کاربردهای هوش مصنوعی در صنعت نفت

هدف از این تحقیق به دست آوردن درک بهتری از کاربرد هوش مصنوعی (AI) در زنجیره تامین نفت و گاز است. هوش مصنوعی در سال های اخیر در تمام مراحل به صحنه تحقیقاتی و صنعتی بازگشته است، افزایش شدید کار مبتنی بر هوش مصنوعی پتانسیل خود را برای تبدیل شدن به مسیری برای آینده در تقریباً همه رشته ها نشان داده است. در این مقاله شما کاربردهای هوش مصنوعی در صنعت نفت آشنا میشوید.

در صنعت نفت و گاز، فناوری هوش مصنوعی نیز بدون شک ستاره درخشان جدیدی است که توجه محققان را به خود جلب می کند. کاربرد هوش مصنوعی در موضوعات مهم در سه بخش بالادستی، میان دستی و پایین دستی بررسی شده است. نتایج حاصل از تجزیه و تحلیل انجام شده، بینش های مهمی را در مورد پویایی پیاده سازی هوش مصنوعی در صنعت نفت و گاز نشان داد. علاوه بر این، توصیه های مختلفی برای مدیران فناوری، سیاست گذاران، متخصصان و رهبران در صنعت نفت و گاز برای اطمینان از اجرای موفقیت آمیز هوش مصنوعی ارائه شد. 

موضوعات مورد بحث در این تحقیق شامل کاربرد هوش مصنوعی در پیشبینی دینامیکی تولید میدان نفتی، در بهینه سازی توسعه، در شناسایی نفت باقیمانده، در شناسایی شکستگی و استفاده از هوش مصنوعی در بهبود بازیافت نفت است. در نهایت، بر اساس تجزیه و تحلیل و بررسی، توصیه ها و جهت گیری های بالقوه کاربرد هوش مصنوعی در توسعه میدان نفتی ارائه شد.

هوش مصنوعی مجموعه ای از فناوری هایی است که شامل ML، پردازش زبان طبیعی و روباتیک است که به ماشین ها اجازه می دهد تا داده ها را حس کنند، تفسیر کنند، عمل کنند و یاد بگیرند تا به تصمیم گیری کمک کنند. هوش مصنوعی رابطه بین افراد و ماشین ها را متحول و دگرگون میکند و باعث بهره وری بیشتر در کسب و کارها میشود.

هوش مصنوعی از سال ۱۹۵۰ آغاز شد، زمانی که آلن تورینگ، ریاضیدان بریتانیایی، این سوال معروف را مطرح کرد: آیا ماشین ها می توانند فکر کنند؟ 

هوش مصنوعی (AI) به طور رسمی به عنوان یک زمینه تحقیقاتی جدید در کنفرانس آکادمیک دارتموث در سال ۱۹۵۶ پیشنهاد و تعریف شد. سپس اولین بهار هوش مصنوعی فرا رسید، زمانی که هوش مصنوعی به سرعت در زمینه های مختلف به کار رفت. آزمایشگاههای هوش مصنوعی در بسیاری از کشورها راه اندازی شدند و کارشناسان در آن زمان بر این باور بودند که ماشین ها به زودی جایگزین انسان ها در مناطق مختلف خواهند شد.

با این حال، وقتی نوبت به دهه ۱۹۷۰ رسید، به دلیل محدودیت های الگوریتم های هوش مصنوعی در آن زمان، توسعه هوش مصنوعی به دلیل عدم توانایی در اجرای کارهای بزرگ یا پیچیده محدود شد. چند سال بعد، با استفاده گسترده از “سیستم خبره”، هوش مصنوعی دوباره شروع به شکوفایی کرد. با این حال، از آنجایی که سیستم خبره  به توانایی پردازش دانش قوی و هزینه تعمیر و نگهداری بالا نیاز داشت، هیچ پیشرفت قابل توجهی در توسعه هوش مصنوعی وجود نداشت.

