麦肯锡报告说，大多数油和气运营商还没有最大化其资产的生产潜力。据2017年报告称，典型的海上平台，占其最大产量潜力的约77％。行业范围，短缺每天大约1000万桶，或2000亿美元的年收入。
为了帮助优化生产，运营商可以考虑采用先进的分析技术，该技术结合了工程、数据科学和计算能力，使企业能够预测产量或最大化行业资产。
在采用分析的过程中，人工智能将找到进入油和气行业。截至目前，许多公司声称协助工程师和数据科学家在他们的角色方面，例如预测维护在设备方面，预测供给和需求，并简化常规流程。
我们研究了这个领域，以便更好地理解预测分析在哪里发挥作用油和气印度河试着回答以下问题:
- 什么类型的预测分析应用程序目前正在使用油和气还是
- 预测分析带来了什么切实的结果油和气还是
- 难道这些创新努力之间有共同的趋势？这些趋势如何影响未来油和气还是
这整个报告涵盖供应商提供的软件两个应用程序：
- 预测维护
- 商业智慧
本文旨在为企业领导人提供油和气他们对这个行业的人工智能有什么期待。我们希望这篇文章能让商界领袖参与进来石油和天然气工业为争取他们的见解可以自信地传达给他们的管理团队，使他们能够考虑AI收养时做出明智的决定。最起码，本文拟以减少时间商界领袖花研究AI公司与他们可能（或可能不）感兴趣的工作。
预测维护
GE Digital的Predix
通用电气的子公司通用数字提供了预征该公司称，这样做会有所帮助油和气企业创建自动分析模型，可以帮助预测其工业设备的维护使用机器学习。
预征解释说,该应用程序的机器学习算法能够处理传感器收集的数据，如设备或部件性能、环境数据和天气条件等。然后，算法将这些数据与数据库中包含的理想性能数据进行比较。如果算法发现当前状态和理想状态之间存在差异，就会触发应用程序向技术人员发送警报。他们反过来进行预测性维护或部件更换。
例如，在风力发电厂中，一个涡轮如下执行最佳水平。该技术人员通过褶裥围绕涡轮的零件，如风力叶片和涡轮轴传感器收集的数据。技术人员还可以考虑审查的风速。涡轮机的性能历史将被使用，在风电场其它涡轮机比较。
内部技术人员可以通过连接的平板电脑或智能手机与现场技术人员分享信息，现场技术人员会被要求亲自检查表现不佳的涡轮机。如果需要，则进行维修。
下面是一个简短的3.-分钟的视频演示如何预征作品：
通用电气数字声称帮助了AdministraCIon Nacional de燃烧器，乌拉圭的酒精y波特兰（Ancap）。这家国有企业为家庭和企业提供燃料，为烹饪设备、农业机械和交通运输提供燃料。该公司面临着管理大量数据的挑战，需要一个解决方案，使流程更高效，优化能源消耗，整合来自各种来源的运营数据，并确保公司的可持续发展。
该公司转向Predix的人机界面和监督控制和数据采集（HMI-SCADA）应用程序，称为IFIX。该项目在五个配送设备中实施，部署了超过1,000个屏幕。每个位置的员工学会了使用该系统输入关键数据。
与集中式系统，ANCAP据说能够跟踪现场数据，如气体和液体流速，成分分析仪，及储罐液位和体积。该系统还使公司能够监控设备，从工艺设备日常吞吐量和天气状况的性能比。这个数据自动处理，格式化的电子表格，并上传至政府网站。
通过此数据，ANCAP能够使用此数据来计算和项目Furnapes的效率。案例研究没有解释如何定义效率。数据在服务器中记录，以使团队能够研究与炉的性能相关的趋势。
根据通用电气数字，实施Predix允许ANCAP削减了60％和节省20％以上的燃料花费在例行程序的时间。据报道，管理也停止要求手动报告的员工
通用电气数字还列出了Exelon公司，盖尔道，Spomlek，沥医药，都市圣路易斯奥比斯波的作为一些它的客户。
Vincent Yates.是个首席数据科学家在通用电气数字。他持有A.博士学位在统计数据从加州大学伯克利。之前，耶茨担任西雅图数据科学主管在Zillow集团分析工程总监Uber，以及Microsoft的Office Analytics团队经理。
马纳纳
马纳纳是一个加利福尼亚州的公司,超过100.员工。该公司提供了一种名为知识的平台，他们声称可以帮助油和气公司预测运营结果，帮助员工做出更明智的决定使用机器学习和自然语言处理。
马纳纳声称其软件能够挖掘、处理和分析公司的非结构化数据，如工作报告、维护记录、设备传感器、天气数据、呼叫中心记录和来自不同公司的其他类型媒体。然后，知识平台的自然语言处理算法解读这些报告中的数据。机器学习算法在该平台的数据库中搜索，以找到与该公司目前旨在解决的问题相似的模式。
当算法找到的相似性，则系统提供以图表形式反馈，显示设备性能或支出的趋势。这使得该公司的主题专家能够解释图表，并就如何解决问题提出建议。
下面是一个简短的2-分钟的视频演示如何知识的平台作品：
马纳纳声称有帮助《财富》20强石油公司使用应用程序进行最佳泵选择，增加可计数小时并降低总成本。该公司的维修专家利用该平台收集与现有泵运行相关的数据。这些数据包括运行和拉动报告、泵故障报告、泵传感器数据和高频数据流。许多数据描述了过去从井中回收的失效泵的检查，并由现场工作人员报告。
除了基于语言的数据，该公司还收集了泵运行过程中详细的传感器数据。该应用程序能够对数据进行分类，并识别可能导致泵故障的模式。
根据马纳纳，这使员工验证他们的假设，确定泵故障的原因，预测未来类似的情况，并为每种井选择合适的泵。总的来说，这使得公司能够进行维护，从而降低泵故障和停产的风险。
马纳纳还列出了壳牌、通用电气、空客、马士基、雪佛龙作为一些他们的客户。
史蒂文Gustafson是首席科学家在马纳纳。他持有A.博士学位在计算机科学从诺丁汉大学。之前，Gustafson担任知识发现实验室研发负责人在通用电气全球研究。
商业智慧
Hortonworks.
