فناوری در صنعت نفت و گاز: چشم انداز MLOps

از

عکس پروفایل نویسنده

@تاننیستاTannistha Maiti

من در مورد فن آوری مختل کننده خواندم.

صنعت نفت و گاز سالانه درآمد کسب می کند که تقریباً 3.3 تریلیون دلار در سال 2019 بود و یکی از بزرگترین شرکت های جهان است. فرآیندهای نفت و گاز طبیعی در بالادست ، میانی و پایین دست به طور مداوم مقادیر زیادی داده تولید می کنند و بسیار وابسته به فناوری های پیشرفته برای بینش جدیدی در تجارت نشان می دهد جلوگیری از سو prevent عملکرد تجهیزات و بهبود کارایی عملیاتی operational

در چند وقت اخیر ، این صنعت به یک روند تعیین کننده در فناوری تبدیل شده است و در حال حرکت به سمت اتوماسیون است … و از این رو به هوش مصنوعی (AI).

تعجب آور است ، درست است؟

اما دلایل آن روشن است …

(الف) صنعت O & G در تلاش برای افزایش کارایی و سودهای مهم ، به نوآوری و فناوری روی آورده است.

(ب) توجه جهانی به اقدامات پایدار برای کاهش تولید گازهای گلخانه ای و مصرف آب ، شرکت های O&G را بر آن داشته است تا به دنبال روش های جدیدی برای بهینه سازی عملیات بالادستی و حذف شیوه های اتلاف وقت و هزینه باشند.

انقلاب فناوری قبلاً در یکی از بزرگترین صنایع جهان آغاز شده است. در آلبرتا ، مرکز صنعت O&G در کانادا ، رهبران صنعت شروع به مدرن سازی مدل های تجاری از طریق ترکیبی هوشمندانه از تجزیه و تحلیل داده ها ، هوش مصنوعی و یادگیری ماشین می کنند – و نتایج انقلابی است. – jwnenergy.com

بازیکنان بزرگی مانند Royal Dutch Shell به طور مداوم به دنبال راه های جدید برای همگام شدن با تقاضای فزاینده برای منابع رو به کاهش هستند. تیم توسعه نرم افزار Shell با ویژگی های جدید به روز و پیشرفته است. انقلاب نرم افزار Shell در مشاهده می شود همکاری در ابر ، که در “نرم افزار به عنوان سرویس” یا راه حل های SaaS، که در دارای محیطهای سریعتر و کسب رقابت بیشتر از طریق DevOps.

بنابراین این سوال وجود دارد که بعدی چیست؟

چگونه این صنعت می تواند با صنعت O&G همگام شود و از توسعه فناوری های دارای مأموریت در آینده مطلع نماند.

صنعت نفت و گاز در حالی که اتوماسیون و هوش مصنوعی (AI) به تغییر روش کار شرکت ها ادامه می دهند ، با تغییر بی سابقه ای در نیروی کار خود روبرو است. اکنون بیش از هر زمان دیگر ، سازمان های نفت و گاز در حالی که با کاهش طولانی مدت قیمت نفت مبارزه می کنند ، از فناوری برای کاهش هزینه های تولید برای بهبود حاشیه استفاده می کنند. گزارش -EY ، 2020

با یک جستجوی ساده در گوگل مشخص می شود که چگونه O&G به طور فزاینده ای ابزارهای اتوماسیون AI / اتوماسیون را برای حل عملیات حفاری ، عملیات تسهیلات ، معاملات و تجهیزات ، دریایی و زمین شناسی در حال توسعه است.

فاصله ….

افزایش وابستگی شرکت های O&G به مدل های یادگیری عمیق / یادگیری ماشین ، به خط لوله داده های قوی نیاز دارد. مجموعه های گسترده ای از داده های تولید شده در تجارت بالادستی. اندازه داده ها معمولاً به پتابایت (= 1024 ترابایت) یا Exabyte (= 1024 پتابایت) می رسد. مجموعه کامل داده ها تقریباً از 40000 پرونده تشکیل شده است.