به نظر می رسد توسعه سریع رایانه ها در اواخر دهه ۱۹۹۰ بهار جدیدی را برای هوش مصنوعی آغاز کرده است. پس از بیش از ۶۰ سال فراز و نشیب، هوش مصنوعی با پیروزی Alpha Go بر dol-Se Lee به کانون توجه بازگشت. سپس در سال ،۲۰۱۷ Alpha Go Zero با خودآموزی پرسرعت و بدون هیچ گونه مشارکت انسانی ظاهر شد که توجه بالایی را از همه اقشار جامعه برانگیخت و افکار جدیدی را برای توسعه هوش مصنوعی در زمینه های مختلف به ارمغان آورد.

با توسعه محاسبات ابری، کلان داده، شبکه عصبی مصنوعی،  یادگیری عمیق و سایر فناوریهای جدید، میتوان گفت که هوش مصنوعی به جهشی جدید دست یافته و زندگی روزمره ما را نیز تغییر داده است. ماشین های بدون راننده، تشخیص دقیق چهره و دیگر کاربردهای هوش مصنوعی دیگر فقط در فیلمهای علمی تخیلی نیستند. هوش مصنوعی تقریباً در تمام جنبه های زندگی روزمره به کار گرفته شده است، زیرا هسته صنعت انرژی سنتی، صنعت نفت و گاز نیز هوش مصنوعی را در بر میگیرد تا پیشرفت های فناوری جدیدی برای اکتشاف، توسعه و تولید نفت و گاز به ارمغان بیاورد.

استفاده از هوش مصنوعی در زمینه مهندسی نفت در انجمن بین المللی در اوایل دهه ۱۹۷۰ در انجمن پیشنهاد شد. در سال ،۲۰۰۹ SPE شاخه ای از “هوش مصنوعی در تجزیه و تحلیل پیش بینی” را برای ترویج استفاده از فناوری هوش مصنوعی در زمینه نفت، به منظور سازماندهی منظم بحث های مرتبط تاسیس کرد.

بر اساس نتایج جستجو از پلتفرم petro One، تعداد مقالات در مورد هوش مصنوعی از سال ۲۰۰۰ به طور قابل توجهی افزایش یافته است که الگوریتم های اصلی آن شامل شبکه عصبی مصنوعی ANN، منطق فازی، ماشین بردار پشتیبانی، سیستم هوشمند ترکیبی است. الگوریتم ژنتیک، بهینه سازی ازدحام ذرات، و غیره. این نشان دهنده علاقه روزافزون محققان به کاربرد هوش مصنوعی در صنعت نفت است و در بین همه الگوریتم ها، ANN بیشترین مطالعه را دارد.

در حال حاضر، کاربرد هوش مصنوعی در صنعت نفت و گاز به سرعت در حال توسعه است، چرا که مفهوم هوش مصنوعی به تدریج در مراحل مختلف صنعت، حفاری هوشمند، تولید هوشمند، خط لوله هوشمند، پالایشگاه هوشمند و غیره نفوذ می کند و به آن تبدیل خواهد شد. جهت تحقیقات آینده با الگوریتم های هوش مصنوعی، یک سری فناوری های کاربردی در اکتشاف و تولید را توسعه داده اند.

 در زمینه اکتشاف، استفاده از روش ANN در حال حاضر به نتایج خوبی در کاهش خطرات و بهبود میزان موفقیت چاه های اکتشافی دست یافته است. در زمینه حفاری، تجهیزات جدید مانند دکل حفاری اتوماتیک و لوله حفاری هوشمند سطح حفاری را بهبود بخشیده و هزینه را به میزان قابل توجهی کاهش داده است. در توسعه میدان نفتی، بر اساس داده های تاریخی تولید میدان نفتی، بهینه سازی طرح توسعه، حالت کاربردی اصلی فناوری هوش مصنوعی است. علاوه بر این، هوش مصنوعی روش دقیق تری را برای طراحی موضوع شکست و انتخاب چاه های عامل و لایه های هدف ارائه کرده است.

