A Inteligência Artificial no segmento de Petróleo & Gás

O uso da tecnologia da Inteligência Artificial no segmento de petróleo & gás tem estimulado várias grandes empresas no objetivo de buscar maneiras inovadoras para melhorar a eficiência, reduzir custos operacionais e minimizar o tempo de inatividade não planejado da planta de exploração & produção (E&P) principalmente no momento atual de redução dos preços do barril de petróleo no mercado mundial.

1.

Introdução

A Inteligência Artificial (IA) [1] é uma ciência materializada por um conjunto de tecnologias computacionais que são inspiradas – mas tipicamente operam de forma bastante diferente – nas maneiras como as pessoas usam seus sistemas nervosos e seus corpos para sentir, aprender, raciocinar e agir (SARA). Ela permite que as máquinas tenham uma percepção visual, façam o reconhecimento de voz, apoiem a tomada de decisão, efetuem a tradução entre linguagens, entre outras tarefas. A sua implementação é fundamentalmente baseada em algoritmos matemáticos (alguns bem complexos) onde destacam-se as técnicas de Aprendizagem de Máquina (“machine learning” [2]) e Aprendizado Profundo (“deep learning” [3]). Aqui temos uma visão geral e status da IA no mundo atualmente [4].

Os algoritmos de IA têm um papel fundamental na manipulação de dados nas organizações e em “obter” valor dos mesmos para incrementar os negócios das empresas. O grande valor das técnicas de IA é que elas extraem mais valor dos dados. Os algoritmos de IA podem, por exemplo, predizer quando um cliente está apto para comprar, quando uma turbina de um avião precisa de

Os dados são a “força motriz” da IA. Eles são o “combustível” para toda inovação e criatividade da tecnologia de IA. Mais ou menos nos últimos cinco anos, o poder dos dados nas organizações tem se tornado muito claro. Os dados atualmente representam um conjunto de alto valor estratégico para as organizações. As empresas na vanguarda das tendências tecnológicas estão usando suas capacidades para estabelecer vantagens formidáveis através dos dados.

Estamos presenciando agora no mercado enormes disparidades de desempenho entre um pequeno grupo de empresas líderes (que sabe dar valor aos dados), como Google e Amazon, e uma empresa média típica. As capacidades de análise de dados (“data analytics”) tornaram-se um fator extremamente diferenciador na competição da indústria, já que os principais players usam dados e análises para aumentar a receita, para entrar no mercado ou, até mesmo, criar novos mercados, para mudar a natureza de sua relação com os clientes, e também, para aumentar a eficiência organizacional. As organizações que estão atrasadas (e não valorizam dados) precisarão se adaptar rapidamente antes que a diferença em relação a seus “competidores digitais” aumente.

Segundo estimativa do analista de indústria IDC, o mercado IA em 2020 será de mais de 46,0 BUS$. Em 2017, o mercado IA foi de 12,5 BUS$ em 2017 [4.1].

A tecnologia de IA será responsável pela próxima revolução industrial, dizem os especialistas do segmento, já que os sistemas informáticos inteligentes vão substituir um grande número de tarefas humanas. É realmente muito importante que a sociedade, os governos e as empresas levem a sério a tecnologia de IA pois ela impactará em “todo o mundo” de uma forma que nós ainda não podemos antever com precisão.

A Inteligência Artificial (IA) permite que os produtores tirem valor da quantidade esmagadora de dados que suas fábricas, operações e consumidores e gerem e transformem esses dados em decisões/ações significativas. Hoje, 70% dos dados de produção capturados nas fábricas NÃO SÃO UTILIZADOS! [5] Esse cenário ainda vai piorar quando a IoT aumentar da taxa de penetração na indústria pela sua natureza de grande geradora de dados. Aplicando a tecnologia de IA à conectividade da IoT, os produtores serão capazes de orquestrar e agilizar os processos de negócios, desde os desktops até as máquinas, em vários departamentos das fábricas e níveis de fornecedores. As oportunidades imediatas mais promissoras para a aplicação de IA em sistemas de produção são o gerenciamento de qualidade, a manutenção preditiva e a otimização da cadeia de suprimentos. Os produtos alavancados pela IA nas fábricas vão alterar o jogo para que proposições de valor sejam direcionadas aos clientes, e os produtores estejam aptos para orquestrar as redes de valor necessárias para entregar esses produtos.