راه حل: خط لوله MLOps قوی و مقیاس پذیر.

MLOps: آینده یادگیری ماشین

MLOps استاندارد سازی و ساده سازی مدیریت چرخه یادگیری ماشین است. این به مفهوم اتوماسیون چرخه عمر مدلهای یادگیری ماشین از تهیه داده و ساخت مدل تا استقرار و نگهداری تولید اشاره دارد.

MLOps نه تنها برخی از سیستم عامل ها یا فناوری های یادگیری ماشین است ، بلکه در عوض به یک تغییر کامل در ذهنیت توسعه مدل های یادگیری ماشین به سمت بهترین روش های توسعه نرم افزار نیاز دارد.

در این پست وبلاگ ، من مفاهیم و مزایای چگونگی استفاده م enterpriseثر شرکت های سازمانی ، به ویژه O & G از مدل های یادگیری ماشین در تولید را معرفی می کنم.

سه دلیل اساسی وجود دارد که مدیریت چرخه های زندگی یادگیری ماشین در مقیاس را به چالش می کشد:

(الف) داده ها دائماً در حال تغییر هستند ، اما تجارت نیز نیاز به تغییر دارد.

ب) نتایج باید به طور مداوم به کسب و کار بازگردند تا اطمینان حاصل شود که مدل در تولید و داده های تولید مطابقت دارد

© چرخه زندگی یادگیری ماشینی افرادی را از تیم های تجاری ، علوم داده و فناوری اطلاعات درگیر می کند ، هیچ یک از این گروه ها از ابزارهای یکسان یا مهارت های اساسی یکسانی برای استفاده به عنوان پایه ارتباطات استفاده نمی کنند.

MLOps به شدت از مفهوم DevOps استفاده می کند ، که عملکرد تغییرات و به روزرسانی نرم افزار را ساده می کند. هر دو در اطراف: اتوماسیون قوی و اعتماد بین تیم ها.

یک تفاوت مهم بین MLOps و DevOps

استفاده از کد نرم افزار در تولید تفاوت اساسی با استفاده از مدل های یادگیری ماشین در تولید دارد. در حالی که کد نرم افزار نسبتاً ساکن است ، داده ها همیشه برای مدل های یادگیری ماشین تغییر می کنند.

هل دادن مدل های یادگیری ماشین به سمت تولید بدون زیرساخت های MLOps خطرناک است زیرا عملکرد یک مدل یادگیری ماشین اغلب فقط در محیط تولید انجام می شود.

مدل های پیش بینی فقط به خوبی داده هایی است که روی آنها آموزش داده شده است ، این بدان معناست که داده های آموزش باید بازتاب خوبی از داده های موجود در محیط تولید باشد. اگر محیط تولید تغییر کند ، عملکرد مدل به سرعت کاهش می یابد.

مهندسان هوش مصنوعی دائماً بر اجرای پیشرفته ترین مدلهای هوش مصنوعی و فناوری MLOps تمرکز دارند تا عملیات O&G بالادست و پایین دست را انعطاف پذیر و مقیاس پذیر کنند.

مدلهای تفسیر لرزه ای ML

تفسیر لرزه ای نقشی اساسی در رشته های مختلف مانند مهندسی عمران ، ارزیابی خطر زمین و اکتشاف انرژی دارد. این یک فرآیند حیاتی در شرکتهای O&G است.

در اینجا من یک الگوریتم پیشرفته برای تفسیر بخشهای لرزه ای نشان می دهم. من به طور خلاصه نحوه ادغام مدلهای ML در خط لوله MLOps را بیان می کنم.

