Get fresh updates from Hortonworks by email

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

cta

Get Started

nube

¿Está preparado para empezar?

Descargue sandbox

¿Cómo podemos ayudarle?

cerrarBotón de cerrar
cta

IOT and Predictive Big Data Analytics
for Oil and Gas

nube Hortonworks is a leader. Read the Forrester Wave.

Download Report

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 el rendimiento, reducir el riesgo, acelerar la innovación

Los cambios universales en la disponibilidad de los datos están cambiando los negocios petroquímicos de maneras similares a los cambios en telecomunicaciones, comercio minorista y fabricación. Los avances en instrumentación, automatización de procesos y colaboración multiplican el volumen disponible de los nuevos tipos de datos como sensores, geolocalización, datos meteorológicos y datos sísmicos. Estos pueden combinarse con datos generados por humanos como opiniones de mercado, redes sociales, correo electrónico, texto e imágenes para una nueva visión.

Use Cases

Acelerar la innovación con Well Log Analytics (también conocido como LAS Analytics)

Los conjuntos de datos grandes, complejos y rígidos limitan el ritmo de la innovación para la exploración y la producción, debido a que requieren petrofísicos y geocientíficos para trabajar con conjuntos de datos en silos y complejos que requieren procesos de control de calidad manuales (QC). El análisis de registro de LAS con HDP permite a los científicos ingerir y consultar sus datos LAS dispares para su uso en modelos de predicción. También puede hacer esto al tiempo que aprovechan las herramientas estadísticas existentes, tales como SAS o R para construir nuevos modelos y luego iterar rápidamente con miles de millones de mediciones. Combinar los datos LAS con la producción, arrendamiento y el tratamiento de datos puede aumentar la producción y los márgenes. Los registros de pozos dinámicos normalizan y fusionan cientos o miles de archivos LAS, proporcionando una única visión de las curvas de registros, presentadas como nuevos archivos LAS o imágenes. Con HDP, esos registros consolidados también incluyen una parte de los datos del sensor que solían estar fuera del rango normal debido a las lecturas anómalas de los picos de tensión, los errores de calibración y otras excepciones. Con HDP, un proceso de control de calidad puede ingerir todos los datos (buenos y malos) y luego eliminar las lecturas anómalas y presentar una imagen clara y única de datos.


Definir los puntos de ajuste operacionales para cada pozo y recibir alertas sobre desviaciones

Después de identificar los parámetros ideales de operación (ej. tasas de bombeo o temperatura del fluido) que produce el petróleo y el gas en los márgenes más altos, la información puede entrar en un libro de ajustes. Mantener los mejores puntos de ajuste para un pozo en tiempo real es un trabajo para el análisis en tiempo real con tolerancia a errores de Apache Storm. Si se ejecuta Storm en Hadoop, se pueden controlar variables como la presión de las bombas, RPM, caudales y temperaturas y, a continuación, tomar las medidas correctivas si cualquiera de estos puntos de ajuste se apartan de los rangos predeterminados. Este marco rico en datos ayuda al operario ahorrar dinero y ajustar operaciones conforme cambian las condiciones.


Optimizar el arrendamiento de ofertas con predicciones de rendimiento fiables

Las empresas de petróleo y petróleo pujan por contratos multianuales de derechos de explotación y perforación en tierras federales o privadas. El precio pagado por el contrato de arrendamiento es un coste anual conocido para acceder a un futuro impredecible de flujo de hidrocarburo. El arrendador del pozo puede superar a sus competidores reduciendo la incertidumbre en torno a ese beneficio futuro prediciendo con mayor precisión el rendimiento del pozo. Apache Hadoop puede proporcionar esa ventaja competitiva mediante el almacenamiento de los archivos de imagen, datos de los sensores y mediciones sísmicas. Esto se suma al concepto que falta para cualquier encuesta de terceros de las vías abiertas para hacer una oferta. La empresa que posee dicha información única con el análisis predictivo puede pasar ahora a un contrato de arrendamiento que de otro modo no podría haber perseguido, o puede encontrar diamantes en bruto y arrendar los que están en descuento.


Reparación preventiva de los equipos con mantenimiento dirigido

Tradicionalmente, los operarios reunían datos sobre el estado de las bombas y pozos mediante inspecciones físicas (a menudo en lugares remotos). Esto significaba que los datos de inspección eran escasos y de difícil acceso, sobre todo teniendo en cuenta el alto valor de los equipos en cuestión y los posibles impactos sobre la salud y los impactes en la seguridad de los accidentes. Ahora, los datos de los sensores pueden transmitirse a Hadoop desde las bombas, pozos y otros equipos con mucha más frecuencia y —a un menor coste— que la recogida de los mismos datos de forma manual. Esto ayuda a guiar a los trabajadores cualificados para hacer lo que los sensores no pueden: reparar o reemplazar las máquinas. Los datos de las máquinas se pueden enriquecer con otros flujos de datos sobre el tiempo, la actividad sísmica o el sentimiento en las redes sociales, para crear una imagen más completa de lo que está sucediendo en el campo. A continuación, se analizan mediante algoritmos la gran cantidad de datos multifacéticos en Hadoop para descubrir patrones sutiles y comparar los esperados con los resultados reales. ¿Una pieza del equipo falló antes de lo esperado, y si es así, qué podría estar en riesgo de que le ocurriera lo mismo? El mantenimiento preventivo impulsado por los datos mantiene el equipo en funcionamiento con menos riesgo de accidentes y menores costes de mantenimiento.

Curvas de declive lento con optimización de parámetros de producción

Las empresas de petróleo necesitan gestionar la disminución de la producción de sus pozos existentes, ya que los nuevos descubrimientos son cada vez más difíciles de conseguir. El análisis de curvas de declive (DCA) utiliza la producción pasada de un pozo para estimar la salida futura. Sin embargo, los datos históricos suelen mostrar tasas de producción constantes, aunque el declive de un pozo hacia el final de su vida no sigue un patrón lineal —suele disminuir más rápidamente a medida que se agota. Cuando se trata de un pozo cerca del final de su vida útil, el pasado no es el prólogo. La optimización de los parámetros de producción es la gestión inteligente de los parámetros que maximizan la vida útil del pozo, como la presión, los caudales, las características térmicas de las mezclas de fluidos inyectados. Los algoritmos de aprendizaje automático pueden analizar grandes volúmenes de datos de los sensores de múltiples pozos para determinar la mejor combinación de estos parámetros controlables. Las potentes capacidades de HDP para el descubrimiento de datos y su posterior análisis pueden ayudar al propietario del bien o arrendatario a aprovechar al máximo ese recurso.