اگرچه بسیاری از محققان دستاوردهای خود را به اشتراک گذاشته اند، به دلیل روش ها و محتویات فراوان هوش مصنوعی، خالصه و نتیجه گیری خاصی در مورد کاربرد هوش مصنوعی در زمینه توسعه میدان نفتی وجود ندارد. پیش بینی عملکرد تولید، بهینه سازی توسعه، شناسایی باقیمانده نفت، افزایش بازیافت نفت و شناسایی و پیشبینی صحیح شکستگیهای مصنوعی در مخازن غیر متعارف که از اهمیت ویژه ای برخوردار هستند، وظایف اصلی در توسعه میدان نفتی می باشند. برای پذیرش فناوری هوش مصنوعی در این آثار، تجزیه و تحلیل و خالصه کردن دستاوردهای موجود اهمیت زیادی دارد.

هوش مصنوعی در زنجیره تامین نفت و گاز 

برخی کاربردهای مهم هوش مصنوعی در نفت و گاز در سه بخش بالادستی، میان دستی و پایین دستی است که در ادامه به آن خواهیم پرداخت. البته لازم به ذکر است برخی از کاربردها مانند چگونگی بهبود ایمنی کلی و عملکرد عملیاتی در سراسر زنجیره تامین نفت و گاز از بالادست تا پایین دست مشترک می باشند.

این موضوع را می توان با استفاده از ML برای فعالیت هایی مانند مدیریت ایمنی فرآیند، بازرسی مبتنی بر ریسک، ارزیابی بالیا و وظایف مربوط به تولید و نگهداری محقق کرد. در این موارد، ML به تسریع فرآیندهای جمع آوری و تجزیه و تحلیل داده ها در PSM، پیش بینی آسیب پذیری و اختلال در ارزیابی های بالیا، بهبود کیفیت RBI معمولی با کاهش تنوع خروجی و افزایش دقت و صحت کمک کرده است.

 علاوه بر این، استفاده از پردازش زبان طبیعی برای کمک به کسب دانش مربوط به حوادث در سراسر زنجیره تامین مورد استفاده قرار می گیرد. البته این فناوری با کمک پایگاه های داده میتواند برای ایجاد یک ساختار دانش قابل اشتراک قوی در کشورها و شرکت ها برای کمک به بهبود ایمنی استفاده شود.

هوش مصنوعی در نفت و گاز بالادست

در بخش بالادستی صنعت نفت و گاز، سه حوزه حیاتی عبارتند از اکتشاف ، توسعه میدان و تولید . در اکتشاف، مدل های یادگیری ماشین (ML) برای خودکارسازی جمع آوری، انتقال و تجزیه و تحلیل داده ها برای فعالیت هایی مانند نقشه برداری لرزه ای، ثبت چاه ها و تجزیه و تحلیل هسته استفاده شدهاند، در نتیجه هزینه ها، کاهش خطاها و بهبود کارایی را کاهش میدهند.

بسیاری از کارهای تحقیقاتی بر کاربردهای فناوری های هوش مصنوعی در توسعه میدانی، برای فعالیت هایی مانند ، مهندسی مخازن  حفاری و زیرساخت ها متمرکز شده اند. مدل های یادگیری ماشین و هیبریدهای آن کاربردهای موفقی ۷ را در حفاری برای پیشبینی خواص گل و پارامترهای حفاری بهینه برای بهبود ایمنی، کارایی حفاری و اثربخشی هزینه نشان میدهند.

به طور مشابه در مهندسی مخازن و زیرساخت، ML و هیبریدهای آن برای اهداف تخمینی و بهینه سازی در فعالیت هایی مانند تخمین فشار نقطه شبنم و بهینه سازی سیلاب استفاده میشوند که به حداکثر کردن تولید هیدروکربن، بهینه سازی تولید نفت و به حداکثر رساندن سود مالی کمک میکند.

