In Forma Software

Predição de falhas e indisponibilidade de ativos críticos na indústria de Óleo & Gás

 

Principais desafios da indústria de Óleo e Gás

 

O setor de Petróleo e Gás é uma indústria altamente intensiva em ativos. Novos poços precisam ser perfurados regularmente e os ativos são instalados em locais cada vez mais remotos e tipicamente hostis. Seja em terra ou em águas profundas, todos os locais são de difícil acesso e obter ajuda e conhecimento geralmente é um problema. Isso resulta em um tempo de inatividade caro e bastante significativo na produção e pode levar a sérios problemas relacionados ao meio ambiente e à segurança.

 

A maioria das empresas de petróleo e gás tem um plano de manutenção preventiva para reduzir o tempo de inatividade não planejado. Isso é realizado rotineiramente em ciclos de acordo com um cronograma baseado em calendário. Essa manutenção é feita durante interrupções planejadas e os ativos não críticos são geralmente executados até a falha antes da manutenção. Portanto, os ativos críticos têm manutenção programada regular e os não críticos têm manutenção reativa.

 

Os motivos de ocorrência de inatividade de ativos críticos incluem erro humano de manutenção, falha mecânica/de componentes, inspeções lentas e de baixa qualidade, dados ruins e, até mesmo, planejamento ineficiente.

 

Com uma média de pouco mais de 27 dias de inatividade, a cada ano, as plataformas offshore de petróleo e gás experimentam US$ 38 milhões em impactos financeiros de inatividade não planejada.

 

Uma falha na logística de escoamento ou de carregamento de óleo, ou gás poderá impactar no desabastecimento de uma grande região.

Uma paralisação de uma refinaria poderá impactar na redução do estoque de derivados de petróleo a ser ofertado ao mercado.

 

De acordo com o American Institute of Chemical Engineers – Instituto Americano de Engenheiros Químicos (AlChE), o custo da produção perdida para uma refinaria dos EUA com uma unidade de craqueamento catalítico fluido de tamanho médio de 80.000 barris por dia varia de US$ 340.000 por dia com margens de lucro de US$ 5 por barril, para US$ 1,7 milhão por dia com margens de lucro de US$ 25 por barril, com base em uma estimativa conservadora.

 

Outra consequência potencial do tempo de inatividade não planejado são as emissões fugitivas e poluição. Fazendo o uso do dióxido de enxofre e outros compostos orgânicos voláteis.

 

Empresas do setor energético monitoram grandes ativos em busca de falhas e problemas relacionados à pressão e a temperatura. 

Mas o problema não é a falta de aplicativos de software e dados. São muitos dados sem contexto que, coletados isoladamente, não agregam muito valor à cadeia. A maioria do tempo é gasto coletando esses dados e isso cria um enorme backlog, com desperdício de tempo e recursos tecnológicos. Adicionalmente, também constata-se a existência de muitos aplicativos, porém na maioria das vezes, não integrados. (confira aqui nosso artigo sobre integração de dados)

 

O grande desafio consiste em ter elementos suficientes e confiáveis, baseados em ciência de dados, que assegurem assertividade na predição de falhas, objetivando a tomada de decisões para minimização dessas falhas, riscos operacionais ou até mesmo downtime (tempo de inatividade).

 

Nas atividades de exploração e produção de petróleo, os riscos elencados acima numa plataforma impactam em sérios problemas operacionais, financeiros e na ocorrência de várias categorias de riscos. 

 

O mesmo se aplica à atividade de refino. Ativos críticos tais como Unidades de hidrotratamento (responsável pela capacidade de refino e paridade dos derivados determinando a qualidade final do produto quando o enxofre é removido), Unidades de coques (responsável pela destruição dos resíduos no processo de refino), 

Unidades de destilação (responsável pelo 1.º processamento de petróleo) e Unidades de Craqueamento catalítico – FCC (responsável pela produção de gasolina e propeno), são exemplos de ativos críticos que, uma vez em inatividade, ocasionam os mesmos riscos e prejuízos.

 

Na atividade de logística de transporte do petróleo, os braços de carregamento (cuja principal função consiste em sincronizar o escoamento de óleo e gás armazenados em navios para dutos localizados nos piers operacionais), também são exemplos de ativos críticos. A falha de um braço carregamento impacta não só no risco da operação (escoamento) como também poderá ocasionar acidentes de vazamentos com a incidência de poluição, considerado acidentes catastróficos do ponto de vista ambiental.