2.

Segmento de Petróleo & Gás

O uso das tecnologias de “Machine Learning” e “Data Analytics” no segmento de Petróleo & Gás avançou bastante nos últimos quatro anos, uma vez que a queda mundial do preço do petróleo levou as empresas a buscar maneiras inovadoras para melhorar a eficiência, reduzir custos operacionais e minimizar o tempo de inatividade não planejado da planta de Exploração & Produção (E&P). O tema de IA nesse segmento torna-se ainda mais relevante na “queda de braço recente” em março de 2020 entre a Arábia Saudita e a Rússia por conta da pandemia de coronavírus [6].

A queda do preço do barril de petróleo tem comprimido as margens do negócio e forçado aos operadores a mudar seu foco no aumento da produção de forma a otimizá-la. Esse é o maior alavancador da tecnologia de IA no segmento de petróleo & gás.

O uso de software avançado para analisar dados (“data analytics”) e o fornecimento de recomendações para melhorar o desempenho operacional não é novidade para a indústria de petróleo & gás. Desde o início da década de 1990, os operadores da área de Exploração e Produção (E&P) têm utilizado uma vasta gama de tecnologias concebidas para absorver e analisar informações relativas às condições do fundo de poço (p. ex., temperatura, pressão e composição geofísica), ao desempenho da broca de perfuração e a dinâmica do reservatório.

Por muitos anos, no entanto, a implementação destas ferramentas exigiu um investimento inicial significativo, o que implicava que só poderiam ser financeiramente justificadas em poços com níveis de produção elevados (retorno versus investimento).

2.1.

“Machine Learning”

Alimentado por centenas de servidores computacionais e capaz de processar bilhões de pontos de dados em tempo real, os algoritmos de “Machine Learning” têm a capacidade de encapsular informações associadas a uma gama grande de variáveis em cima uma da outra. Isso permite uma rápida identificação de tendências e padrões que de outra forma seria difícil e demorado para detectar, mesmo para os olhos humanos mais treinados.

Por exemplo, em vez de monitorar uma única variável como a pressão diferencial em um reservatório, o software de “Machine Learning” pode levar em conta uma série de fatores importantes para a estratégia global da perfuração. Estes incluem avaliações de equipamentos, vibrações sísmicas, permeabilidade de extratos e gradientes térmicos. Quando em camadas, esses dados podem ser usados para determinar não apenas a direção ótima da broca de perfuração, mas também como ela deve ser controlada (isto é, taxa de penetração) à medida que perfura através do solo.

As informações são registadas, contextualizadas e visualizadas através de interfaces homem-máquina, permitindo ao pessoal técnico monitorar o desempenho global dos poços e tomar decisões mais inteligentes destinadas a melhorar as operações.

O software de Análise Preditiva (“Data Analytics”) também pode ser usado para analisar os dados para determinar se as condições de fundo de poço são propícias a eventos potencialmente catastróficos, como uma circulação perdida, uma tubulação presa ou ameaças de explosões. Alavancando dados para entender o que contribui para a probabilidade de um determinado evento, os algoritmos podem fornecer recomendações ao sistema de controle e ao pessoal operacional para minimizar as probabilidades de tal ocorrência. Isso se tornou crítico, dado o fato de que o custo do tempo não-produtivo de uma planta de E&P pode ser tão elevado quanto milhões de dólares por dia em alguns casos.

Ver referência [7] sobre a utilização de “Machine Learning” na área de petróleo e gás.

2.2.

“Deep Learning”

Para determinar onde perfurar na busca de petróleo, as companhias de petróleo & gás confiam na imagem sísmica, uma ferramenta que utiliza matrizes de detecção de sons para identificar as camadas de rocha de superfície e outras características geológicas dos terrenos que têm potenciais de exploração. A tecnologia de hardware de GPU da Nvidia tem ajudado empresas como a Chevron a transformar esses grandes volumes de imagens de dados sísmicos em mapas 3D para melhorar a precisão das previsões dos reservatórios de petróleo, e mitigar os riscos associados às custosas atividades de perfuração e produção.