در حوزه تولید، مدل های ML و هیبرید های آن عمدتاً برای نظارت، پیش بینی، انتخاب و تشخیص ویژگی ها و اجزای مختلف حیاتی برای تولید بهینه استفاده می شوند. این شامل نرخ جریان دریچه خفه کننده، تولید در مراحل قطع آب بسیار بالا، بارش آسفالتین، تولید شن و ماسه، انتخاب جداکننده، رویدادهای معیوب، پیش بینی تولید و نگهداری پیش بینی شده است.

علاوه بر این، در بخش بالادستی، فناوری بینایی کامپیوتر برای آموزش تکنسین ها و اپراتورهای میدانی با استفاده از یک محیط واقعیت مجازی استفاده شده است. این امر به کاهش هزینه و زمان آموزش و در عین حال بهبود ایمنی کمک کرده است.

هوش مصنوعی در نفت و گاز میان دستی

در بخش میانی، کارکردهای اصلی حمل و نقل و توزیع است. لوله ها و مخازن دو مورد از مهم ترین سیستم های مورد استفاده در حمل و نقل و ذخیره سازی نفت و گاز در صنعت هستند. بسیاری از مقالات در نظر گرفته شده کاربردهای الگوریتم های ML را برای مدلسازی، نظارت، ارزیابی و بهینه سازی خطوط لوله گاز مورد بحث قرار دادند.

به ویژه، ML برای یافتن تعادل بهینه بین سود عملیات و مقدار انتقال در خطوط لوله، توسعه سیستم های نظارت مستمر و قابل اعتماد برای اطمینان از ایمنی خط لوله و کمک به افزایش طول عمر آنها استفاده شده است و در نهایت به بهبود عملیات خاص، طراحی و ارزیابی ریسک با استفاده از مدل ها و شبیه سازی های پیشبینی کننده برای کاهش هزینه های نگهداری و عملیاتی کمک نموده است.

لوله ها و مخازن ذخیره سازی، به ویژه آنهایی که به طور مداوم برای حمل و نقل طولانی مدت و ذخیره سازی طولانی مدت استفاده میشوند، نیاز به بازرسی و نگهداری دوره ای دارند. بازرسی انسانی این قطعات پرهزینه و ناامن است، بنابراین بازرسی و جابجایی خودکار این قطعات بسیار مطلوب است. ضمنا سیستم های نشت یابی هوشمند با متدهای متفاوت نظیر: روش صوتی، نمونه برداری گازی، پایش خاک، جریان سنج های شدت صوت، حسگرهای کابلی، روش نشت شار مغناطیسی، روش های مبتنی بر پایه نرم افزار و غیره قابل استفاده می باشد.

ضمنا پژوهشگاه صنعت نفت در این زمینه پروژه های تحقیقاتی و پایلوتی متعددی را بر مبنای الگوریتم RTTM انجام داده است. ضمنا پژوهشگاه صنعت نفت در زمینه های تحول دیجیتال در صنعت نفت پیشگام بوده و پروژه های متعددی را نظیر بهینه سازی همزمان فرایند ( RTO )، سیستم نشت یابی هوشمند، سنسور مجازی  و چاه هوشمند انجام داده است.

هوش مصنوعی در نفت و گاز پایین دست 

در بخش پایین دستی، کارکردهای اصلی پالایش نفت و گاز و همچنین توزیع محصولات نهایی است، الگوریتم های ML و نسخه های ترکیبی آنها نسبت به مدل های معمولی تواناتر هستند و کاربردهای موفقی را برای پیشبینی حوادث مربوط به تعمیر نشان میدهند. و نگهداری در پالایشگاه ها آنها همچنین می توانند به پیش بینی و تخمین فرآیندهای شیمیایی مختلف کمک کنند، که مستقیماً بر کارایی و ایمنی پردازش پایین دستی در طول بازیابی محصول تاثیر می گذارد.

ML و هیبریدهای آن همچنین در صنایع پایین دستی نفت و گاز برای پیش بینی تقاضا و مصرف کلی مورد استفاده قرار گرفته اند، جایی که استفاده از آن به بهبود قابلیت پیش بینی و دقت داده های پیشبینی شده و همگام سازی آن با برای نظارت فعالیت های مختلف تولید کمک کرده است.