 

Conheça alguns problemas que podem acontecer:

  1. Aumento de OPEX;
  2. Riscos operacionais e acidentes de trabalho;
  3. Despesas de viagem e trabalho desperdiçadas;
  4. Contaminação do meio-ambiente;
  5. Negativa percepção do mercado;
  6. Fuga dos acionistas e perda de valor no mercado.

Soluções In Forma

 

A In Forma Software é reconhecida pela sua excelência no desenvolvimento e suporte de soluções tecnológicas com ênfase em gestão de ativos críticos e regulados. Também é reconhecida como uma empresa integradora de sistemas complexos.

 

A transformação digital propiciada pela In Forma ao mercado, eleva os seus clientes ao mais alto patamar de gestão de ativos, integrando numa mesma solução as manutenções programadas, normativas, proativas, com ênfase no provimento de predição de falhas e anomalias dos ativos críticos. Desta forma, as empresas do segmento de Oil & Gas passam a ter seus negócios centrados na gestão de ativos e operação eficientes, pela aplicação de ciência de dados. É o que denomina-se empresa orientada a dados, ou Data Driven.

 

➔ Clique aqui e entre em contato com um de nossos especialistas! 

 

As soluções da In Forma de predição de falhas e anomalias de ativos críticos são baseadas em tecnologias de Inteligência Artificial – IA.

 

Destacam-se, assim, soluções concebidas para:

 

  • Mapeamento de riscos operacionais por níveis de criticidade;
  • Indicação automática de manutenções preditivas;
  • Predição de indisponibilidade de ativos.

Tais soluções fazem uso de leitura de dados da operação, coletados de sistemas supervisórios, PLCs, sistemas de IoT (Internet of Things), variáveis de processos, eventos, alarmes, dados analógicos e ambientais, dados externos em geral, inspeções e testes em campo e histórico de manutenções. Uma vez coletados essa heterogeneidade de dados, os mesmos são armazenados em estrutura de banco de dados, servindo de insumos para o desenvolvimento de modelos de dados baseados em técnicas de aprendizagem de máquina (machine learning – ML), conhecimento profundo (deep learning – DL) e redes neurais.

 

Os modelos de dados baseados em ML, por exemplo, têm como principal função agrupar as variáveis de um sistema operativo ao longo do tempo, determinando faixas operacionais de normalidade, baixo, médio ou alto riscos, isso tudo em forma de ranking. Dessa forma, a empresa prioriza a criticidade de ocorrência de cada risco de cada unidade de operação, em função do peso atribuído a cada um deles.

 

A indicação de manutenção preditiva é uma solução inteligente integrada aos processos de Operação e Manutenção (O&M) de ativos, também desenvolvido por meio de IA, voltado para a tomada de decisão táticas e operacionais dos ativos considerados críticos. Os dados dos sistemas responsáveis pela coleta são processados por modelos não supervisionados de ML para detecção de anomalias. Neste caso, o grau de risco da anomalia é classificado e utilizado na indicação das manutenções preditivas.

 

Já as soluções com ênfase em predição de indisponibilidade de ativos, possui capacidade de predizer o comportamento (ocorrências) de riscos de inatividade dos equipamentos, provendo também informações para facilitar quais ações corretivas devem ser tomadas e em que ativos têm melhor retorno financeiro. O foco consiste em capitalizar a excelência em inspeções de ativos por meio da aplicação de IA.

 

No contexto relacionado ao tema de predição, a In Forma concebeu o conceito de Preditor Inteligente. A maioria das soluções desenvolvidas mundo afora, com foco em predição, são associadas ao conceito de Preditor Ingênuo. O preditor ingênuo acerta no comportamento inalterado dos dados e prevê baseado no passado recente. O Preditor Inteligente da In Forma aprende a partir dos exemplos de treinamento de máquina, com assertividade no comportamento dos dados, extrapolando conhecimento empírico dos especialistas. Comparativamente, o Preditor Inteligente da In Forma apresenta uma taxa de acerto da predição que oscila entre 80 a 90%, em detrimento do Preditor Ingênuo que acerta em torno de 58%.

 

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on whatsapp
WhatsApp