Digitale Transformation senkt das Risiko der Öl- und Gasexploration

Für große Öl- und Gasproduzenten wird das Risiko, das mit der Erkundung potenziell lukrativer Ölvorkommen verbunden ist, oft als Geschäftskosten akzeptiert. So gab Shell im Jahr 2015 nach acht Jahren Planung und Bohrungen eine Abschreibung in Höhe von 4 Milliarden Dollar bekannt, die auf ein einziges gescheitertes Explorationsprojekt in der Arktis zurückzuführen war.

In den letzten Jahren hat die Anwendung von Technologien wie maschinelles Lernen (ML) und künstliche Intelligenz (KI) vorausschauenden Betreibern geholfen, ihr Risiko zu senken, indem sie den Explorationsteams wertvolle Erkenntnisse darüber liefern, wo gebohrt werden sollte. In solchen Fällen werden fortschrittliche Analysen eingesetzt, um jahrzehntelang ungenutzte Informationen zu suchen und zu interpretieren – von denen viele in Datensilos eingeschlossen sind – um fundiertere Explorationsentscheidungen zu treffen und milliardenschwere Fehler zu vermeiden.

Trotz dieser Vorteile verlässt sich die Mehrheit der Explorations- und Produktionsunternehmen (E&P) weiterhin auf traditionelle Methoden der Datenabfrage und -analyse. Da die Betreiber jedoch nach Möglichkeiten suchen, die Effizienz und die Gewinnmargen in einem Umfeld zu erhöhen, in dem die Preise für Rohöl zwischen 50 und 75 US-Dollar pro Barrel schwanken, wird es immer schwieriger, den Wert der digitalen Transformation zu ignorieren.

Die Rolle der Suche bei der vorgelagerten Ölexploration

Das Hauptziel der Geophysiker und der sie unterstützenden Datenwissenschaftler besteht darin, Kohlenwasserstoffressourcen zu identifizieren und zu modellieren, die kosteneffizient ausgebeutet werden können. Heutzutage findet der größte Teil der Exploration offshore in tiefen Gewässern statt. In diesem Umfeld kann die Bohrung einer einzigen Explorationsbohrung bis zu 150 Millionen Dollar kosten. Bei dokumentierten Erfolgsquoten von etwa 20 Prozent ist es von entscheidender Bedeutung, dass das für die geologische Analyse und die Auswahl von Bohrstellen zuständige Personal in der Lage ist, eine fundierte Entscheidung auf der Grundlage aller relevanten Daten zu treffen.

Und genau da liegt das Problem.

In den meisten Fällen befinden sich die für diese Entscheidungen erforderlichen Informationen an verschiedenen Orten und in unterschiedlichen Dateiformaten (z.B. Textdateien, Bohrlochprotokolle, GIS-Dateien, Bilder usw.). Bei großen E&P-Unternehmen, deren Aktivitäten sich über Jahrzehnte und Millionen von Hektar erstrecken, bestehen die internen Datenbanken oft aus sehr unterschiedlichen, isolierten und unorganisierten Daten. Das macht es Ingenieuren und Geophysikern schwer, mit herkömmlichen Suchanwendungen die richtigen Informationen zu finden und darauf zuzugreifen. Zu den häufigsten Problemen in Unternehmen gehören:

• Verfügbare, relevante Daten brauchen zu lange, um gefunden und abgerufen zu werden (d.h. schlechte Suchfunktionalität)
• Unstimmigkeiten bei der Beschriftung und Kennzeichnung von Daten
• Einige Daten sind so uneinheitlich, dass die Entscheidungsträger gar nicht wissen, dass sie überhaupt existieren.
• Der Speicherort von Informationen und Daten zu vergangenen Projekten befindet sich in den Köpfen und/oder privaten Notizen erfahrener Mitarbeiter und ist für neue Mitarbeiter unzugänglich
• LAN- (oder GIS-) Dateien stellen einen bedeutenden Teil der gewünschten, aber nicht durchsuchbaren Daten dar
• Die Suche nach und der Zugriff auf Daten wird oft von verschiedenen Teams doppelt durchgeführt, was Zeit und Ressourcen vergeudet.