علاوه بر این، در بخش پایین دستی، فناوری بینایی کامپیوتری بر پارامترهای مختلف مرتبط با فرآوری نفت در کارخانه های فرآوری پالایشگاه استفاده شده است. این فناوری با نظارت بر دینامیک شعله نفت در داخل پالایشگاه با استفاده از دوربین ها، در پیش بینی وقوع شرایط ناپایدار موفق بوده و در نتیجه از موقعیت های بالقوه خطرناک جلوگیری میکند و با خودکار کردن سیستم کنترل ایمنی را ارتقا میدهد.

چالش های پیاده سازی هوش مصنوعی در زنجیره تامین نفت و گاز 

در بخش بالادستی صنعت نفت و گاز، سه چالش اصلی وجود دارد. اول اینکه مردم از آنجایی که هوش مصنوعی باید بر اساس زمینه و داده های تجاری بسیار سفارشی شود، شرکت ها به تیم های داخلی نیاز دارند که بتوانند از توسعه زیرساخت هوش مصنوعی و سفارشی سازی ابزارهای هوش مصنوعی پشتیبانی کنند. دوم، داده است زیرا برنامه های کاربردی موفق هوش مصنوعی نیاز به دسترسی به مقادیر زیادی داده با کیفیت خوب دارند.

چالش سوم، همکاری باز بین تمام سطوح است که به دلیل فقدان منبع داده باز و به اشتراک گذاری داده های بین شرکتی، چالشی است. علاوه بر این می توان به چالش های ایمنی در حوزه الگوریتم های ML اشاره کرد که برای رویدادهای خطرناک در عملیات حفاری استفاده می شود. جدای از فقدان مجموعه داده های در دسترس عموم، کمبود الگوریتم های یادگیری عمیق سفارشی عمدتاً در زمینه فعالیت حفاری نیز مشاهده شده است.

همچنین هنگام ساخت مدل های هوش مصنوعی و ML برای پیش بینی تقاضای نفت خام، چالش هایی نظیر داده های ناکافی و پیکربندی نامناسب شبکه وجود دارند که دقت نتایج را پایین می آورند. از سایر چالش ها در بکارگیری هوش مصنوعی در صنعت نفت و گاز می توان به عدم آگاهی و دانش در مورد ظرفیت فنی تکنیک ها، کمبود ابزار توسعه برای اجرای کارآمد و در نهایت و عدم قطعیت و ریسک پذیرش فناوری های جدید اشاره نمود.

در بخش میانی نفت و گاز، مشکلاتی نظیر: اندازه گیری داده را به دلیل هزینه بالای بازرسی، الزامات حفاری و خطر خطوط لوله آسیب پذیر، به ویژه برای پیش بینی عمق خوردگی حفره ای بالا در خطوط لوله نفت و گاز مطرح می شوند. در نهایت، جدای از چالش هایی که قبال ذکر شده، مشکلات متعددی به واسطه گذار به عصر نفت و گاز ۴,۰ نیز وجود دارد که از آن جمله می توان به: چشم انداز منفی و همچنین عدم استاندارد سازی و برنامه ریزی کلی اشاره نمود.

تجزیه و تحلیل مقایسه ای بر روی اجرای فناوری های هوش مصنوعی در بالادستی، میان دستی و پایین دستی 

برای به دست آوردن بینش بیشتر در مورد پویایی اجرای هوش مصنوعی در طول زنجیره تامین نفت و گاز، تجزیه و تحلیل های توصیفی و مقایسه ای انجام شد. تجزیه و تحلیل ها با بررسی کلی کمی آغاز شد و سپس با تجزیه و تحلیل خاص برای هر مکان در زنجیره تامین دنبال شد.

