Hopp over navigasjon

Prognose av olje- og gasstanknivå

I dag opererer de fleste fasiliteter reaktivt til problemene i tanknivåer. Dette fører ofte til utslipp, nødavstengninger, kostbare utbedringer, forskriftsproblemer, dyre reparasjoner og bøter. Tanknivåprognose hjelper med å administrere og unngå disse og andre problemer.

Prognosene dannes ved å samle kreftene til sanntids- og historiske data som er tilgjengelige fra sensorer, målere og oppføringer, som hjelper med å:

  • Unngå tankutslipp og nødavstengninger
  • Oppdage maskinvarefeil
  • Planlegge vedlikehold, nedstengninger og logistikk
  • Optimalisere operasjoner og anleggseffektivitet
  • Oppdage rørledningslekkasjer og -plugger
  • Redusere kostnader, bøter og nedetid

Prosessen for prognose av tanknivå begynner ved brønninntaket. Olje målet når det kommer inn til anlegges via målere og den sendes til tankene. Nivåene overvåkes og registreres i tankene i løpet av raffineringsprosessen, deretter registreres olje-, gass- og vannuttak via sensorer, målere og oppføringer. Prognosene utføres så ved å bruke data fra anlegget, prognoser kan for eksempel utføre hver 15. minutt.

Cortana Intelligence Suite er tilpasningsdyktig og kan skreddersys for å møte forskjellige krav som anlegg og bedrifter måtte ha.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

For mer informasjon om hvordan denne løsningen er bygd, kan du gå til løsningsveiledingen i GitHub.

Estimert klargjøringstid: 20 minutter

Cortana Intelligence Suite tilbyr avanserte analyseverktøy igjennom Microsoft Azure – komponenter for datainntak, datalagring, databehandling og avansert analyse – all de viktige elementene for å utvikle en prognoseløsning på tanknivå.

Denne løsningen kombinerer flere Azure-tjenester for å levere kraftige fordeler. Event Hubs samler inn tanknivådata i sanntid. Stream Analytics aggregerer datastrømmene og gjør dem tilgjengelige for visualisering. SQL Data Warehouse lagrer og transformerer tanknivådataene. Machine Learning implementerer og kjører prognosemodellen. PowerBI visualiserer sanntids tanknivå i tillegg til prognoseresultatene. Til slutt orkestrerer og planlegger Data Factory den fullstendige dataflyten.

Knappen «Distribuer» starter en arbeidsflyt som distribuerer en forekomst av løsningen i en ressursgruppe i Azure-abonnementet som du spesifiserer. Løsningen inkluderer flere Azure-tjenester (beskrevet nedenfor) i sammen med en nettjobb som simulerer data slik at du får en fungerende fullstendig løsning umiddelbart etter distribusjonen.

For instruksjoner etter distribusjon kan du se her.

Tekniske detaljer og arbeidsflyt

  1. Dataene mates inn i Azure Event Hubs og Azure SQL Data Warehouse-tjenesten som datapunkter eller hendelser som blir brukt i resten av løsningsflyten.
  2. Azure Stream Analytics analyserer dataene for å levere en analyse i nær sanntid på inndataflyten fra hendelseshuben og publiserer direkte til PowerBI for visualisering.
  3. Azure Machine Learning-tjenesten brukes for å lage en prognose over tanknivået for et bestemt område basert på den mottatte informasjonen.
  4. Azure SQL Data Warehouse brukes for å lagre de prediktive resultatene som mottas fra Azure Machine Learning-tjenesten. Disse resultatene brukes deretter i Power BI-dashbordet.
  5. Azure Data Factory behandler orkestrering og planlegging av den timebaserte modellomtreningen.
  6. Til slutt brukes PowerBI for resultatsvisualisering, slik at brukere kan overvåke tanknivået fra et anlegg i sanntid og bruke prognosenivået for å unngå utslipp.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Optimalisering av energileveranse

I et strømnett engasjeres energiforbrukere med forskjellige metoder for energileveranse, -handel og -oppbevaringskomponenter slik som transformatorstasjoner, batterier, vindfarmer, solpaneler, mikroturbiner i tillegg til etterspørselsresponsbud, for å møte deres respektive behov og redusere kostnaden for energileveranse. For å gjøre dette må nettleverandøren kunne avgjøre hvor mye energi hver ressurstype kan levere over en tidsramme, basert på prisene for leveranse fra de forskjellige ressurstypene og deres kapasiteter og fysiske karakteristikker.