月に一度、ビッグデータに関する最新のインサイト、トレンド、分析情報、ナレッジをお届けします。
月に一度、ビッグデータに関する最新のインサイト、トレンド、分析情報、ナレッジをお届けします。
資産も、人も、ロジスティクスも、いたるところにあります。石油産業には多くの変動部分があり、そのほぼすべてが常に変動状態にあります。他の産業と同様に、そのインフラストラクチャからは、上流、中流、下流の各オペレーションのセンサーデータ、地質学的、地球物理学的データ、掘削および完了データ、位置情報、テキストファイル、ビデオなどのあらゆる種類のデータが生成されています。Hortonworks は、石油およびガスの IoT ならびに予測的ビッグデータ分析を可能にすることで、パフォーマンスの最適化につながる予測分析力とデータ洞察力を提供し、この業界の活性化に貢献しています。
探査や生産にかかわるイノベーション速度は、大規模で複雑なデータセットや剛性データモデルによって制限されてしまいます。なぜなら、手動による品質管理（QC）工程を要するサイロ化された複雑なデータセットを使って、石油物理学者や地球科学者が作業する必要があるからです。石油およびガス向け HDP ビッグデータ分析による LAS ログ分析を使うと、科学者は予測モデルで使用するための、異なる LAS データの採取とクエリが可能になります。それと同時に SAS や R のような既存の統計ツールを活用して新しいモデルを構築し、そして何十億もの測定方法で、それらを迅速に反復処理することができます。生産、リース、処理データと、LAS データとを組み合わせることで、生産や利益率を増加させることができます。動的検層は何百、何千もの LAS ファイルを正常化して融合し、検層曲線の単一ビューを提供し、新たな LAS ファイルまたは画像として表示します。HDP では、出力スパイクの異常な測定値、較正誤差、その他の例外により、かつては「正常範囲外」とされたセンサーデータも、これらの統合ログに多く含ませることができます。HDP では、良し悪しにかかわらずすべてのデータを自動化された QC 工程で採取することができます。そして、確認作業を行い異常な測定値を排除し、クリアな単一ビューでデータを表示します。
最も利益率の高い石油やガスを生産するのに最適な動作パラメータ（例えばポンプ速度や流体温度など）を特定した後、その情報を集めて定値の戦略計画書を作ることができます。油井の最適な定値をリアルタイムで維持することは、Apache Storm の対故障性、石油およびガスのリアルタイムの予測分析、アラートにつながります。Hadoop で実行中の Storm は、ポンプ圧力、RPM、流速、温度といった変数を監視することができます。これらの定値のいずれかが所定の範囲から外れた場合には是正処置を取ります。油井の経営者とって、豊富なデータから成るこのフレームワークは、コスト削減や、条件変更の際にオペレーションを調整するのに役立ちます。
石油ガス会社は、政府や民間の土地を探査して掘削する権利を得るために、複数年にわたるリース入札をします。リースのために支払った価格は、この先あるかどうかわからない炭化水素の流れにたどり着くために、今必要なコストなのです。油井の貸手は、将来的な利益の不確実性を低減し、より正確に油井の歩留まりを予測することで、競争相手に打ち勝つことができます。Apache Hadoop は、画像ファイル、センサーデータ、地震観測値を効率的に保管することで、この競争力を提供することができます。これは、入札対象となっている油井に対して、サードパーティによる調査では得られない背景を付加します。予測分析を含む独自の情報を持つ会社こそが、進めようと考えていたリースを取りやめたり、「ダイヤモンドの原石」を見つけて割引価格でリースしたりすることができるのです。
従来、油井経営者は、遠隔地にあることが多いポンプや油井の状態に関するデータを、物理的な検査で収集してきました。つまり、検査データはまばらであり、問題となっている機器の高価値や、事故による安全衛生への潜在的影響を考慮すると、現地に足を運ぶのは難しいことを意味しました。今では、同じデータを手動で収集していた時よりもはるかに頻繁かつ低コストで、ポンプ、油井、その他の機器からの石油およびガス IoT センサーデータを Hadoop に投入できるようになりました。これは、マシンの修理や入れ替えなど、センサーではできない作業を、熟練した作業者が発見する手掛かりとなります。マシンからのデータは、気象、地震活動、ソーシャルメディアにおける感情分析といったデータストリームで強化することができ、現場で何が起こっているか、より完全な絵を描くことが可能になります。その後アルゴリズムは、大規模で多面的なデータセットを Hadoop で解析し、捉えにくいパターンを発見し、予想した結果を実際の結果と比較します。ある機器が予想よりも早く故障した場合、同様の故障を起こすリスクのある類似機器を予測することができます。データ駆動による予防維持は、稼働中の機器の事故リスクやメンテナンスコストを削減します。
新しい油井の発見がますます難しくなっているため、石油会社は、既存の油井からの生産減少を管理する必要があります。減少曲線分析（DCA）では、今後の生産量を見積もるために過去の油井生産量を使用します。一般的に履歴データは一定の生産率を表しますが、生産終了に近づいた油井の減少は直線パターンではなく、激減に伴いより急速に減少する場合が多々あります。油井の終了が近づくと、履歴から予測することは難しくなります。生産パラメータの最適化とは、圧力、流量、注入された流体混合物の熱特性などのパラメータをインテリジェント管理して、油井の耐用年数を最大化することです。機械学習アルゴリズムでは、複数の油井からの膨大な量のセンサーデータを分析して、制御可能なこれらのパラメータの最適な組み合わせを決定することができます。HDP の強力なデータ検出能力とその後の石油およびガス分析のためのビッグデータ分析は、油性所有者または借手がそのリソースを最大限に活用する一助となります。
1.4.18
7.21.17
6.26.17
6.23.17
5.26.17
5.22.17
5.8.17
4.26.17
4.21.17
4.20.17
11.7.16
10.4.16
9.6.16
シェア
登録
Apache, Hadoop, Falcon, Atlas, Tez, Sqoop, Flume, Kafka, Pig, Hive, HBase, Accumulo, Storm, Solr, Spark, Ranger, Knox, Ambari, ZooKeeper, Oozie, Phoenix, NiFi, Nifi Registry, HAWQ, Zeppelin, Slider, Mahout, MapReduce, HDFS, YARN, Metron and the Hadoop elephant and Apache project logos are either registered trademarks or trademarks of the Apache Software Foundation in the United States or other countries.
