هوش مصنوعی (AI) به عنوان بزرگ‌ترین روند فناوری است، همچنین به چهارمین انقلاب صنعتی نیرو می دهد و به طور فزاینده ای به عنوان یک استراتژی کلیدی برای تسلط بر برخی از بزرگترین چالش های زمان ما از جمله تغییرات آب و هوا و آلودگی در نظر گرفته می شود.

شرکت‌های انرژی از ابزارهای هوش مصنوعی (AI) برای دیجیتالی کردن سوابق، تجزیه و تحلیل داده‌ها و نقشه‌های زمین‌شناسی و به طور بالقوه شناسایی مشکلاتی مانند استفاده بیش از حد از تجهیزات یا خوردگی خط لوله استفاده می‌کنند. (یکی از این شرکت ها، غول انرژی هلندی Shell Plc است)

روز چهارشنبه، شل اعلام کرد که قصد دارد از فناوری مبتنی بر هوش مصنوعی شرکت تجزیه و تحلیل داده های بزرگ SparkCognition در اکتشاف و تولید در اعماق دریاها به منظور بهبود کارایی و سرعت عملیات و همچنین افزایش تولید استفاده کند.

گابریل گوئرا، معاون نوآوری و عملکرد شل، در بیانیه‌ای گفت: ما متعهد به یافتن راه‌های جدید و نوآورانه برای ابداع روش‌های کار اکتشافی خود هستیم.

به گفته بروس پورتر، مدیر ارشد علمی SparkCognition مستقر در تگزاس، هوش مصنوعی مولد برای تصویربرداری لرزه ای پیامدهای گسترده و گسترده ای دارد و افزود که این فناوری می تواند اکتشافات را به طور چشمگیری از 9 ماه به کمتر از 9 روز کاهش دهد.

هوش مصنوعی Generative این شرکت با استفاده از اسکن داده‌های لرزه‌ای کمتر از حد معمول، تصاویر زیرسطحی تولید می‌کند و در نتیجه به حفاظت از اعماق دریا کمک می‌کند، بررسی های لرزه ای کمتر به نوبه خود روند اکتشاف را تسریع می کند، گردش کار را بهبود می بخشد و هزینه ها را در محاسبات با عملکرد بالا کاهش می دهد.

اما این اولین تلاش شل برای فناوری هوش مصنوعی نیست و در سال 2018، این شرکت با مایکروسافت همکاری کرد تا پلتفرم اینترنت اشیاء Azure C3 را در عملیات دریایی خود بگنجاند، این پلتفرم از هوش مصنوعی برای افزایش کارایی در زیرساخت های فراساحلی شرکت، از حفاری و استخراج گرفته تا توانمندسازی و ایمنی کارکنان استفاده می کند.

شل تنها شرکت بزرگ نفتی نیست که از هوش مصنوعی در عملیات خود استفاده می کند و در سال 2019، BP Plc روی استارت‌آپ فناوری Belmont Technology مستقر در هیوستون سرمایه‌گذاری کرد که به این شرکت کمک کرد تا یک پلتفرم علوم زمین مبتنی بر ابر با نام مستعار Sandy توسعه دهد.

سندی به BP اجازه می‌دهد تا اطلاعات پروژه‌های زمین‌شناسی، ژئوفیزیک و مخزن را تفسیر کند، بنابراین نمودارهای دانش منحصربه‌فردی از جمله تصاویر قوی از دارایی‌های زیرسطحی BP ایجاد می‌کند.

سپس BP قادر به انجام شبیه سازی و تفسیر نتایج با استفاده از شبکه های عصبی برنامه است.

در مارس 2019، Aker Solutions با SparkCognition همکاری کرد تا برنامه های کاربردی هوش مصنوعی (AI) را در ابتکار عملیات شناختی خود تقویت کند، سیستم‌های هوش مصنوعی Aker SparkCognition به نام SparkPredict برای نظارت بر تاسیسات بالای 30 سازه دریایی و زیر دریا.

چهار سال پیش، سازمان نفت و گاز (OGA) اولین مخزن ملی داده های نفت و گاز بریتانیا (NDR) را راه اندازی کرد، این مخزن عظیم حاوی 130 ترابایت داده ژئوفیزیکی، زیرساختی، میدانی و چاهی است - معادل حدود هشت سال فیلم HD. این داده ها بیش از 5000 بررسی لرزه نگاری، 12500 سوراخ چاه و 3000 خط لوله را پوشش می دهد.

NDR از هوش مصنوعی (AI) برای تفسیر این داده ها استفاده می کند و OGA امیدوار است چشم اندازهای جدید نفت و گاز را کشف کند و همچنین تولید بیشتر از زیرساخت های موجود را امکان پذیر کند.

این پلتفرم همچنین در انتقال انرژی کشور مورد استفاده قرار خواهد گرفت و از داده های مخزن و زیرساخت برای پشتیبانی از پروژه های جذب، استفاده و ذخیره کربن استفاده می شود.

هوش مصنوعی و انرژی های تجدیدپذیر

فناوری هوش مصنوعی همچنین شروع به ایفای نقش بزرگی در بخش انرژی های تجدیدپذیر و کمک به ایجاد شبکه های هوشمند کرده است.

