Idee per le soluzioni
Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.
Oggi la maggior parte delle strutture gestiscono in modo reattivo i problemi dei livelli delle cisterne. Questa reattività spesso comporta perdite, arresti di emergenza, costi di correzione costosi, problemi normativi, riparazioni costose e multe. La previsione dei livelli delle cisterne consente di gestire e alleviare questi e altri problemi.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- I dati vengono inseriti nel servizio Hub eventi di Azure e azure Synapse Analytics come punti dati o eventi che verranno usati nel resto del flusso della soluzione.
- Analisi di flusso di Azure analizza i dati per fornire analisi quasi in tempo reale sul flusso di input dall'hub eventi e pubblicarli direttamente in Power BI per la visualizzazione.
- Azure Machine Learning viene usato per effettuare previsioni sul livello di serbatoio di una determinata area in base agli input ricevuti.
- Azure Synapse Analytics viene usato per archiviare i risultati delle previsioni ricevuti da Azure Machine Learning. Questi risultati vengono quindi utilizzati nel dashboard di Power BI.
- Azure Data Factory gestisce l'orchestrazione e la pianificazione della ripetizione del training del modello oraria.
- Infine, Power BI viene usato per la visualizzazione dei risultati, in modo che gli utenti possano monitorare il livello del serbatoio da una struttura in tempo reale e usare il livello di previsione per evitare perdite.
Componenti
- Azure Data Factory
- Hub eventi di Azure
- Azure Machine Learning
- Analisi di flusso di Azure
- Azure Synapse Analytics
- Power BI
Dettagli dello scenario
Il processo di previsione del livello delle cisterne inizia in corrispondenza del pozzo petrolifero o del giacimento di gas. Il petrolio viene misurato all'ingresso nello stabilimento tramite misuratori e viene inviato alle cisterne. I livelli vengono monitorati e registrati in serbatoi durante il processo di affinamento. L'output di petrolio, gas e acqua viene registrato tramite sensori, contatori e record. Le previsioni vengono create con i dati provenienti dallo stabilimento. Ad esempio, è possibile generare previsioni ogni 15 minuti.
Servizi cognitivi di Azure è adattabile e può essere personalizzato per soddisfare requisiti diversi offerti dalle strutture e dalle aziende.
Potenziali casi d'uso
Questa soluzione è ideale per le industrie energetiche, automobilistiche e aerospaziali.
Le previsioni vengono create sfruttando la potenza dei dati in tempo reale e cronologici disponibili facilmente da sensori, contatori e record, utili per gli scenari seguenti:
- Prevenire versamenti e chiusure di emergenza delle cisterne
- Individuare malfunzionamenti o guasti dell'hardware
- Pianificare manutenzione, chiusure e logistica
- Ottimizzare le operazioni e l'efficienza degli stabilimenti
- Individuare le perdite e i blocchi di liquido negli oleodotti e nei gasdotti
- Ridurre i costi, le multe e i tempi di inattività
Passaggi successivi
Documentazione sui prodotti:
- Che cos'è l'hub di eventi di Azure?
- Che cos'è Azure Synapse Analytics?
- Introduzione ad Analisi di flusso di Azure
- Cos'è Azure Machine Learning?
- Che cos'è Azure Data Factory?
Moduli di Microsoft Learn:
- Eseguire il training di un modello di Machine Learning con Azure Machine Learning
- Integrare i dati con Azure Data Factory o la pipeline di Azure Synapse