Comment utiliser le machine learning pour pour l'optimisation de la production?
Optimisation de la production – Comment utiliser le machine learning pour pour optimiser votre production?
Des installations de production entièrement autonomes seront disponibles dans un avenir pas trop lointain. Mais même aujourd’hui, le machine learning peut faire une grande différence dans l’optimisation de la production. Ici, je vais examiner de plus près un exemple concret d’utilisation de l’apprentissage automatique (ML) et de l’analyse pour résoudre un problème complexe rencontré dans un contexte réel.
Qu'est-ce que l'optimisation de la production?
L’optimisation des produits est un problème courant dans de nombreux secteurs. Dans notre contexte, l’optimisation est tout acte, processus ou méthodologie qui rend quelque chose – comme une conception, un système ou une décision – aussi bon, fonctionnel ou efficace que possible.
Les processus de décision pour un coût minimal; une qualité; des performances et une consommation d’énergie optimales sont des exemples d’une telle optimisation.
Pour concrétiser davantage cela, je me concentrerai sur un cas sur lequel nous avons travaillé avec une société pétrolière et gazière mondiale. Actuellement, l’industrie se concentre principalement sur la numérisation et l’analyse. Cet objectif est alimenté par les vastes quantités de données qui sont accumulées à partir de milliers de capteurs chaque jour; même sur une seule installation de production.
Jusqu’à récemment, l’utilisation de ces données était limitée en raison des:
-Limites de compétence .
-Manque de technologies et de pipelines de données.
Dans le contexte de l’industrie pétrolière et gazière; l’optimisation de la production est essentiellement un «contrôle de la production»: vous minimisez; maximisez ou ciblez la production de pétrole; de gaz et peut-être d’eau. Votre objectif pourrait être de maximiser la production de pétrole tout en minimisant la production d’eau. Ou il peut s’agir de faire fonctionner la production de pétrole et le rapport gazole aux points de consigne spécifiés pour maintenir les conditions souhaitées du réservoir.
Dans quelle mesure l'optimisation de la production est-elle compliquée?
La production de pétrole et de gaz est un processus complexe et de nombreuses décisions doivent être prises pour atteindre des objectifs à court; moyen et long terme; allant de la planification et de la gestion des actifs aux petites actions correctives.
Les décisions à court terme doivent être prises en quelques heures et sont souvent caractérisées comme une optimisation quotidienne de la production. Ils cherchent généralement à maximiser les taux de pétrole et de gaz; en optimisant les différents paramètres contrôlant le processus de production.
Dans la plupart des cas aujourd’hui, l’optimisation quotidienne de la production est réalisée par les opérateurs contrôlant l’installation de production offshore. Cette optimisation est une tâche très complexe où un grand nombre de paramètres contrôlables affectent tous la production d’une manière ou d’une autre. Quelque part dans l’ordre de 100 paramètres de contrôle différents doivent être ajustés pour trouver la meilleure combinaison de toutes les variables.
Dans notre exemple, seuls deux paramètres contrôlables affectent votre cadence de production: «variable 1;» et «variable 2;». Le problème d’optimisation est de trouver la combinaison optimale de ces paramètres; afin de maximiser la cadence de production. Résoudre ce problème d’optimisation bidimensionnelle n’est pas si compliqué; mais imaginez que ce problème soit mis à l’échelle jusqu’à 100 dimensions à la place.
Maintenant, c’est une autre histoire. C’est essentiellement ce que les opérateurs tentent de faire lorsqu’ils optimisent la production. Aujourd’hui, la qualité de cette opération dépend dans une large mesure de l’expérience antérieure des opérateurs et de leur compréhension du processus qu’ils contrôlent.
Les algorithmes d'apprentissage automatique (ML) peuvent accumuler des ensembles de données illimités
C’est là qu’une approche basée sur l’apprentissage automatique (ML) devient vraiment intéressante. L’optimisation réalisée par les opérateurs repose en grande partie sur leur propre expérience; qui s’accumule au fil du temps au fur et à mesure qu’ils se familiarisent avec le contrôle de l’installation de processus.
