Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

cta

Comece a Usar

nuvem

Pronto para começar?

Baixar sandbox

Como podemos ajudá-lo?

fecharBotão Fechar
cta

IOT e analítica preditiva de Big Data
para Petróleo e Gás

nuvem Hortonworks é um líder. Leia o Forrester Wave.

Baixar relatório

A global industry in the palm of your hand

Assets everywhere. People everywhere. Logistics everywhere. The petroleum industry has a lot of moving parts, and pretty much every aspect of it is in constant flux. Like other industries, its infrastructure generates data of all kinds—sensor data from upstream, midstream, and downstream operations, geological and geophysical, drilling and completions data, geolocation, text files, video and more. Hortonworks provides the predictive analysis and data insights to optimize performance to keep this industry humming.

Maximizar o rendimento, reduzir o risco, potencializar a inovação

Mudanças universais na disponibilidade de dados estão mudando o setor petroquímico de forma semelhante às mudanças na área de telecomunicações, varejo e fabricação. Os avanços na instrumentação, automação de processos e colaboração multiplicam o volume disponível de novos tipos de dados, como sensor, geolocalização, tempo e dados sísmicos. Estes podem ser combinados com dados "gerados por humanos", tal como feeds de mercado, redes sociais, e-mail, texto e imagens para novos insights.

casos de uso

Acelere a inovação usando analíticas de well logs (também conhecidas como analíticas LAS)

Grandes e complexos conjuntos de dados, bem como modelos de dados rígidos limitam o ritmo da inovação para exploração e produção, porque exigem que petrofísicos e geocientistas trabalhem com complexos conjuntos de dados em silos que exigem um processo de controle de qualidade (QC) manual. As analíticas de log LAS com a HDP permitem que os cientistas ingiram e consultem seus dados LAS díspares para usá-los em modelos preditivos. Eles podem fazer isso, aproveitando as ferramentas estatísticas existentes, tais como SAS ou R para construir novos modelos e, em seguida, iterá-los rapidamente com bilhões de medições. Combinar os dados LAS com produção, locação, e tratamento de dados pode aumentar a produção e as margens. Os well logs dinâmicos normalizam e mesclam 100s ou 1000s de arquivos LAS, proporcionando uma visão singular das curvas de well logs, apresentados como novos arquivos LAS ou imagens. Com a HDP, esses logs consolidados também incluem muitos dos dados de sensor que costumavam estar "fora do intervalo normal" em razão das leituras anômalas de picos de energia, erros de calibração e outras exceções. Com a HDP, um processo QC automatizado pode ingerir todos os dados (bons e ruins) e, em seguida, esfregá-lo para eliminar as leituras anômalas e apresentar uma visão clara e única dos dados.


Defina pontos operacionais para cada poço e receba alertas sobre os desvios

Depois de identificar os parâmetros ideais de operação (por exemplo, taxas de bombas ou temperaturas dos fluidos) que produzem petróleo e gás nas maiores margens, essas informações podem entrar em uma cartilha de pontos de ajuste. Manter os melhores pontos de ajuste para um poço em tempo real é um trabalho para os alertas e análises em tempo real tolerantes a falhas do Apache Storm. O Storm em execução no Hadoop pode monitorar variáveis ​​como pressão das bombas, RPMs, taxas de fluxo e temperaturas e, depois, tomar medidas corretivas caso algum desses pontos de ajuste desvie dos intervalos predeterminados. Essa estrutura rica em dados também ajuda o operador a economizar dinheiro e ajustar as operações de acordo com as condições.


Otimize a licitação para locação usando as previsões de rendimento

As empresas de petróleo e gás emitem licitações para concessões de vários anos para direitos de exploração e perfuração em terras federais ou privadas. O preço pago pela locação é o custo atual conhecido pago para acessar um fluxo futuro e imprevisível de hidrocarbonetos. O locador também pode ultrapassar seus concorrentes, reduzindo a incerteza em torno desse benefício futuro e prever com mais precisão o rendimento do poço. O Apache Hadoop pode fornecer essa vantagem competitiva armazenando de forma eficiente arquivos de imagem, dados de sensores e medições sísmicas. Isso agrega o contexto que faltava a qualquer pesquisa terceirizada sobre o trato aberto para licitação. A empresa que detém essas informações singulares com a análise preditiva agora pode ser aprovada em uma locação que poderia ter prosseguido, ou pode encontrar "diamantes brutos" e locar aqueles com desconto.


Repare equipamentos preventivamente usando a manutenção direcionada

Tradicionalmente, os operadores reuniam dados sobre o estado de bombas e poços por meio de inspeções físicas (muitas vezes em locais remotos). Isso significava que os dados de inspeção eram escassos e de difícil acesso, especialmente considerando o alto valor do equipamento em questão e os potenciais impactos dos acidentes na saúde e segurança. Agora os dados dos sensores podem fluir das bombas, poços e outros equipamentos para o Hadoop muito mais frequentemente e com menor custo do que coletar manualmente esses mesmos dados. Isso ajuda a orientar os trabalhadores qualificados para fazerem o que os sensores não pode: reparar ou substituir máquinas. Os dados de máquinas podem ser enriquecidos com outros fluxos de dados referentes ao clima, atividade sísmica ou sentimento nas redes sociais, para oferecer uma imagem mais completa do que está acontecendo no campo. Os Algoritmos, por sua vez, analisam esses dados grandes e multifacetados estabelecidas no Hadoop para descobrir padrões sutis e comparar previsões com resultados reais. Uma peça de equipamento falhou mais cedo do que o esperado? Em caso afirmativo, qual mecanismo similar pode estar correndo o mesmo risco? Um acompanhamento preventivo e direcionado a dados mantém os equipamentos funcionando com menos risco de acidentes e custos de manutenção mais baixos.

Reduza as curvas de queda usando a otimização dos parâmetros de produção

As empresas de petróleo precisam gerenciar a queda da produção de seus poços existentes, uma vez que é cada vez mais difícil fazer novas descobertas. A Análise de Curva de Queda (DCA) usa a produção anterior de um poço para prever a produção futura. No entanto, os dados históricos geralmente apresentam taxas de produção constantes, ao passo que uma diminuição do poço em direção ao fim do seu ciclo de vida segue um padrão não linear — normalmente diminui mais rapidamente até se esgotar. Quando se trata de um poço perto do fim da vida útil, o passado não é prólogo. A otimização de parâmetros de produção é a gestão inteligente dos parâmetros que maximizam a vida útil de um poço, como pressões, taxas de vazão e características térmicas das misturas de fluidos injetados. Os algoritmos de aprendizagem automática podem analisar grandes volumes de dados de sensores de vários poços para determinar a melhor combinação destes parâmetros controláveis. Os poderosos recursos da HDP para a descoberta de dados e posterior análise podem ajudar o proprietário ou locatário do poço a tirar o máximo proveito desse recurso.