نتایج تحقیق بنیاد مکنزی در سال 1396 شمسی/ 2017 میلادی نشان از آن داشت که سکوهای نفتی و گازی بطور میانگین از 77 درصد توان عملیاتی خود بهره می‌برند. همین امر منجر به کاهش عرضه به میزان 10 میلیون بشکه در روز، معادل 200 میلیون دلار در سال می‌شد. در دوران همه‌گیری کرونا وضعیت برعکس شد و تقاضا برای نفت بسیار پایین آمد؛ این بار اما شرکت‌های نفت و گاز با چالش تولیدی فراتر از تقاضا و نیاز به انبار کردن حجم سرسام‌آوری از سوخت روبه‌رو شدند.
اصلی‌ترین عامل در این عدم توازن مداوم در تولید و عرضه و مشکلات دیگری مانند سطح پایین امنیت در سکوهای استخراج و صرف هزینه‌های کلان در نگهداری و تعمیر تجهیزات، استفاده نادرست و ناکارامد صنایع نفت و گاز از کلان‌داده‌ها است. تحلیل پیش‌بینی‌کننده رویکردی است تحقیق و آزمایش شده در جهت استفاده حداکثری و به‌جا از داده که خروجی نهایی آن سناریو‌سازی و برنامه‌ریزی‌های کوتاه‌مدت و بلندمدت است.
تحلیل پیش‌بینی‌کننده چیست؟
تحلیل پیش‌بینی‌کننده شاخه‌ای از تحلیل‌های پیشرفته است که در آن از داده‌های تاریخی، علم دادهکاوی، یادگیری ماشین و مدل‌های آماری برای پیش‌بینی آینده وضعیت یک فرایند، جمعیت یا زنجیره تامین در یک صنعت استفاده می‌شود. شرکت‌ها از تحلیل پیش‌بینی‌کننده بهره می‌گیرند تا الگوهای رفتاری را ترسیم کنند و ریسک‌ها و فرصت‌های موجود را تشخیص دهند.
تحلیل پیش‌بینی‌کننده، محصول موجودیتی به نام کلان‌داده‌ها و علم داده‌ها است. امروزه شرکت‌ها غرق در داده‌هایی هستند که از پایگاه‌های داده، حسگرهای اشیا، تصاویر، ویدئوها و بسیاری منابع داده دیگر به بخش‌های مختلف شرکت سرازیر می‌شود.
چهار علت زیر پاسخی هستند به این سوال: چرا عصر حاضر و دهه‌های پیش رو، عصر اوج‌گیری فعالیت‌های دادهکاوی و به‌ویژه تحلیل پیش‌بینی‌کننده است؟
- افزایش در حجم و انواع داده‌ها و علاقه (و نیاز) به استخراج معنی از آن‌ها.
- رشد فناوری و در دسترس بودن رایانه‌های ارزان‌تر و سریع‌تر.
- بوجود آمدن نرم‌افزارهایی که استفاده از آن‌ها بسیار آسان است.
- وضعیت پیچیده و وخیم اقتصادی در نقاط مختلف دنیا و نیاز به پیش‌بینی به‌عنوان مهم‌ترین ابزار در برخورد با بحران.
نیاز به تحلیل پیش‌بینی‌کننده در صنایع نفت و گاز
همه‌گیری کرونا تنها یک مثال از صدها پیشامد و بحرانی است که می‌تواند در بازه‌ای کوتاه، وضعیت عرضه و تقاضا را در بازارهای نفت و گاز بر هم بزند. این عدم‌قطعیت موجود در تقاضا، باعث ایجاد تردید در برنامه‌های استخراج، هدف‌گذاری سرمایه‌گذاری‌ها و تاخیر در اجرای پروژه‌های نفت و گاز از جانب دولت‌ها و شرکت‌های فعال در این صنایع شده است. بنابراین، نیاز به بهینه‌سازی فرایندهای تولید و واکنش مناسب و به‌موقع به تقاضا، استفاده از تحلیل‌های پیش‌بینی‌کننده را بیشتر از هر زمانی توجیه می‌کند.
