Get fresh updates from Hortonworks by email

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

cta

Démarrer

cloud

Prêt à débuter ?

Télécharger Sandbox

Que pouvons-nous faire pour vous ?

fermerBouton Fermer
cta

IoT et analyse prédictive du big data
pour les hydrocarbures

cloud Hortonworks jouit d'une position dominante. Lisez le rapport Forrester Wave

Télécharger le rapport

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.

Optimisation du rendement, réduction des risques et accélération de l'innovation

Les changements universels en matière de disponibilité des données révolutionnent l'activité pétrochimique de façon similaire aux évolutions connues dans les secteurs des télécommunications, de la fabrication et du commerce de détail. Les progrès réalisés dans l'instrumentation, l'automatisation des processus et la collaboration, décuplent le volume disponible de données d'un nouveau type, comme celles générées par les capteurs, la géolocalisation, les conditions météorologiques et sismiques. Ces données peuvent être combinées avec d'autres données d'essence humaine, telles que celles des flux de marché, des médias sociaux, des e-mails, des textes et des images, pour générer de nouvelles informations.

exemples d'utilisation

Accélérez l'innovation grâce à l'analyse des diagraphies (ou analyses LAS)

D’énormes ensembles et modèles de données complexes et rigides limitent le rythme de l'innovation pour l'exploration et la production, parce qu'ils exigent des géologues et des pétrophysiciens qu'ils utilisent des silos de données complexes nécessitant un contrôle manuel de la qualité. Grâce à HDP, l'analyse des diagraphies permet aux scientifiques d'acquérir et d'examiner les données des puits afin de les utiliser dans des modèles prédictifs. Ils peuvent faire cela tout en tirant parti des outils statistiques existants tels que SAS ou R pour créer de nouveaux modèles avant de les réitérer rapidement avec des milliards de mesures. La combinaison des données LAS avec des données de production, de location et de traitement peut augmenter la production et les marges. Les diagraphies dynamiques normalisent et fusionnent des centaines voire des milliers de fichiers LAS, fournissant ainsi une vue unique des tendances en la matière, sous forme de fichiers ou d’images. Avec HDP, ces fichiers journaux consolidés comprennent un important volume de données des capteurs qui, jusqu'à présent, n'étaient pas à la portée des scientifiques en raison des anomalies de lecture dues aux pics d'alimentation, aux erreurs de calibrage, et à d'autres exceptions. Avec HDP, un processus de contrôle qualité automatisé peut traiter toutes les données (bonnes et mauvaises), puis les trier afin d'éliminer les anomalies de lecture et de présenter une vue claire et unique des données.


Définissez des valeurs opérationnelles pour chaque puits et recevez des alertes sur les écarts des résultats

Après avoir identifié les meilleurs paramètres d'exploitation (p. ex. la vitesse de la pompe ou la température des liquides) qui produisent du pétrole et du gaz à des marges les plus rentables possible, ces réglages peuvent être ajoutés à un registre de valeurs. La gestion en temps réel des valeurs optimales pour un puits est réalisée grâce aux analyses et alertes en temps réel d’Apache Storm, un système tolérant aux pannes. L’exécution de Storm dans Hadoop peut contrôler des variables comme la pression des pompes, la rotation par minute, le débit et la température, pour ensuite prendre des mesures correctives si l'une de ces valeurs varie par rapport aux plages prédéterminées. Ce framework riche en données aide l’opérateur du forage à économiser de l'argent et à ajuster les opérations à mesure que les conditions changent.


Optimisez les enchères des concessions grâce à des prédictions de rendement fiables

Les compagnies pétrolières et gazières répondent à des appels d'offres pour obtenir des concessions sur plusieurs années leur donnant le droit d'explorer et de forer sur des terrains fédéraux et privés. Le prix payé pour la concession correspond au coût actuel connu pour accéder à un futur flux d'hydrocarbures imprévisible. Le bailleur du puits peut surenchérir sur ses concurrents en réduisant l'incertitude qui entoure ce futur service en prédisant avec plus de précision le rendement du puits. Apache Hadoop peut fournir cet avantage concurrentiel en stockant les fichiers d'image, les données des capteurs et les mesures sismiques. Ainsi, vous bénéficiez d'un contexte faisant défaut à toute étude tierce réalisée pour le puits faisant l'objet d'un appel d'offres. La société qui possède ces données uniques accompagnées d'une analyse prédictive peut désormais ignorer une concession qu'elle aurait autrement sérieusement poursuivie. Mais, elle peut aussi trouver de véritables petites perles qu'elle peut louer au rabais.


Réparez votre équipement de façon préventive grâce à une maintenance ciblée

Traditionnellement, les opérateurs recueillent des données sur l'état des pompes et des puits en menant des inspections physiques (souvent dans des régions éloignées). Par conséquent, les données d'inspection sont rares et difficiles d'accès, en particulier compte tenu de l'importante valeur de l'équipement en question et de l'impact potentiel des accidents sur la santé et la sécurité. Désormais, les données des capteurs sont transférées vers Hadoop directement depuis les pompes, les puits et tout autre équipement, beaucoup plus fréquemment, et ce, à un coût inférieur à la collecte manuelle des données du même type. Ainsi, les travailleurs qualifiés peuvent intervenir pour effectuer des tâches impossibles pour les capteurs, comme réparer ou remplacer des machines. Les données des machines peuvent être enrichies avec d'autres flux de données sur les conditions météorologiques, l'activité sismique ou l'opinion des médias sociaux, afin de peindre un tableau plus complet de ce qui se passe sur le terrain. Ensuite, les algorithmes analysent cet important ensemble de données multidimensionnelles dans Hadoop pour y découvrir des modèles subtils et comparer les résultats prévus avec ceux qui ont été véritablement obtenus. Une machine est-elle tombée en panne plus tôt que prévu et, dans l'affirmative, quel matériel similaire pourrait se retrouver bientôt dans la même situation ? Une maintenance préventive basée sur des données permet de maintenir le matériel en état opérationnel avec un risque d'accident et des coûts de maintenance réduits.

Ralentissez les courbes de déclin grâce à l'optimisation des paramètres de production

Les compagnies pétrolières ont besoin de gérer le déclin de la production de leurs puits existants, puisque de nouvelles découvertes sont de plus en plus difficiles à trouver. L'analyse de la courbe de déclin (DCA, Decline Curve Analysis) utilise la production passée d'un puits pour estimer l'évolution future de la production. Toutefois, les données historiques indiquent généralement des taux de production constants, tandis que le déclin d'un puits vers la fin de sa durée de vie suit un modèle non linéaire — habituellement, il décline plus rapidement qu'il ne s'épuise. Quand un puits est proche de la fin de sa durée de vie, son passé peut toujours être utile. L'optimisation des paramètres de production se fait grâce à une gestion intelligente des paramètres qui optimisent la durée de vie utile d'un puits, tels que les pressions, les débits et les caractéristiques thermiques des mélanges de fluides injectés. Les algorithmes d'apprentissage automatique peuvent analyser d'énormes volumes de données des capteurs montés sur plusieurs puits afin de déterminer la meilleure combinaison de ces paramètres contrôlables. Les puissantes fonctionnalités de découverte de données intégrées à HDP et l'analyse qui s'en suit peuvent aider le propriétaire ou locataire du puits à tirer le meilleur parti de cette ressource.