تجزیه و تحلیل مقایسه ای کلی در مورد تحقیقات بر روی هوش مصنوعی با تمرکز بر سه بخش بالادستی، میان دستی و پایین دستی 

از ۴۰ مطالعه در نظر گرفته شده برای بازبینی که بر روی فناوری های هوش مصنوعی خاص در چشم انداز زنجیره تامین نفت و گاز تمرکز داشتند، ۵۰ درصد به بخش بالادستی، ۱۸ درصد به بخش میان دستی، ۱۵ درصد به بخش پایین دستی مربوط می شوند. علاوه بر این، ۱۷ در صد از مقالات بر روی هر سه بخش عرضه، برای فناوری های هوش مصنوعی منتخب در زنجیره تامین نفت و گاز متمرکز شده اند.

تجزیه و تحلیل توصیفی بر اساس پیاده سازی هوش مصنوعی و نوع فناوری 

در این بخش، شرح مفصلی از فناوری های هوش مصنوعی مختلف که در بخش های مختلف زنجیره تامین نفت و گاز پیاده سازی شده اند، در قالب جدول ارائه شده است. هدف اصلی، ارائه بینش دقیق تری فراتر از جایی که فناوری هوش مصنوعی متمرکز شده است یا نوع کلی آن در مورد نحوه ارتباط آن با فعالیت های بخش های مختلف در مجموعه دانش تسخیر شده است.

در مجموع ۲۰ مطالعه در ادبیات در نظر گرفته شده بر روی کاربردهای هوش مصنوعی در بالادست زنجیره تامین نفت و گاز متمرکز شده است. توسعه و تولید میدانی، فعالیت های اصلی با راه حل های مبتنی بر ML به عنوان فناوری کاربردی غالب هوش مصنوعی بود. این عمدتا به دلیل توانایی فن آوری های ML برای کمک به حفاری دقیق، تولید تطبیقی و همچنین نگهداری پیشگیرانه است. 

استفاده از راه حل های ML مانند دوقلو های دیجیتال ادغام شده با اینترنت اشیا می تواند منجر به عملکرد بهینه کلی در این فعالیت ها و کاهش قابل توجه هزینه شود. دیگر کارهای تحقیقاتی بالادستی به اهمیت ارتقای مهارت منابع انسانی فعلی برای تسریع و بهبود کاربرد هوش مصنوعی در فعالیت های بالادستی اشاره کرد.

 حمل و نقل از طریق خطوط لوله فعالیت اصلی می باشد که با راه حل مبتنی بر ML دوباره به عنوان فناوری پیشرو مورد بحث قرار گرفته است. بسیاری از راه حل های پیشنهادی هوش مصنوعی با استفاده از دادههای تاریخی به نگهداری و نظارت خط لوله می پردازند. 

این امر اهمیت در دسترس بودن داده ها را به عنوان یک نیاز اساسی و در بسیاری از موارد، چالش برای اجرای موفقیت آمیز هوش مصنوعی در فعالیت های میانی برجسته می کند.

گروهی از کارهای تحقیقاتی در نظر گرفته شده بر فناوری های هوش مصنوعی متمرکز بودند که می توانند راه حل هایی را برای مسائل در هر سه بخش ارائه دهند. راه حل های رباتیک برای بهبود عملکرد عملیات خشکی و فراساحلی مورد بررسی قرار گرفتند. مدل های ML همچنین برای افزایش پیشبینی و ارزیابی خطرات و بلایا در کل زنجیره تامین نفت و گاز مورد بحث قرار گرفتند. NLP برای بهبود اکتساب داده ها، برای کمک به کشف روابط تصادفی از پایگاه های داده استفاده شده اند.

کاربردهای اقتصادی هوش مصنوعی

پیش بینی قیمت نفت خام 

در سال های اخیر ابزارهای متعددی برای پیش بینی قیمت نفت خام ساخته شده است که البته رفتار پیچیده ای دارد و در معرض تغییرات زیادی قرار دارد. از آنجایی که طرح تجاری شرکت های نفتی به شدت تحت تاثیر چنین نوسان قیمتی است، علاقمندی های این موضوع به سرعت در حال افزایش است و معرفی روش های هوش مصنوعی را برای اهداف پیش بینی تعیین کرده است.

