderte oder Tausende LAS-Dateien, wodurch man einen einheitlichen Einblick in Bohrlochkurven erhält, die als neue LAS-Dateien oder Bilder ausgegeben werden. Bei HDP enthalten diese konsolidierten Logs außerdem auch viele der Sensordaten, die früher aufgrund von anormalen Auslesungen aus Spannungsspitzen, Kalibrierungsfehlern und anderen Ausnahmen „außerhalb des normalen Bereichs“ lagen. Mit HDP kann ein automatisierter Qualitätssicherungsprozess alle diese (guten und schlechten) Daten aufnehmen und sie dann entsprechend untersuchen, um anormale Auslesungen herauszufiltern und einen einheitlichen Einblick in die Daten zu ermöglichen.


Operative Grenzwerte für jede Quelle & Warnung bei Abweichungen

Nachdem die idealen Betriebsparameter ermittelt wurden (z. B. Pumpraten oder Flüssigkeitstemperaturen), mit denen sich Öl und Gas mit optimalem Durchsatz fördern lassen, werden diese Daten in einem Plan mit Grenzwerten festgehalten. Die Einhaltung der besten Grenzwerte für eine Öl- oder Gasquelle in Echtzeit ist Aufgabe der fehlertoleranten Echtzeit-Analytics und -Warnmeldungen von Apache Storm. Storm läuft auf Hadoop und kann Variablen wie den Pumpendruck, Umdrehungen, Durchflussraten und Temperaturen überwachen und entsprechende Korrekturmaßnahmen ergreifen, wenn einer dieser Punkte von den zuvor festgelegten Bereichen abweicht. Dieses mit komplexen Daten ausgestattete System hilft dem Bohrungsbetreiber dabei, Geld zu sparen und die Prozesse auf sich ändernde Bedingungen abzustimmen.


Optimierung von Leasing-Geboten dank zuverlässiger Ertragsprognosen

Öl- und Gasfirmen erwerben in Form mehrjähriger Leasingverträge die Explorations- und Bohrrechte auf staatlichem oder privatem Land. Dafür wird in der Regel ein fester Betrag für eine Quelle mit einem unkalkulierbaren Erdgas- oder Erdölvorkommen bezahlt. Der Pächter des Landes kann seine Wettbewerber allerdings überbieten, wenn er auf genauere Prognosen über den Ertrag einer Quelle zugreifen kann. Apache Hadoop ermöglicht diesen Wettbewerbsvorteil durch die effiziente Speicherung von Bilddateien, Sensordaten und seismischen Messungen. Damit wird jede externe Untersuchung eines Felds, für das Gebote abgegeben werden können, um fehlenden Kontext ergänzt. Ein Unternehmen, das in Besitz dieser einzigartigen Informationen mit Prognoseanalysen ist, kann nun einen unprofitablen Leasing-Vertrag abtreten, der andernfalls fortgeführt werden würde, oder – im umgekehrten Fall – auf den sprichwörtlichen „ungeschliffenen Rohdiamanten“ stoßen, der sich kostengünstig leasen lässt.


Präventive Reparatur durch gezielte Wartung

Früher haben Betreiber die Daten über den Status ihrer Pumpen und Quellen bei physikalischen Inspektionen erfasst (und das oftmals an abgelegenen Orten). Infolgedessen waren diese Inspektionsdaten rar und schwer zugänglich, was vor allem in Anbetracht des hohen Wertes der Geräte und des potenziellen Gesundheits- und Sicherheitsrisikso bei Unfällen inakzeptabel war. Heute können Sensordaten aus Pumpen, Quellen und anderen Geräten in regelmäßigen Abständen in Hadoop gestreamt werden, was günstiger als die manuelle Erfassung dieser Daten ist. Erfahrene Mitarbeiter können dann anhand dieser Daten das machen, was Sensoren nicht können: Maschinen reparieren oder ersetzen. Die Maschinendaten lassen sich mit anderen Datenströmen zum Wetter, zu seismischen Aktivitäten oder zur Stimmung in den sozialen Medien ergänzen. Dadurch ergibt sich ein umfassendes Bild von den Vorgängen auf dem Feld. Algorithmen analysieren diese großen und vielseitigen Datensätze dann in Hadoop, um subtile Muster zu erkennen und diese mit tatsächlichen Ergebnissen zu vergleichen. Ist beispielsweise ein bestimmtes Gerät früher ausgefallen als vermutet? Und falls ja, bei welchem Gerät besteht das Risiko, dass dieser Fehler ebenfalls auftritt? Die datengesteuerte und präventive Instandhaltung sorgt für den Betrieb der Geräte mit einem geringeren Unfallrisiko und geringe Wartungskosten.

Langsamere Abnahme der Reserven durch optimierte Förderungsparameter

Ölfirmen müssen sich bei der Verwaltung ihrer vorhandenen Ölquellen auch mit dem Versiegen dieser Quellen auseinandersetzen, da neue Entdeckungen immer seltener werden. Die Rückgangskurvenanalyse (eng. DCA für „Decline Curve Analysis“) nutzt frühere Förderdaten einer Quelle, um die zukünftige Fördermenge zu schätzen. Allerdings zeigen historische Daten in der Regel konstante Förderraten, während die abnehmenden Werte bei einer nahezu erschöpften Quelle einem nicht-linearen Muster folgen. Normalerweise fällt die Kurve mit zunehmender Ausschöpfung schneller ab. Wenn eine Quelle ihrem Ende zugeht, spielen die Daten aus der Vergangenheit keine Rolle mehr. Die Lösung: Die Optimierung von Förderungsparametern. Dabei handelt es sich um die intelligente Steuerung der Parameter, mit denen sich die Lebensdauer einer Quelle maximieren lässt. Dazu gehören zum Beispiel Druck, Durchflussraten und thermische Eigenschaften der eingelassenen Flüssigkeitsmischungen. Algorithmen für maschinelles Lernen können massive Volumina von Sensordaten aus verschiedenen Quellen analysieren, um die beste Kombination aus diesen steuerbaren Parametern zu finden. Die leistungsstarken Datenermittlungs- und Analysefunktionen von HDP können dem Eigentümer einer Quelle oder dem Pächter dabei helfen, das Maximum aus dieser Ressource zu schöpfen.