Cette capacité à apprendre de l’expérience précédente est exactement ce qui est si intrigant dans l’apprentissage automatique. En analysant de vastes quantités de données historiques issues des capteurs des plates-formes; les algorithmes peuvent apprendre à comprendre les relations complexes entre les différents paramètres et leur effet sur la production.
Le fait que les algorithmes apprennent de l’expérience ressemble en principe à la manière dont les opérateurs apprennent à contrôler le processus. Cependant, contrairement à un opérateur humain; les algorithmes d’apprentissage automatique (ML); n’ont aucun problème à analyser les ensembles de données historiques complets pour des centaines de capteurs sur une période de plusieurs années. Ils peuvent accumuler une expérience illimitée par rapport à un cerveau humain.
Comment fonctionne un algorithme d'optimisation de la production
Disposer d’un algorithme d’apprentissage automatique capable de prédire la cadence de production en fonction des paramètres de contrôle que vous ajustez est un outil extrêmement précieux. Le modèle de prédiction basé sur l’apprentissage automatique nous fournit une courbe du taux de production avec ses pics et ses creux représentant une production élevée et faible.
L’algorithme d’optimisation multidimensionnelle se déplace ensuite dans ce paysage à la recherche du pic le plus élevé représentant le taux de production le plus élevé possible.
En se déplaçant à travers la courbe des taux de production; l’algorithme peut donner des recommandations sur la meilleure façon d’atteindre ce pic; c’est-à-dire quelles variables de contrôle ajuster et dans quelle mesure les ajuster. Une telle optimisation de la production basée sur l’apprentissage automatique se compose donc de trois composants principaux:
1. Algorithme de prédiction:
Votre première étape importante consiste à vous assurer que vous disposez d’un algorithme d’apprentissage automatique; (ML) capable de prédire avec succès les taux de production corrects compte tenu des paramètres de toutes les variables contrôlables par l’opérateur.
2. Optimisation multidimensionnelle:
Vous pouvez utiliser l’algorithme de prédiction comme base d’un algorithme d’optimisation; qui explore les variables de contrôle à ajuster afin de maximiser la production.
3. Sortie exploitable:
En tant que résultat de l’algorithme d’optimisation, vous obtenez des recommandations sur les variables de contrôle à ajuster et l’amélioration potentielle du taux de production à partir de ces ajustements.
Un algorithme d’optimisation basé sur l’apprentissage automatique peut s’exécuter sur la diffusion de données en temps réel depuis l’installation de production; fournissant des recommandations aux opérateurs lorsqu’il identifie un potentiel d’amélioration de la production.
Cet algorithme d’optimisation basé sur l’apprentissage automatique peut servir d’outil d’assistance aux opérateurs contrôlant le processus; les aidant à prendre des décisions plus éclairées afin de maximiser la production.
L’exploitation entièrement autonome des installations de production est encore dans le futur. Jusque-là, les outils d’assistance basés sur l’apprentissage automatique peuvent avoir un impact substantiel sur la façon dont l’optimisation de la production est effectuée.
À l’avenir, je pense que l’apprentissage automatique sera utilisé de bien plus de façons que nous ne pouvons pas imaginer aujourd’hui. Quel impact pensez-vous que cela aura sur les différentes industries?
Auteur: NAJI Faouzi
Vous avez besoin d'un avis d'expert ?
Suivez nos innovations sur les réseaux sociaux
Nous publions fréquemment sur les réseaux sociaux (Linkedin, Twitter et Medium) nos innovations et les nouvelles fonctionnalités de nos solutions de gestion industrielle.
De même, nous serions heureux de vous faire profiter des dernière tendance de la gestion industrielle 4.0 au travers de contenu d’excellente qualité que vous pourriez repartager.
French 
English 
Spanish 
German