Embora as técnicas padrão de “Machine Learning” tenham uma longa história no fluxo de trabalho de caracterização dos reservatórios de petróleo, a utilização da tecnologia de “Deep Learning” é algo novo nesta área mas tem começado a interessar a alguns players importantes neste cenário. Pesquisadores da Chevron estão entre as várias empresas considerando as formas como a Rede Neural Profunda pode se encaixar nos fluxos de trabalho de caracterização de reservatórios existentes. Em 2016, uma equipe da empresa liderou um esforço para empregar redes neurais profundas combinada com o método de “krigeing fuzzy” (um método numérico aplicado a dados imperfeitos, comuns no segmento petrolífero) para analisar a viabilidade de um reservatório no vale de San Joaquin na Califórnia. Este local provou ser um bom candidato para a abordagem experimental no uso do “Deep Learning” devido à complexidade das características geológicas do terreno (variado e pesado com argila, silte, arenito e xisto) [8-9].

O estudante de Ph. D. do MIT Chiyuan Zhang e a Shell começaram um projeto conjunto para utilizar simulações de física para gerar os modelos para sintetizar dados de treinamento para ajudar a treinar os modelos de “Deep Learning”. Em seguida, alavancaram técnicas de Redes Neurais não Supervisionadas para detectar automaticamente as falhas subterrâneas a partir de vestígios sísmicos para exploração de petróleo e gás. As GPUs permitiram que eles acelerassem sua experiência em torno de 40% em relação às soluções baseadas em CPU normal.

Outras empresas também estão usando a tecnologia de “Deep Learning” para treinar os modelos para prever e melhorar a eficiência e a segurança da “fracturação” hidráulica, ou “fracking”. O processo de “fracking” pode custar dezenas de milhões de dólares. As empresas querem encontrar rapidamente receitas de “fracturação” eficazes para cada região de xisto. A técnica de Rede Neural Profunda ajuda as empresas de petróleo & gás a aprender a “fracturar” um determinado campo de petróleo da forma mais eficiente possível, sugerindo espaçamentos efetivos, partículas de areia revestidas de resina (“proppants”) e padrões de pressão para cada poço.

2.3.

Manutenção Preditiva 

A manutenção preditiva em uma planta de E&P é de fundamental importância reduzir os custos e aumentar o tempo de atividade da planta.

Aplicando software especiais de “Data Analytics”, o pessoal de manutenção da planta agora pode utilizar técnicas de detecção de anomalias baseadas em padrões para identificar o estado real dos equipamentos ou de um processo. Isso identifica eventos precursores de interrupções de equipamentos não programados e antecipa problemas de processo emergentes.

Com tendências em tempo real, o desempenho dos equipamentos é monitorado continuamente, medidas preditivas são tomadas quando a manutenção é necessária, e intervalos de manutenção são ampliados sempre que possível.

A análise de dados necessária para prever os problemas antes que eles ocorram é bastante complexa, pois requer a observação de dados históricos e em tempo real em contexto com ordens de serviços, notificações, incidentes, logs de operadores, alarmes e eventos, corrosão, inspeção e dados de equipamentos para construir uma imagem das condições que podem causar falha.

Os engenheiros de processos e confiabilidade mais familiarizados com os equipamentos e as unidades operacionais realizam essa análise complexa usando software de “data analytics”, criando “perfis ou padrões de dados” usando informações dos sensores de monitoramento dos equipamentos conhecidos por estar em bom estado de funcionamento, monitorando os desvios desses “perfis de dados”, e alertando automaticamente o pessoal da planta antes que os problemas ocorram.

Os engenheiros da refinaria agora têm ferramentas de análise de dados acessíveis para evitar perdas de capacidade não planejadas.

O uso da manutenção preditiva tem motivado muito o interesse de várias empresas no segmento de petróleo & gás [10].

Para maiores detalhes sobre “data analytics” no segmento de petróleo e gás ver referência aqui [11].

3.

Empresas de Petróleo & Gás e Gigantes de Tecnologia

Várias empresas do segmento de petróleo & gás estão apostando na tecnologia de IA para utilização em diversas áreas produtivas desse segmento, a saber: Shell [11], ExxonMobil, China Petroleum and Chemical Corp. (Sinopec), Total (França), Gazprom (Rússia), Chevron, Repsol, Equinor, BP, Aker BP (Noruega com participação BP) entre outras [12-16]. Além destas operadoras ainda temos grandes empresas de tecnologia como Google, Amazon e Microsoft [17] apostando no uso da IA no mesmo segmento.