یکی از بزرگترین موانع در تحقق رویای ایالات متحده برای داشتن یک شبکه 100٪ تجدیدپذیر، متناوب بودن منابع انرژی تجدیدپذیر است، به هر حال شبکه‌های ما برای ورودی/خروجی برق تقریباً ثابت طراحی شده‌اند، در حالی که باد همیشه نمی‌وزد و خورشید همیشه نمی‌تابد. برای موفقیت آمیز بودن انتقال به انرژی های تجدیدپذیر، شبکه های برق ما باید بسیار هوشمندتر شوند.

خوشبختانه، یک سابقه دلگرم کننده وجود دارد

چند سال پیش، گوگل اعلام کرد که برای فعالیت های جهانی خود از جمله مراکز داده و دفاتر خود، به 100% انرژی های تجدیدپذیر رسیده است.

امروزه، گوگل بزرگترین خریدار شرکتی انرژی تجدیدپذیر است، با تعهداتی که در مجموع 7 گیگاوات (7000 مگاوات) انرژی بادی و خورشیدی دارد، گوگل با IBM همکاری کرد تا راه حلی برای ماهیت بسیار متناوب انرژی بادی جستجو کند.

گوگل با استفاده از پلتفرم هوش مصنوعی DeepMind IBM، الگوریتم‌های ML را برای 700 مگاوات ظرفیت انرژی بادی در مرکز ایالات متحده مستقر کرد - برای تامین انرژی یک شهر متوسط کافی است.

IBM می‌گوید که با استفاده از یک شبکه عصبی آموزش‌دیده بر روی پیش‌بینی‌های آب و هوای گسترده و داده‌های توربین تاریخی، DeepMind اکنون قادر است خروجی انرژی باد را ۳۶ ساعت زودتر از تولید واقعی پیش‌بینی کند، در نتیجه این امر ارزش انرژی بادی گوگل را تقریباً 20 درصد افزایش داده است.

یک مدل مشابه می تواند توسط سایر اپراتورهای مزارع بادی برای بهینه سازی هوشمندتر، سریعتر و مبتنی بر داده های بیشتر در خروجی توان خود برای پاسخگویی بهتر به تقاضای مشتری استفاده شود.

DeepMind IBM از شبکه های عصبی آموزش دیده برای پیش بینی خروجی انرژی باد 36 ساعت زودتر از تولید واقعی استفاده می کند.

Innowatts مستقر در هیوستون، تگزاس، استارت آپی است که یک جعبه ابزار خودکار برای نظارت و مدیریت انرژی ایجاد کرده است، پلت فرم eUtility این شرکت داده های بیش از 34 میلیون انرژی سنج هوشمند را در 21 میلیون مشتری از جمله شرکت های خدمات عمومی ایالات متحده مانند آریزونا عمومی الکتریک، پورتلند جنرال الکتریک، آوانگرید، Gexa Energy ،WGL و Mega Energy دریافت می کند.

Innowatts می گوید الگوریتم های یادگیری ماشین آن قادر به تجزیه و تحلیل داده ها برای پیش بینی چندین نقطه داده مهم از جمله بارهای کوتاه مدت و بلند مدت، واریانس ها، حساسیت آب و هوا و موارد دیگر هستند.

Innowatts تخمین می‌زند که بدون مدل‌های یادگیری ماشینی، شرکت‌های آب و برق در اوج بحران نادرستی ۲۰ درصد یا بیشتر را در پیش‌بینی‌های خود مشاهده می‌کردند، بنابراین فشار زیادی بر عملیات آن‌ها وارد می‌کرد و در نهایت هزینه‌ها را برای کاربران نهایی افزایش می‌داد.

علاوه بر این هوش مصنوعی و راه حل های دیجیتال می توانند برای ایمن تر کردن شبکه های ما استفاده شوند.

در سال 2018 بزرگترین شرکت برق کالیفرنیا، پسیفیک گاز اند الکتریک، پس از اینکه مقصر حادثه غم انگیز آتش‌سوزی سال 2018 شناخته شد که منجر به کشته شدن 84 نفر شد و در نتیجه جریمه‌های سنگینی معادل 13.5 میلیارد دلار به عنوان غرامت به افرادی که به آن‌ها پرداختند محکوم شد، با مشکل عمیق مواجه شد.

خانه ها و مشاغل از دست رفته و 2 میلیارد دلار جریمه دیگر توسط کمیسیون خدمات عمومی کالیفرنیا به دلیل سهل انگاری، شاید اگر PG&E روی برخی از سیستم‌های تشخیص زودهنگام مبتنی بر هوش مصنوعی (AI) مانند Innowats سرمایه‌گذاری می‌کرد، می‌توان از تلفات جانی و معیشتی جلوگیری کرد.

با استفاده از مدل‌های دیجیتال و هوش مصنوعی (AI)، شبکه‌های برق ما به طور فزاینده‌ای هوشمندتر و قابل اعتمادتر می‌شوند و تغییر به سمت انرژی‌های تجدیدپذیر را روان‌تر می‌کنند.

مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است. سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد. ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست، و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.