Caso de éxito con Machine Learning: Oleoducto Ocensa en Colombia

Oleoducto Central Ocensa, es la plataforma más extensa y moderna para transportar crudo en Colombia. Transportan toda clase de crudos, livianos, pesados y mezcla. A través de una tubería de 836 kilómetros en tierra y 12 kilómetros en el mar, cuentan con diez estaciones de bombeo, una reductora de presión, un terminal marítimo, tanques para almacenar hasta cinco millones de barriles y dos bases para la coordinación de las actividades de mantenimiento, ubicadas estratégicamente tanto en la línea sur como en la línea norte del Oleoducto.

El principal desafío de Ocensa era poder predecir cuándo alguna de las estaciones de bombeo iba a fallar en el proceso de transporte. Hay que aclarar que las fallas que posiblemente se pudieran presentar, son relativamente mínimas.

Para esto se ejecutó un algoritmo de analítica predictiva Machine Learning, el cual procesa todas las variables posibles segundo a segundo de todos los datos de falla, los cuales son muy pocos en comparación con los datos normales.

Por medio de las características de las redes neuronales recurrentes, lo que se hace es recibir todos los datos, dándole una importancia a las señales de peso que reciben. Así, dependiendo qué tan importantes son, se pueden ir tomando soluciones acertadas.

Existen muchos tipos de fallas que puede predecir el algoritmo de Machine Learning, hasta 30 minutos antes de que se presente la falla en alguna de las estaciones de bombeo. Una falla es un comportamiento de la bomba que hace que se salga de operación, es decir, que no puede seguir bombeando el crudo. El algoritmo analiza todas las señales que recibe de la bomba desde esa falla, y con esos datos el algoritmo aprende a predecir en el futuro todas las fallas que tiempo atrás ocurrieron. Sin embargo, el algoritmo puede alertar falsos positivos y falsos negativos.

Cualquier algoritmo de tipo predictivo necesita adaptarse, con esto, las probabilidades de presentar fallas en la predicción de las unidades de bombeo se reducen a un rango muy mínimo, casi improbable de que ocurra, sin embargo, el gran reto es trabajar con tan pocos datos, en el sentido en que por medio del histórico de datos que va suministrando el algoritmo se pueden ir tomando decisiones anticipadas a todas las probabilidades de falla que se puedan presentar.

Uno de esos problemas es el derrame del crudo en algunas tuberías del oleoducto, provocando afectaciones no solo en las estaciones de bombeo, sino también en las regiones o aldeas vecinas que se encuentran ubicadas alrededor del recorrido del oleoducto. En el caso de que alguna de las unidades que conforman el sistema de transporte falle, se tienen dos impactos potenciales: Uno ambiental, si se llegara a presentar falta de contención y una fuga de crudo llegue al suelo o a alguna fuente de agua, lo que, a su vez, generaría conflictos sociales con los habitantes del lugar. Gracias a la solución que se brindó en la implementación del algoritmo de analítica predictiva Machine Learning, se podrían reducir este tipo de potenciales problemas ambientales.

La plataforma ibisa tiene un conjunto de soluciones que se nutre con toda la información disponible dentro del proceso operacional, organiza los datos en una sola pantalla para crear flujos de trabajo colaborativos, por medio de la inteligencia artificial del algoritmo Machine Learning, mostrando alertas de inactividad o fallas, y generando una mayor probabilidad de aumento en la productividad, reducción de costos y mantenimiento de las bombas.

Este uso de aplicaciones tecnológicas, si bien algunas empresas lo están implementando desde hace algunos años, es algo relativamente nuevo en la industria de los hidrocarburos. Quienes ya tienen trayectoria y experiencia en el tema, han logrado ver grandes resultados, Ocensa hace parte de la industria 4.0.

Ellos partieron de una necesidad o reto: Implementar una solución efectiva para apoyar la continuidad operativa en el desarrollo del bombeo del crudo, advirtiendo sobre las posibles fallas que se pudieran presentar en las unidades de bombeo, a continuación vamos a explicar cómo la plataforma de industria 4.0 Ibisa brindó la solución adecuada.

- Análisis de la situación

Ocensa requería un aplicativo de analítica para la predicción de fallas de sus unidades de bombeo para tomar decisiones anticipadas. Fueron 5 unidades de bombeo a las cuales se les aplicó este modelo de analítica predictiva.

- Ejecución

Se desarrolló un algoritmo de redes neuronales recurrentes Machine Learning que recibe datos y va ajustando los pesos (número matemático que se les da) según las señales que recibe; el peso indica qué tan importante son esos datos en la predicción que va generando según el aprendizaje de las máquinas. A través del tiempo, el algoritmo se va ajustando hasta encontrar esta combinación de datos óptima para establecer un modelo predictivo.

El algoritmo desarrollado emite alarmas y notificaciones anticipadas a un evento de falla, con un índice de probabilidad para que el equipo de Ocensa tome acciones frente a estos eventos no deseados.

- Nuestra propuesta

Se planteó sobre La Plataforma de industria 4.0 ibisa la cual constó de las siguientes funcionalidades:

• Adquisición y centralización de información, mediante la plataforma de Ibisa, teniendo la facilidad de conexión con diferentes protocolos industriales.
• Desarrollo e implementación del modelo analítico de acuerdo con sus requerimientos.

- Arquitectura

La arquitectura planteada en Ocensa es replicable para cada equipo, ya que la plataforma de ibisa se encuentra desplegada en la nube. Esta arquitectura se maneja como servicio, el diseño para la conexión directa a los datos generados por cada controlador de equipo. Se basa en la consideración de adquirir los datos con la menor manipulación posible y enriquecer las capacidades de las tecnologías de Stream Data Analytics.

Esta funcionalidad mejora las velocidades de respuesta de los algoritmos de Machine Learning en la detección oportuna de los eventos, de igual manera garantiza el funcionamiento de los algoritmos en los eventos cuando elementos superiores de la arquitectura como el SCADA o el Historiador se encuentren fuera de línea por intervenciones o mantenimientos.

Ahora que ya conoces un poco más sobre el algoritmo de analítica predictiva Machine Learning y sobre la plataforma de industria 4.0 ibisa, podrás mejorar toda la cadena de producción en tu empresa, ya sea en Hidrocarburos, Manufactura, Industria pesada o cualquier otra que quiera dar ese gran paso a lo que conocemos como revolución 4.0.

Fuente: Ibisa

¡Aprovecha estos últimos días de inscripción para aprender las herramientas que están logrando innovación en el sector Oil & Gas. ¡Todo a tu alcance!

Las empresas O&G quieren unificar sus datos para impulsar la eficiencia y tomar mejores decisiones. En estos momentos están buscando quien sepa hacerlo y tu puedes ser uno de ellos.

The University of Oklahoma, en conjunto con Oil Channel, te invita diversificarte, desarrollar y aprender sobre los temas que están en tendencia con una salida laboral muy amplia.

Curso Online | Conceptos de Machine Learning aplicado al sector "Upstream" de petróleo y gas.

¿Más información?
Contáctanos ????

Paola Rueda
Asistente comercial @oilchanneltv
(+57) 316 627 1180

http://bit.ly/MasInformacionMachineLearning

Etiquetas