Hortonworks.是一个旧金山的公司,约1300员工。该公司提供一个名为的软件混合数据平台（HDP），一个从多个源处理大型数据集的开源应用程序，他们声称可以帮助油和气公司预测产量，对设备进行维护。
Hortonworks.索赔,黄芪丹参滴丸能够存储和处理其结构化和非结构化数据，例如传感器或地震数据，天气，钻井和完成数据，地理位置，文本文件，视频，社交媒体，电子邮件等。这些存储在数据存储库中。
例如，石油和天然气公司可能希望每井设定产量标准，以实现最高的边缘。为了设置基准，工程师可能会使用地震数据，泵率，流体温度和影响产量的其他因素。
然后，该软件的机器学习模型将需要这些预定义的基准，搜索相似的标准HDP数据库，并对比相应的良好收益。如果算法发现，目前的收益率较低的基础上的影响因素，该系统通过仪表盘通知用户。
下面是一个简短的2-分钟的视频演示如何黄芪丹参滴丸作品：
霍顿声称有帮助高贵的能源预测并防止油气基础设施停机。该案例研究报告称，HDP用于寻找因停机而可能失去的机会，但没有提供细节。然而，我们可以推断，该应用程序的机器学习模型查看了来自传感器流、钻井报告、位置数据、工程笔记和技术手册等的数据。
然后，算法将这些数据与可能影响产量的因素相关的历史数据进行匹配，如设备故障和现有油井产量下降等。这将使高贵的能源采取措施，维护设备，并可能发现新的油井。
在未来，诺布尔能源打算用HDP，以提高安全性和防止在其地区的员工的伤亡。
Hortonworks.还列出了扶桑，约翰霍普金斯大学，日产，雅虎日本，梅奥诊所，软银，Expedia的，和Symantec作为一些它的客户。
斯科特Gnau是CTO.在Hortonworks.。他持有A.BS.在电气工程从德雷塞尔大学。之前，Gnau担任总统在他在Teradata实验室工作了9年，在那里他为Teradata集成数据仓库和大数据分析相关的研究、开发和销售支持活动提供指导。
萨
萨提供了一种预测软件叫做企业矿工，他们声称可以帮助油和气企业简化数据挖掘过程以开发预测模型使用深度学习、计算机视觉和自然语言处理(NLP)。
萨索赔NLP算法能够从文本、语音和声音中提取商业见解和新兴趋势，而计算机视觉算法则确定图像和视频中的对象。然后通过深度学习算法处理和分析由这些技术提取的信息，该算法识别数据中的模式以创建预测和预防性建议。
下面是一个简短的3.-分钟的视频演示如何SAS人工智能驱动应用工作:
萨没有石油和天然气相关的案例研究，但声称有帮助旧的Dominion电力合作社（ODEC）预测能源需求和根据案例研究，在使用SAS Analytics的第一年就为其公用事业客户节省了数百万美元。
ODEC为弗吉尼亚，马里兰州和特拉华州的11个配送合作社提供批发权力，即服务100万会员客户。对于能源购买，合作社必须提前合同，以确保批发价格实惠的供应。错误的预测可能会强迫Odec在更高的现货价格购买能源
在过去，使用ODEC传统电子表格创建预测。SAS使ODEC更准确地预测使用各种行业专用机型的支持系统的分析，对冲，财务预测，以及未来资源能源和需求。
根据案例研究那使用SAS允许ODEC了解每个合作社的市场，同时提供一个大局观。这使客户能够为未来5年、10年或20年的市场需求进行规划。该公司没有提供进一步的细节或具体数字。
萨还列出了本田、美国银行、雀巢、汉莎航空、柯尼卡美能达和世界野生动物基金会作为一些它过去的客户。
韦恩汤普森是首席数据科学家在SAS在那里他曾担任了26年。他拥有农学、统计学和植物科学博士学位;小的统计数据。无论是从田纳西大学。
商业领袖的外卖石油和天然气工业
大多数公司在涉及预防性维护和生产相关的分析本报告提供解决方案。值得说明的是，所有公司的AI努力由博士级人才带头除了Hortonworks。
这就是说，只有Maana提供专门用于工业生产和石油和天然气公司的解决方案;其他公司包括在本报告服务多个行业。Maana的特殊性可能对其有利的工作，因为它的机器学习模型可能仅仅在工业数据库，这可能会增加其模型的精度进行培训。这是炒作，但是。
虽然没有一家公司提供他们的软件将花费多长时间基于一个案例研究整合，困难的时候，我们推断集成产品可能很长。
总体而言，油气行业的预测分析应用似乎合理地涉及到人工智能，而其他行业的人工智能还处于萌芽阶段。
图片来源:石油和天然气行业人士
