Machine Learning Mempercepat Keamanan Saluran: Deteksi Gangguan Real-Time Hemat $10 Juta
Contohnya: Perusahaan minyak dan gas besar memulai inspeksi rutin jaringan saluran pipa mereka, menggunakan perangkat fisik yang sama, yaitu "pig." Alih-alih mengirim data mentah ke analis manusia dan menunggu analisis, data dikirim ke solusi machine learning. Hasilnya adalah identifikasi gangguan parah di bagian yang gagal segera saat kru memulai prosedur pasir pasir. Berdasarkan identifikasi tepat waktu, perusahaan menghemat setidaknya $10 juta yang akan menjadi biaya kerusakan karena bagian itu melalui sawah kedelai.
Ini hanyalah hasil dari satu studi. Mari kita tingkatkan dengan mempertimbangkan 2,7 juta mil saluran pipa yang melalui Amerika Utara. Ternyata hampir 2/3 penduduk Amerika tinggal dalam radius 600 kaki dari saluran pipa. Dalam sebagian besar kasus, otoritas lokal buru-buru mencari bantuan saat terjadi gangguan karena peta mereka hanya akurat hingga 500 kaki. Diberitakan oleh Pipeline and Hazardous Materials Safety Administration (PHMSA) bahwa antara tahun 2006 dan 2015, insiden saluran pipa tumbuh sebesar 26,8%. Insiden ini melibatkan cedera parah, kematian, atau properti yang nilainya melebihi $50.000. Secara rata-rata pada tahun 2015, terjadi hampir satu insiden per hari.
Apa artinya kemunculan insiden semacam ini di tengah standar keamanan yang ketat dan investasi miliaran dolar? Sederhana, sistem pemeliharaan saat ini tidak cukup efektif untuk memprediksi munculnya gangguan secara akurat.
Data
Metode deteksi bukanlah masalah yang besar; melainkan penggunaan data yang dikumpulkan oleh pig adalah titik perhatian. Beberapa anomali tidak dapat diidentifikasi langsung melalui teknologi yang tersedia saat ini, memerlukan korelasi dan analisis mendalam dari data. Ini tidak berarti kesalahan dialihkan kepada ilmuwan data, karena mereka bekerja berdasarkan praktik yang telah terbukti dan memiliki pengalaman yang membantu mereka mengidentifikasi masalah dalam aliran data yang tampaknya tak terbatas. Bagian terakhir membentuk masalah yang lebih besar. Terungkap bahwa hanya 4% data yang dikumpulkan yang digunakan dalam mengelola saluran pipa.
Semua tanda mengarah ke satu arah: ukuran data yang raksasa.
Ada krisis yang akan segera terjadi dan akan berdampak penuh saat para ahli paling berpengalaman di industri pensiun. Beberapa ahli ini memiliki keterampilan luar biasa yang sangat sulit untuk digantikan. Mengapa tidak kita bawa komputer? Ya, tentu, namun daya proses yang sangat meningkat tidak membuat komputer baik dalam memecahkan masalah yang memerlukan kemampuan pembelajaran, penilaian, dan keterampilan observasi.
Machine Learning
Kesenjangan antara keterampilan yang dimiliki oleh spesialis berpengalaman dan daya proses berulang yang ditawarkan komputer diembatasi oleh konsep Machine Learning. Sejak 2014, OneBridge Solutions telah menyediakan layanan analisis data mereka ke sektor Minyak dan Gas, dengan platformnya yang dibangun di atas Microsoft Azure Cloud.
Machine Learning, saat digabungkan dengan sumber daya cloud yang dapat diskalakan, membuat kombinasi yang sempurna, membantu menangani tumpukan data yang dihasilkan oleh pig. Bagian terbaik dari solusi seperti ini adalah disajikan dalam model Software as a Service dan oleh karena itu mudah diimplementasikan dan dikelola oleh berbagai klien.
Fitur-fitur diselaraskan terhadap "state" sistem saluran pipa, resulting in the creation of a new "state" which can then be visualized on a 3D image. Through cognitive integrity management, such virtual images can be stitched together to form entire pipeline systems that can then be analyzed within minutes rather than weeks.
The users of the system can simply drag-and-drop inline inspection tally sheets into the system, from whereon they are ingested and normalized within minutes. Machine learning also allows integrity management teams to gain insights into the entire pipeline without spending too much time skimming through the data.
In addition to increasing the speed of operation, Machine Learning can also improve the precision of data, increasing the operational effectiveness and enhancing the threat detection ratio. Through effective utilization of data presented by the pig, and presenting it in a swift, comprehensive and accurate manner, Machine Learning gives room to experienced specialist to analyze and further refine the results. The end-result would be operational crews that are armed with better data, resulting in the need to cover less ground and ultimately less disruption at the work site.