به عنوان مثال، قیمت نفت خام وست تگزاس اینترمدیت با اجرای یک الگوریتم ژنتیک (GA) پایش و پیش بینی شده. 

ارزش سرمایه گذاری نسبت به روش های سنتی 

سرمایه گذاری های موجود در هوش مصنوعی در شرکت های صنعت نفت و گاز میانگین بازگشت سرمایه ۳۲ درصد را به همراه داشته است. طی سه سال گذشته ۳ درصد کاهش هزینه و ۳ درصد رشد درآمد داشته است. این معادل ۵۷۰ میلیون دلار درآمد اضافی برای یک شرکت ۱۰ میلیارد دلاری با حاشیه سود ۱۰ درصد است. سرمایه گذاری های هوش مصنوعی همچنین مدت زمان لازم برای رسیدن محصولات و خدمات جدید به بازار را ۳۱ روز کاهش داده است. نویسندگان همچنین بیان کردند که در طول سه سال گذشته، نزدیک به ۷۵ درصد از قهرمانان هوش مصنوعی در صنعت نفت و گاز در مقایسه با همتایان خود، ارزش بیشتری نسبت به سرمایه گذاری های خود در زمینه هوش مصنوعی به دست آورده اند.

زنجیره تامین نفت و گاز به ۳ بخش تقسیم می شود: با دستی، میانی و پایین دستی. حوزه بالادستی صنعت نفت و گاز، سرمایه برترین و حیاتی ترین بخش از این سه بخش است، زیرا نفت خام و گاز طبیعی از اینجا استخراج می شود. جریان میانی شامل حمل و نقل و توزیع می شود و مانند هر زمینه دیگری، جنبه مهمی از صنعت نفت و گاز است، اما این صنعت به دلیل کیفیت بسیار حساس محصولات حمل و نقل و تحویل، از سایر بخش ها منحصر به فرد است. بخش پایین دستی مسئول پالایش نفت و گاز و همچنین توزیع کالاهای نهایی است.

بر اساس گزارش آژانس بین المللی انرژی (۲۰۱۷)، فناوری های دیجیتال مانند هوش مصنوعی، پتانسیل کاهش هزینه های تولید را بین ۱۰ تا ۲۰ در صد دارند. همچنین استفاده از فناوری های دیجیتال مانند هوش مصنوعی در عملیات بالادستی نفت و گاز می تواند منجر به صرفه جویی در سرمایه و هزینه های عملیاتی ۱۰۰ میلیارد دلار تا ۱ تریلیون دلار تا سال ۲۰۲۵ می شود.

در سراسر جهان، در شرکت های نفت و گاز فراساحلی، قطعی های برنامه ریزی نشده، ناشی از آسیب یا خرابی میتواند باعث تاخیر در تولید ده ها هزار بشکه نفت در روز شود. این خرابی ها می تواند در هر سال، منجر به زیان سالانه بین ۳۸ تا ۸۸ میلیون دلار شود. علاوه بر این، پلتفرم های فراساحلی اغلب تنها با ۷۷ درصد پتانسیل خود کار می کنند، این شکاف تقریباً به ده میلیون بشکه در روز یا بیش از ۲۰۰ میلیارد دلار درآمد سالانه می رسد. 

اینجاست که پیش بینی های مبتنی بر هوش مصنوعی و پردازش زبان طبیعی (NLP) میتوانند به ارتقای تحلیل های پیش بینی سنتی برای بهینه سازی تولید کمک کنند. با نظارت و پیش بینی خرابی تجهیزات و برجسته کردن اثر تجاری از دست دادن برنامه ریزی نشده ظرفیت تولید، هوش مصنوعی می تواند به کاهش زمان پرهزینه کمک کند. تجزیه و تحلیل پیشرفته، زمانی که به درستی استفاده شود، می تواند بازدهی ۳۰ تا ۵۰ برابر سرمایه گذاری را تنها در چند ماه ایجاد کند. داده های حاصل از بررسی های لرزهای، ارزیابی های زمین شناسی و مخازن را میتوان توسط یک سیستم هوش مصنوعی با استفاده از فناوری هایی مانند یادگیری ماشین، شبکه های عصبی مصنوعی، سیستم های خبره و منطق فازی تجزیه و تحلیل کرد. این تکنیک تحلیلی این پتانسیل را دارد که میانگین جهانی ضریب بازیافت زیرزمینی را تا ۱۰ درصد افزایش دهد که معادل ۱ تریلیون دلار اضافی در BOE( معادل بشکه نفت) است.

