Blog
DATA SCIENCE
29
Jun
2019
OTIMIZANDO UMA PRODUÇÃO COM MACHINE LEARNING

OTIMIZANDO UMA PRODUÇÃO COM MACHINE LEARNING

Otimizando a Produção com Machine Learning.

Utilizando Dados para Melhorar a Performance.

 

Plantas totalmente automatizadas estarão entre nós em um futuro não tão distante assim. Porém, mesmo agora o Machine Learning pode fazer uma grande diferença na otimização de produção. Neste artigo, eu vou dar uma olhada um pouco mais de perto em um exemplo concreto de como utilizar o Machine learning e análise estatística para resolver um problema complexo encontrado na vida real.

O que é otimização de Produção?

A otimização de produção é um problema comum a muitas indústrias. No nosso contexto, otimização é um ato, processo ou metodologia que faz algo – como projetar, sistematizar ou tomar uma decisão – tão boa, funcional ou eficiente quanto possível. Processo de decisão para um custo mínimo, melhor qualidade e performance e consumo de energia são alguns exemplos dessa otimização.

Para concretizar isso, eu vou focar em um caso em que trabalhei em conjunto com um profissional da indústria de petróleo e gás. Na ocasião, a empresa estava trabalhando primariamente na digitalização e análise. O foco se dava primeiramente pela vasta quantidade de dados acumulados por centenas de sensores todos os dias em uma única plataforma de extração por exemplo. Até recentemente a utilização destes dados era limitada devido a limitações de competência e falta tanto de tecnologia necessária quanto pipelines de dados para coletar os dados destes sensores e de sistemas para análises.

Dentro do contexto da indústria de óleo e gás, otimização de produção é essencialmente “controle de produção”: Você minimiza, maximiza ou alcança um alvo na produção de óleo e/ou gás ou até mesmo água. O objetivo pode ser maximizar a produção de óleo enquanto minimiza a produção de água ou garantir a produção de óleo e taxa óleo/gás dentro de especificações e/ou controle.

Quão complicado é a otimização de produção?

A produção de petróleo e gás é um processo complexo, e muitas decisões devem ser tomadas para atender às metas de curto, médio e longo prazo, desde o planejamento e gerenciamento de ativos até pequenas ações corretivas. As decisões de curto prazo devem ser tomadas dentro de algumas horas e são frequentemente caracterizadas como otimização diária da produção. Eles normalmente buscam maximizar as taxas de petróleo e gás, otimizando os vários parâmetros que controlam o processo de produção.

 

Na maioria dos casos hoje, a otimização diária da produção é realizada pelos operadores que controlam a unidade de produção offshore. Essa otimização é uma tarefa altamente complexa, na qual um grande número de parâmetros controláveis afeta a produção de alguma forma ou de outra. Algo em torno de 100 parâmetros de controle diferentes devem ser ajustados para encontrar a melhor combinação de todas as variáveis sem contar as variáveis não controláveis (Ruído), porém estas vou cobrir em um artigo diferente. Considere o problema de otimização muito simplificado ilustrado na figura abaixo.

Neste caso, apenas dois parâmetros controláveis afetam sua taxa de produção: “variável 1” e “variável 2”. O problema de otimização é encontrar a combinação ideal desses parâmetros para maximizar a taxa de produção. Resolver esse problema de otimização bidimensional não é tão complicado, mas imagine esse problema sendo dimensionado até 100 dimensões. Agora, isso é outra história. Essencialmente, isso é o que os operadores estão tentando fazer quando estão otimizando a produção. Hoje, quão bem isso é feito depende, em grande parte, da experiência anterior dos operadores e de quão bem eles entendem o processo que estão controlando.

 

Algoritmos de Machine Learning podem acumular conjuntos de dados ilimitados

 

É aqui que uma abordagem baseada em Machine Learning se torna realmente interessante. A otimização realizada pelos operadores é amplamente baseada em sua própria experiência, que se acumula ao longo do tempo conforme eles se tornam mais familiarizados com o controle do processo. Essa capacidade de aprender com a experiência anterior é exatamente o que é tão intrigante no Machine Learning. Ao analisar grandes quantidades de dados históricos dos sensores das plataformas, os algoritmos podem aprender a entender relações complexas entre os vários parâmetros e seus efeitos na produção.

 

O fato de os algoritmos aprenderem com a experiência, em princípio, se assemelha ao modo como os operadores aprendem a controlar o processo. No entanto, ao contrário de um operador humano, os algoritmos de aprendizado de máquina não têm problemas em analisar os conjuntos de dados históricos completos para centenas de sensores ao longo de vários anos. Eles podem acumular experiência ilimitada em comparação com um cérebro humano.

 

Como funciona um algoritmo de otimização

 

Ter um algoritmo de Machine Learning capaz de prever a taxa de produção com base nos parâmetros de controle que você ajusta é uma ferramenta incrivelmente valiosa. Fazendo referência à nossa ilustração simplificada na figura acima, o modelo de previsão baseado em aprendizado de máquina nos fornece o “cenário de taxa de produção” com seus picos e vales representando alta e baixa produção. O algoritmo de otimização multidimensional se movimenta nessa paisagem procurando o pico mais alto que represente a maior taxa de produção possível.

  Ao percorrer este “panorama da taxa de produção”, o algoritmo pode fornecer recomendações sobre como atingir melhor esse pico, ou seja, quais variáveis de controle ajustar e quanto ajustá-las. Essa otimização da produção baseada em aprendizado de máquina consiste, portanto, em três componentes principais:

1. Algoritmo de Previsão:

Seu primeiro passo importante é garantir que você tenha um algoritmo de Machine Learning capaz de prever com sucesso as taxas de produção corretas, considerando as configurações de todas as variáveis controláveis pelo operador.

2. Otimização Multidimensional:

Você pode usar o algoritmo de previsão como a base de um algoritmo de otimização que explora quais variáveis de controle devem ser ajustadas para maximizar a produção.

3. Saída Acionável:

Como saída do algoritmo de otimização, você obtém recomendações sobre quais variáveis de controle ajustar e a melhoria potencial na taxa de produção desses ajustes.

 

Um algoritmo de otimização baseado em Machine Learning pode ser executado em streaming de dados em tempo real a partir da instalação de produção, fornecendo recomendações para os operadores quando identifica um potencial de produção aprimorada. Uma típica saída acionável do algoritmo é indicada na figura acima: recomendações para ajustar alguns pontos de ajuste do controlador e aberturas de válvulas. Também estima o potencial aumento na taxa de produção, que neste caso foi de aproximadamente 2%.

Este algoritmo de otimização baseado em Machine Learning pode servir como uma ferramenta de suporte para os operadores controlarem o processo, ajudando-os a tomar decisões mais informadas, a fim de maximizar a produção.

Operação totalmente autônoma das instalações de produção ainda está no futuro. Até lá, as ferramentas de suporte baseadas em Machine Learning podem fornecer um impacto substancial em como a otimização de produção é executada.


No futuro, acredito que o Machine Learning será usado de muitas outras maneiras de que hoje somos capazes de imaginar. Que impacto você acha que terá nas várias indústrias? Eu adoraria ouvir suas considerações nos comentários abaixo.

EVERTON DE PAULA

Comente essa publicação