این تحلیل‌های پیشرفته، در جنبه‌های مختلف صنعت، از مدیریت و ترسیم نقشه راه گرفته تا عملیات میدانی و برنامه‌ریزی استخراج و نگهداری از تجهیزات کاربردهای فراوانی دارد. چهار کاربرد زیر از تحلیل پیش‌بینی‌کننده در صنایع نفت و گاز، پایه‌ای‌ترین و حیاتی‌ترین ابزارهای این علم برای حل چالش‌های موجود و آتی در صنایع نفت و گاز هستند.
1. تعمیر و نگهداری پیشرفته
فعالیت شرکت‌های نفت و گاز به دارایی‌های حیاتی آن‌ها مانند ایستگاه‌های پمپاژ دریایی، دکل حفاری، ایستگاه تقویت خطوط لوله، کمپرسورها و سیستم حمل‌ونقل وابسته است. علاوه بر این، مناطق عملیاتی آن‌ها در مناطق دریایی و خشکی گسترده‌اند. این وسعت عملیاتی و اجزای پیچیده صنایع نفت و گاز، نیاز به بررسی و نظارت مستمر دارند. نیازی که هم‌ارز است با مدیریت حجم بالایی از داده‌هایی که روزانه تولید می‌شوند.
دسترسی به داده‌های در لحظه، متناظر با وضعیت دارایی‌ها و نحوه عملکرد اجزای شرکت، به مدیران و اپراتورها این امکان را می‌دهد تا بتوانند در لحظه تصمیم بگیرند، بهره‌وری را بالا ببرند و مزیت رقابتی به دست آورند.
تحلیل پیش‌بینی کننده از طریق پنج رویکرد زیر در فرایندهای تعمیر و نگهداری تجهیزات مورداستفاده در شرکت‌های نفت و گاز، بهبود ایجاد می‌کند:
| رویکرد | هدف | ایده آل برای |
| تعمیر و نگهداری واکنشی (RM) | به دارایی‌ها اجازه می‌دهد تا لحظهای که از کار می‌افتند، در فرایند تولید باقی بمانند | دارایی‌هایی که خیلی حیاتی و تاثیرگذار نیستند و هزینه چندانی صرف جایگزینی آن‌ها نمی‌شود |
| تعمیر و نگهداری پیشگیرانه (PM) | از داده‌ها برای تحلیل وضعیت دارایی استفاده می‌شود تا میزان کارایی و در دسترس بودن دارایی به‌صورت لحظهای سنجیده شود | دارایی‌هایی که نقش عملیاتی آن‌ها حیاتی است و خرابی‌هایی که می‌توان با استفاده از یک برنامه منظم تعمیر و نگهداری از بروز آن‌ها پیشگیری کرد |
| تعمیر و نگهداری وابسته به شرایط (CBM) | وضعیت کنونی یک دارایی را به‌منظور تعیین میزان نیاز آن به تعمیر، پایش می‌کند | تجهیزاتی که پارامترهای متناظر با آن‌ها قابل اندازه‌گیری هستند و این پارامترها نقشی کلیدی در فعالیت دارایی دارند |
| تعمیر و نگهداری پیشگویانه (PdM) | از سنسورها و سیستم‌های پیش‌بینی‌کننده برای اعلان خطرهای ممکن در آینده نزدیک استفاده می‌کند | دارایی‌های بسیار پیچیده و حیاتی که نیازمند پایش 24 ساعته هستند |
| تعمیر و نگهداری ریسک محور (RBM) | از تحلیل‌های PdM، CBM و PM استفاده می‌کنند تا قدرت تصمیم‌گیری صحیحِ کارکنان بخش تعمیر و نگهداری را ارتقا دهند | دارایی‌های زیردریا |
2. تشخیص درست عامل مشکل در تحلیل پیش‌بینی‌کننده
18 درصد از خرابی دارایی‌های موجود در صنایع نفت و گاز، نتیجه عواملی هستند که با استفاده بیش‌ازحد یا عمر بالای تجهیزات تشدید می‌شوند. درنتیجه، فعالیت‌های پیشگیرانه نمی‌توانند به‌تنهایی از چنین ریسک‌های مخربی اجتناب کنند. با ترکیب تحلیل پیش‌بینی‌کننده و نگهداری پیشگویانه (PdM)، اپراتورها می‌توانند تهدیدها را بهتر تشخیص دهند و سریع‌تر تصمیم بگیرند.