Adicionalmente, ainda é oportuno destacar, o investimento da holandesa Shell no treinamento de aproximadamente 2.000 profissionais em todo o mundo na tecnologia de IA para utilização nos seus processos produtivos [18].

Finalmente, veremos no futuro uma grande movimentação no mercado mundial no uso da tecnologia da IA no poderoso segmento de petróleo & gás.

Referências:

[1] Artificial Intelligence, Wikipedia
https://en.wikipedia.org/wiki/Artificial_intelligence

[2] Machine Learning, Wikipedia
https://en.wikipedia.org/wiki/Machine_learning

[3] Deep Learning, Wikipedia
https://en.wikipedia.org/wiki/Deep_learning

[4] State of AI Report 2019, September 2019
https://www.stateof.ai/

[4.1] Worldwide Spending on Cognitive and Artificial Intelligence Systems Forecast to Reach $12.5 Billion This Year, According to New IDC Spending Guide, IDC, 03.apr.2017
https://www.businesswire.com/news/home/20170403005123/en/Worldwide-Spending-Cognitive-Artificial-Intelligence-Systems-Forecast

[5] Technology and Innovation for the Future of Production: Accelerating Value Creation, World Economic Forum, March 2017 [pdf]http://www3.weforum.org/docs/WEF_White_Paper_Technology_Innovation_Future_of_Production_2017.pdf

[6] A guerra de preços entre Rússia e Arábia Saudita que derrubou o preço do petróleo, UOL, 09.mar.2020
https://economia.uol.com.br/noticias/bbc/2020/03/09/a-guerra-de-precos-entre-russia-e-arabia-saudita-que-derrubou-o-preco-do-petroleo.htm?cmpid=copiaecola

[7] SAP AI: Machine Learning in Oil & Gas, SAP, 06.mai.2017
https://blogs.sap.com/2017/05/06/sap-ai-machine-learning-in-oil-gas/

[8] Refining Oil and Gas Discovery with Deep Learning, The Next Platform, 24.jan.2017
https://www.nextplatform.com/2017/01/24/refining-oil-gas-discovery-deep-learning/

[9] The Refinery Of The Future, Chevron
https://www.chevron.com/stories/the-refinery-of-the-future

[10] Predictive maintenance in oil and gas: Top upstream companies, Offshore Technology, 19.nov.2019
https://www.offshore-technology.com/comment/predictive-maintenance-oil-gas-top-upstream-companies/

[11] Harness Oil & Gas Big Data Analytics (Chapter 1), SAS, John Wiley, 2015
http://www.sas.com/storefront/aux/en/spbigdataoilgas/66509_excerpt.pdf 

[12] Shell Announces Plans to Deploy AI Applications at Scale, Wall Street Journal, 20.sep.2018
https://blogs.wsj.com/cio/2018/09/20/shell-announces-plans-to-deploy-ai-applications-at-scale/

[13] Artificial Intelligence in Oil and Gas – Comparing the Applications of 5 Oil Giants, Emerj, 18.sep.2019
https://emerj.com/ai-sector-overviews/artificial-intelligence-in-oil-and-gas/

[14] AI for Exploration & Production (Upstream) in the Oil and Gas Industry – Current Applications, Emerj, 23.jul.2019
https://emerj.com/ai-sector-overviews/ai-exploration-production-upstream-oil-gas-industry-current-applications/

[15] Nine upstream companies using predictive maintenance in the oil and gas industry, NS Energy, 28.nov.2019
https://www.nsenergybusiness.com/features/predictive-maintenance-oil-and-gas/

[16] Oil and Gas Companies Turn to AI to Cut Costs, Wall Street Journal, 13.oct.2019
https://www.wsj.com/articles/oil-and-gas-companies-turn-to-ai-to-cut-costs-11571018460

[17] How Google, Microsoft, and Big Tech Are Automating the Climate Crisis, Gizmodo, 21.feb.2019
https://gizmodo.com/how-google-microsoft-and-big-tech-are-automating-the-1832790799

[18] Shell Aims to Enroll Thousands in Online Artificial-Intelligence Training, Wall Street Journal, 13.feb.2020
https://www.wsj.com/articles/shell-enrolls-thousands-in-online-artificial-intelligence-training-11581622566?redirect=amp#click=https://t.co/sNKYK2aeH3

Emitido por Eduardo Prado
Twitter: https://twitter.com/eprado_melo