خط لوله MLOps را می توان به طور کلی به چهار وظیفه تقسیم کرد:

  • جمع آوری داده ها: بخشهای لرزه ای مجموعه داده های نیمه ساختاری پر سر و صدایی از وقایع لرزه ای است که از یک منطقه خاص جمع آوری می شوند. داده های مقطع زمانی در قالب segy هستند. خطوط لوله ETL دقیق برای پردازش داده ها از قالب segy به آرایه های numpy استفاده می شود. مقاله خوبی درباره پردازش ETL یافت می شود اینجا.
  • جمع آوری داده ها: این مرحله با هدف اطمینان از کنترل کیفیت ، امنیت و یکپارچگی داده ها ، مهندسی داده و دانش علوم داده را با هم ترکیب می کند.
  • قطار مدل : یادگیری عمیق زیر مجموعه محبوبیت یادگیری ماشین است. مدل های یادگیری عمیق با استفاده از شبکه های عصبی ساخته می شوند.
  • گسترش: پس از آموزش مدل ، باید نتایج را ارزیابی کنید. درک اینکه چه اتفاقی می افتد که یک مدل مستقر می شود مهم است. پس از استقرار ، از طریق RESTFUL API به مدل دسترسی پیدا می کنید.

FastAPI یک چارچوب وب پایتون مدرن و با کارایی بالا است که برای ساخت RI های رابط برنامه نویسی کاملاً ایده آل است. من مدل پیشرفته خود را با استفاده از FastAPI که دقت بخشهای پیش بینی شده را براساس اعداد درون خطی ارائه می دهد ، به کار می گیرم.

مرحله 1: FastAPI را وارد کنید

import uvicorn 
from typing import Dict
from typing import List 
from fastapi import FastAPI, Depends
from model import test
from pydantic import BaseModel

مرحله 2: ایجاد “نمونه” FastAPI

app = FastAPI(title="EarthAdaptNet Image Segmentation", description="Obtain semantic segmentation images (Seismic Facies) of the seismic image in input via EarthAaptNet implemented in PyTorch.")

مرحله 3: ایجاد و تعریف a عملیات مسیر

@app.get('/get_metrics/{inline}')
def get_predict_section(inline:int):
PA, CA, MCA, FWIoU, MIoU, IoU = test.predict_section(inline)
return SegmentationResponse(Pixel_Accuracy = PA, Class_Accuracy = dict(zip(range(6), list(CA))), Mean_Class_Accurcy = MCA, Frequency_Weighted_IoU = FWIoU, Mean_IoU = MIoU, IoU = dict(zip(range(6), list(IoU))))

مرحله 4: برای اجرای برنامه

cd Desktop/PETAI_APP
uvicorn main:app - reload

آدرس اینترنتی با پارامتر پرس و جو: http://127.0.0.1:8000/get_metrics/25

بدن پاسخ GET برای خط 25:

{ "Pixel_Accuracy": 0.7156722888870242,
"Class_Accuracy": {
"0": 0.9334791845017281,
"1": 0.7392144602967089,
"2": 0.8806730185476577,
"3": 0.6101912875743449,
"4": 0.15720375106564366,
"5": 1},
"Mean_Class_Accurcy": 0.7201269503310139,
"Frequency_Weighted_IoU": 0.5497397470771686,
"Mean_IoU": 0.4587748502388708,
"IoU": {
"0": 0.5905325443786982,
"1": 0.5601257644930657,
"2": 0.7114118141601777,
"3": 0.539856360662732,
"4": 0.153496115427303,
"5": 0.19722650231124808}
}

من از بازخورد و انتقاد سازنده استقبال می کنم. لطفاً برای کسب اطلاعات بیشتر در مورد تحقیقات ما در زمینه AI و MLOps به ما در PETAI مراجعه کنید. از طریق LinkedIn می توانم به من دسترسی پیدا کنم. کد این مطالعه در اینجا یافت می شود.

منابع:

مربوط

برچسب ها

با هکر نون همراه باشید

حساب رایگان خود را ایجاد کنید تا قفل تجربه خواندن سفارشی خود را باز کنید.

سئو PBN | خبر های جدید سئو و هک و سرور