Приложения глубокого обучения и расширенный анализ на нефтеперерабатывающих заводах
Глубокое обучение — это общий термин, который охватывает множество вещей. Строго говоря, это использование компьютерных программ для того, чтобы делать то, что могли бы делать разумные люди, и часто даже лучше. Глубокое обучение также называют когнитивной наукой, которая сейчас является самым популярным курсом информатики в университетах США и Европы.
Пять атрибутов глубокого обучения
Когнитивные задачи ИИ можно разделить на пять категорий:
(1) Восприятие.
(2) Обучение.
(3) Прогнозирование.
(4) Рассуждение.
(5) Координация.
Благодаря восприятию глубокое обучение может понимать окружающую среду с помощью ощущений, а также обнаруживать и распознавать события; это запах течи топлива? Из этого он может учиться, синтезируя эту информацию в знание; это может быть изучение взаимосвязи между заданными значениями температуры и выходом дистиллята.
Вы начинаете извлекать ценность из сгенерированных данных, имея возможность прогнозировать с высокой точностью и моделировать результаты, такие как производительность коллектора (IPR) при различных условиях эксплуатации верхней части.
Когда дело доходит до решения логических задач или рассуждений, глубокое обучение может принимать решения или предлагать наилучшие решения; учитывая то, что я знаю, каково оптимальное распределение моих продуктов на разных терминалах?
Несмотря на расширяющийся спектр проблем, которые может решить глубокое обучение, есть одна вещь, в которой ни одна программа глубокого обучения не смогла заменить человека: определение самой проблемы.
Учитывая очевидные преимущества, которые могут быть получены от внедрения машинного обучения на нефтеперерабатывающих заводах, с какими проблемами сталкиваются компании, занимающиеся переработкой нефти и газа, когда они приступают к реализации программы?
Одна из самых больших ошибок, которую совершают компании, заключается в том, что они приступают к глубокому обучению без предварительного определения проблемы. Они собирают много данных, но не знают, что с ними делать, так как не знают, какую проблему пытаются решить, собирая все эти данные.
Роли машинного обучения в динамическом узловом анализе
Одной из самых популярных подкатегорий сегодня является машинное обучение. На самом деле машинное обучение стало настолько популярным, что многие люди приравнивают машинное обучение к глубокому обучению.
Машинное обучение популярно, потому что оно преодолевает научные неизвестные с помощью больших объемов исторических данных и, следовательно, сделало состояния для компаний, которые в прошлом считали свои данные слишком сложными для интерпретации.
Определение алгоритма машины:
Машинное обучение основано на распознавании образов, а методы машинного обучения рассматривают все данные либо как входные данные (признаки), либо как выходные данные (прогнозирование). Несколько входных данных подаются в алгоритм, который производит выходные данные. Если выходные данные не совпадают с фактическими данными, алгоритм корректируется, чтобы в следующий раз он работал лучше. Это называется обучение машинному обучению.
Поскольку машинное обучение опирается на большие объемы данных об одном и том же предмете, оно лучше работает с очень сфокусированными проблемами и параметрами, например, какова связь между вибрацией и отказом двигателя?
Машинное обучение ведет себя плохо, когда проблема представляет собой более сложную системную проблему, такую как процесс переработки или логистическая цепочка поставок нефти, в которой много движущихся частей, что предотвращает повторение шаблонов.
Это также может быть затруднено, когда большая часть информации относится к конкретной области, например, настройка давления в паровом котле, которая имеет определенную связь с вырабатываемой паровой энергией и, следовательно, с процессами в дистилляционной колонне. Такая специфичная для предметной области информация из данных не может быть использована, если только инженер или специалист по данным не потратит время на структурирование и сопоставление данных, чтобы правильно представить взаимосвязь между ними; это то, что машинное обучение не может заменить. Стоимость этой ручной работы часто игнорируется, когда компании хотят обучить свои данные. В итоге они не делают осмысленных выводов.
Другая проблема возникает, когда важны время и последовательность. Большинство программ машинного обучения не используют шаблоны, основанные на времени. Например, лучший способ предсказать загрузку очереди на терминале в ближайший час — это подсчитать текущую длину очереди. Для оценки потребности в топливе на розничной заправочной станции требуется информация, например, о том, какой сейчас месяц в году и какой сегодня день недели, для более точного прогнозирования. Вот тут-то и появляются временные ряды. Центральным моментом, который отличает проблемы временных рядов от большинства других статистических задач, является то, что наблюдения временных рядов не являются независимыми друг от друга. Скорее одно случайное событие может повлиять на все последующие точки данных.
Тем не менее, существующая технология временных рядов сама по себе также не решает всех новых проблем. Предприятия пытаются агрегировать и хранить все данные в формате временных рядов, который понимает время, но пропускает все корреляции доменов. Эта корреляция в области операций имеет решающее значение для получения контекстной информации. Несмотря на то, что технология History была знакомой для первого использования, этого недостаточно.
Компании должны рассмотреть характер проблем, прежде чем инвестировать. Вам нужен правильный инструмент искусственного интеллекта в зависимости от проблемы, которую вы определили. Обязательно сначала определите проблему, чтобы можно было выбрать правильный инструмент. Не повторяйте ошибок автопрома.
Категории проблем в сфере переработки нефти и газа
1-Проблемы планирования/распределения/координации:
2-Оптимизация процесса:
3-Мониторинг, обнаружение, более быстрые ответы:
4-логистическая цепочка поставок:
Эффективность терминала
В нижестоящих терминалах максимизация эффективности загрузки может оказать существенное влияние на производительность операций терминала. Составление графика является сложным процессом из-за множества входных данных (время прибытия грузовика, очередь на терминале, очередь на погрузочную площадку, время погрузки и т. д.) и множества комбинаций грузовиков, которым требуются разные продукты, в зависимости от требуемых объемов и скоростей потока от насосов в различные погрузочные площадки. Количество вычислений становится экспоненциальным по мере того, как вы учитываете все переменные в этом процессе, и становится почти невыполнимой задачей для людей.
Сегодняшний ручной процесс, как правило, основан на опыте, основанном на догадках, что не оптимизирует работу терминала. Но с прогнозным анализом от A-Stack эти различные переменные можно использовать для расчета оптимизированного планирования, чтобы определить для каждого грузовика, какую конкретную погрузочную площадку он должен использовать. Такая координация сводит к минимуму общее количество очередей на терминале и максимально повышает эффективность загрузки, улучшая логистику цепочки поставок.
Вывод
Можно выделить пять категорий интеллекта на основе различных режимов работы и различных областей применения в нефтегазовой отрасли.
1 Информация о будущем: способность предсказывать будущие события с высокой уверенностью и высокой точностью на основе извлечения уроков из текущих событий.
2 Историческая разведка: способность понять, что произошло.
3 Контекстный интеллект: способность сопоставлять несколько факторов в контексте и понимать, что происходит.
4 Интеллект в предметной области: способность углублять знания/науку в предметной области
5 Логический интеллект: способность одновременно вычислять множество логических условий/ограничений и находить решение.