نتیجه گیری و پیشنهادات 

تحقیقات کنونی بر کاربردهای هوش مصنوعی در بخش بالادستی زنجیره تامین نفت و گاز بیش از سایر نقاط متمرکز است. این در واقع منعکس کننده عملکرد صنعت است و می تواند به دو دلیل اصلی باشد. اول، این واقعیت است که فعالیت های بالادستی بیشترین سرمایه را دارند و دوم اینکه سطح پیچیدگی قابل توجهی دارند. فناوری های هوش مصنوعی برای ارائه راه حل های مختلفی که می توانند در هزینه ها، کاهش پیچیدگی، بهبود بهره وری، کارایی و ایمنی در این فعالیت های بالادستی را ارائه دهند، ایده آل هستند. 

فعالیت های میانی عمدتاً به تاثیر فناوری هوش مصنوعی بر بهبود حمل و نقل خط لوله مربوط می شود که شامل سرمایه گذاری در خطوط لوله هوشمند می شود که ردیابی تحویل نفت را تضمین می کند و در عین حال ایمنی این خطوط رو به رشد مداوم را حفظ می کند. خطوط لوله در سراسر جهان ۳ تا ۴ درصد در سال رشد می کند. این امر در مورد تجهیزات مختلف مورد استفاده در این مرحله حمل و نقل میانی نیز صدق می کند.

در مورد پایین دست، راه حل های هوش مصنوعی مختلفی برای توسعه سیستم های هوشمند پالایشگاهی پیشنهاد شده است. نقش هوش مصنوعی ادغام شده با اینترنت اشیاء در این پالایشگاه های جدید (که از داده های جمع آوری شده توسط اینترنت اشیاء و تحویل به مدل های دیجیتال هوش مصنوعی برای بهینه سازی تنظیمات و عملیات کارخانه های پالایشگاهی برای محصولات مختلف استفاده میکنند) کاملا نمایان می باشد. برخی از تحقیقات در این مکان همچنین بر اهمیت بهبود پیش بینی فروش با استفاده از مدل های پیش بینی هوش مصنوعی برای همسو کردن برنامه های تولید پالایشگاه با سیگنال های تقاضای واقعی تا حد امکان تاکید دارد. این تحقیق به تکامل زنجیره تامین نفت و گاز به سمت اتوماسیون و هوشمندی بیشتر اشاره می کند 

(نفت و گاز ۴,۰). این امر از طریق هوشمندسازی مختلف رده های زنجیره تامین از جمله حفاری دقیق، تولید خودکار، تعمیر و نگهداری هوشمند و پالایش هوشمند نشان داده می شود. در این رابطه ذکر این نکته حائز اهمیت است که یک نیاز اساسی برای چنین تکاملی، دیجیتالی کردن موفقیت آمیز کل اکوسیستم است. نیاز دیجیتالی شدن زیر ساخت های زنجیره تامین نفت و گاز چالش موجود بودن داده ها را برجسته می کند. در این پژوهش برخی از استراتژی ها برای مدیریت این چالش از طریق راه حل های یکپارچه اینترنت اشیاء و همچنین توسعه پلتفرم های استاندارد برای اشتراک گذاری داده ها و دستورالعمل ها پیشنهاد گردیده است. البته می بایست تلاش هایی جهت تغییر مقررات صنعتی و سیاست های دولتی برای پیاده سازی تحول دیجیتال صورت گیرد.