Nutzung von Search Analytics

Die vorgelagerte Öl- und Gasindustrie stellt sich diesen Herausforderungen, indem sie Datenanwendungen intelligenter macht. In einem Fall hatte ein großer E&P-Betreiber mehr als 10 Millionen Hektar Land in seinem Portfolio und konzentrierte sich darauf, die digitale Transformation in großem Maßstab voranzutreiben. Ein wichtiger Teil dieser Initiative bestand darin, fortschrittliche Suchanalysen und maschinelles Lernen einzusetzen, um die Art und Weise zu ändern, wie Explorationsteams Upstream-Daten finden und darauf zugreifen können.

Das Ziel des Projekts bestand nicht nur darin, den Benutzern eine schnellere Möglichkeit zu bieten, relevante Informationen zu finden. Es ging darum, ein überzeugendes Datenerlebnis zu schaffen, indem Analytik eingesetzt wurde, um Informationssilos zu verbinden, einen agilen Katalog von Kontext und Relevanz zu erstellen und es den Benutzern zu ermöglichen, relevantes Geschäftswissen über alle historischen Datenbanken hinweg zu extrahieren.

Um dies zu erreichen, setzte der Betreiber eine KI-gestützte Such- und Discovery-Anwendung auf der Grundlage von Lucidworks Fusion ein, die die folgenden erweiterten Funktionen bietet:

• Sammeln der zu verarbeitenden Dokumente unter Wahrung der Informationssicherheit und OCR, soweit erforderlich
• Analyse von Dokumenten mittels natürlicher Sprachverarbeitung (NLP) in Englisch, Französisch, Deutsch, Russisch
• Analyse des Inhalts jeder Datei, um die wahrscheinlichste(n) Position(en) zu bestimmen, basierend auf dem Land>Becken>Block>Feld>Bohrlochhierarchie
• Schaffung von Relevanz durch Klassifizierung von Dokumenten auf der Grundlage ihres Inhalts
• Ermöglichung des Abrufs von Informationen über Datenquellen hinweg
• Verfeinerung der Relevanz durch Benutzerbewertung der abgerufenen Dokumente
• Visualisierung der Ergebnisse über eine Karte, eine wortwolkenartige Schnittstelle für dynamische Filterung und eine Zeitskala-Filterung
• Erleichterung der Entdeckung neuer Informationen durch Auslöser, die auf spezifischen, von den Nutzern gespeicherten Interessen basieren, sowie durch Google-ähnliche „Das könnte Sie interessieren …“-Vorschläge auf der Grundlage des Browserverlaufs und beliebter Suchanfragen

Eine Schlüsselkomponente der intelligenten Suchanwendung ist der Einsatz von maschinellem Lernen, das es ihr ermöglicht, sich auf der Grundlage der individuellen Eingaben des Benutzers kontinuierlich zu verbessern.

Mit der Bereitstellung kann der E&P-Betreiber Benutzeranfragen beantworten und komplexe Such- und Relevanzprobleme lösen, was mit seiner bestehenden Suchplattform nicht möglich war. Dadurch können die Explorationsteams die Fülle an Upstream-Daten, die generiert wurden (und werden), effektiver nutzen, da sie die Möglichkeit haben, bei Bedarf schnell und präzise Informationen abzurufen, was letztendlich zu einer besseren Entscheidungsfindung führt.

Der Weg nach vorn

Die digitale Transformation ist nach wie vor ein wichtiger Faktor für den Erfolg von Industrieunternehmen. Die Öl- und Gasindustrie ist zwar nicht immun gegen diesen Trend, aber in der Vergangenheit ist sie auf der Reifekurve der Digitalisierung hinter anderen zurückgeblieben. Dies ändert sich jedoch, da Unternehmen, insbesondere im Upstream-Sektor, zunehmend unter Druck stehen, Kosten zu senken und Risiken zu minimieren.

In naher Zukunft wird der Hauptfokus für vorausschauende Betreiber auf der Nutzung von Big Data und Analysen liegen, um die Entscheidungsfindung zu verbessern und bestehende Geschäftsprozesse zu rationalisieren. In dieser Zeit wird die Rolle von ML und KI im Upstream-Geschäft zweifellos immens wachsen.

Alex Misiti ist ein ehemaliger Bau- und Umweltingenieur, der sich als freiberuflicher Autor auf Themen rund um Öl und Gas, erneuerbare Energien, IIoT und digitale Transformation konzentriert. Er ist der Inhaber von Medium Communications, LLC.