بطور دقیق‌تر، تحلیل داده‌ها این امکان را به مهندسان می‌دهد که الگوهای متناظر با فعالیت دارایی‌ها را تشخیص دهند و هرگونه خروج از وضعیت عادی را در بازه‌های حیاتی تشخیص دهند. بنابراین، کارکنانِ بخش نگهداری، همیشه یک قدم از حادثه پیش رو جلوترند و از این طریق، از بروز وقایع فاجعه‌بار جلوگیری می‌کنند یا شدت آن را تا حد قابل توجهی کاهش می‌دهند.
3. بهینه‌سازی سطح سلامت و کارایی دارایی‌ها
معمولا فاجعه‌های بخش نفت و گاز در مواردی رخ می‌دهند که تشخیص عامل مخرب و با پتانسیل فاجعه‌آفرینی، زمانی محقق می‌شوند که دیگر امکان واکنش درست و کافی وجود ندارد. تحلیل پیش‌بینی‌کننده دارایی‌ها به شرکت‌های نفت و گاز این قابلیت را می‌دهد که روزها و حتی ماه‌ها پیش از وقوع حادثه، از مشکل موجود آگاه شوند و فرصت کافی برای واکنش به آن را داشته باشند.
علاوه بر این، پیش‌بینی دقیق سطح خرابی و میزان ضرورت تعمیر دستگاه‌ها، باعث می‌شود هزینه‌های متناظر با جایگزینی قطعات گران‌بها یا کل دستگاه، با هزینه‌های تعمیر و جانشانی قطعات کوچک و کم اهمیت‌تر، جایگزین شوند. بنابراین، سرمایه‌گذاری روی تحلیل پیش‌بینی‌کننده باعث بهبودِ سودآوری و ارتقای سطح دسترسی به تجهیزات در صنایع نفت و گاز می‌شود.
4. عملیات هوشمندتر
عصر حاضر، عصر اینترنت اشیا است؛ فناوری روبه رشد و همه‌گیری که امکان ادغام دستگاه‌ها و بخش‌های مختلف صنایع را ممکن می‌کند و شبکه‌ای هوشمند و منسجم را نتیجه می‌دهد. در قلب این شبکه هوشمند، داده‌ها و علم تحلیل آن‌ها قرار دارد. تحلیل پیش‌بینی‌کننده چارچوبی را ترسیم می‌کند که عملیات هوشمند و فناوری محور می‌تواند بر آن استوار شود.
اصلی‌ترین موانع استفاده از تحلیل‌های پیش‌بینی‌کننده در بخش نفت و گاز
- یکی از اصلی‌ترین چالش‌ها، انتقال داده‌ها از میدان‌های نفتی یا گازی به مراکز پردازش داده است. در اینجا به برنامه‌ای منسجم و قابل اجرا برای امنیت فیزیکی و سایبری داده‌ها و تحلیل‌های مرتبط نیاز است.
- مسئله دیگر، نحوه برداشت داده‌ها و نیاز به نگهداری از آن‌هاست. ایجاد شبکه‌های اینترنت اشیا و پایگاه‌های داده در محل یا به صورت ابری راهکار مناسبی است.
- چالش حیاتی دیگر، انطباق شرایط شرکت‌های نفت و گاز با علم داده و تحلیل پیش‌بینی‌کننده است. مهندسان و اپراتورها باید در کاراترین حالت ممکن با محققان دادهکاوی و شرکت‌های مشاوره فناوری همکاری کنند.
- به بهره‌گیری از متخصصان استفاده از مدل‌های منبع-باز، فناوری‌ها و محاسبات ابری نیاز است.
شرکت‌های فعال در حوزه نفت و گاز، ازبزرگ‌ترین تولیدکنندگان کلان‌داده‌ها و ابر کلان‌داده‌ها هستند. این بلوک‌های غول‌پیکر اطلاعات، همزمان با ایجاد چالش‌های جدید، فرصت‌های جدید را نیز به همراه می‌آورند؛ تفاوت تنها در چگونگی مدیریت و بهره‌وری از آن‌هاست.
تحلیل پیش‌بینی‌کننده، حلقه اتصال دانش به فرایندهای عملیاتی و میدانی است. نقطه عطفی که مرز بین موفقیت در استخراج و قدرت مانور در بازارهای جهانی و عدم تامین تعهدات و شکست برنامه‌های کوتاه‌مدت و بلندمدت را مشخص می‌کند.
