几十年来，‍石油和天然气行业错过了创新和数字化的机会。该行业产生了大量数据，但仍无法最大化其资产的生产潜力。

  根据Forrester的数据，这些大公司与别的行业企业公司一样，仅利用27%至40%的商业智能和分析数据。麦肯锡‍报告称，典型的海上平台的工作速度约为其最大生产潜力的77%。整个行业的缺口约为1000万桶/日或2000亿美元的年收入。

  产生的大量信息不可能由人类单独管理。它需要复杂的数字管理软件，人工智能（AI）和机器学习（ML）这些技术能分析过去，优化当前，并预测从井口到燃烧器尖端的整个油气价值链的未来结果。这些技术能提供节省资产的预测，为自动化奠定基础，并从内到外保护石油和天然气设施。

  超大规模海上生产作业的数量和规模使其昂贵且难以维护。一位超级巨头计算，如果他们将整个船队的平台可用性提高1%，他们每年可以净增约3亿美元。这一变化将提高海上工程师和运营商的安全性，并为股东提供财务激励和影响。

  这家超级巨头已经在数字化转型和运营维护项目上投入了大量资金，具有高度的数字化能力和数据至上的心态。资产得到了良好的仪器和监控，数据科学家团队正在努力构建和部署预测性人工智能模型。挑战在于大规模部署人工智能。模型通常不符合转移到生产的既定成功标准，数据流、警报、模型再培训和模型管理方面的额外复杂性很难实施。

  该公司在其一个精选平台上提交了分离器系统的数据集，以测试外包人工智能平台的效率。分离器系统有多个乙二醇系统和出口压缩机意外故障的记录，导致该平台约80%的停机时间。通过利用每个子系统两到三年的历史数据，开发了模型，以正确预测75%的历史故障，平均提前九天进行预警。

  该项目的第二阶段侧重于在现场生产环境中大规模操作模型。这涉及开发用于建模和实时执行的数据管道，并利用正常行为建模中的创新，以更少的误报和更高的精度发出警报。所有功能都是通过管理数据摄取、模型构建和执行、警报策略、领域专家输入和自动再培训的分析软件提供的。

  在四个月的时间里，在第一个平台上部署首批20款模型并成功激活。第二个平台需要20个额外的模型，将在两个月内完成。

  专门为石油和天然气应用设计的AI解决方案部署在该公司的远程控制中心的陆上，提供警报功能、10分钟诊断和明显提高整体运营可视性。它引发了几次警报，导致避免了净延期，这中间还包括一个重要的出口压缩机。资产风险水平迅速上升，触发了紧急警报。

  在检查特征重要性和标签相关性时，得出的结论是，其中一个温度传感器存在严重故障，资产不会立即面临风险。在下一个计划维护期间，得出的结论是温度传感器松动，提供了故障值。如果这可能被认为是微不足道的，那么转移资产以确定最终的原因在大多数情况下要两天的时间，损失的产量至少为1000万美元。

  一旦外包的人工智能解决方案在整个海上平台上全面部署，预计每年将产生约8亿美元的经济影响。

  在拥抱数字技术的过程中，石油和天然气行业对AI及其改造运营的可能性越来越乐观。认知环境和技术将行业决策者联系在一起，帮他们无缝地分享见解，更灵活地采用异构数据集，并实现目标分析和模拟。

  随着该行业继续采用和适应AI应用，该行业将实现现代化，在保护环境、更有效地发现能源、采取积极的工作场所安全举措和诊断知情决策方面，机会丰富。

  除了从基于AI和ML的解决方案中获得好处外，石油和天然气行业还可以推动这些技术的进步，因为这是一个能够正常的看到显著好处的新领域。（小晨编译）