Avanza la ricerca sul potenziale dell’intelligenza artificiale (IA) nel risolvere le complessità operative e le questioni di sostenibilità, così come la sua applicazione nel settore petrolifero e del gas. Tuttavia, al fine di sfruttare le capacità predittive e diagnostiche dell’IA, l’industria deve gestire le preoccupazioni relative alla privacy dei dati, alla spiegabilità e alla formazione professionale, così come si evince dagli studi di Velasco (2022), Kaur et al. (2023) e Nishant et al. (2020). Applicazioni che vanno dalla previsione della produzione, all’analisi dei dati sismici e al rilevamento delle intrusioni sono evidenziate nelle disamine di Ahmad et al. (2021) e Zhuang et al. (2021). La letteratura scientifica nel suo complesso evidenzia rischi come la distorsione algoritmica e le vulnerabilità della sicurezza informatica, nonché opportunità come l’ottimizzazione predittiva e la riduzione dei costi.
Quanto al metodo, il nostro studio illustra le tendenze chiave nelle applicazioni di IA e machine learning (ML) nell’industria petrolifera e del gas utilizzando l'analisi delle parole chiave. Nella banca dati Scopus sono stati cercati solo i campi più pertinenti al settore: energia, ingegneria, informatica, scienze della terra e matematica. Ricerche più restrittive con il termine “asset” hanno prodotto 61 documenti, indicando un’attenzione più mirata alla gestione di questi ultimi, mentre ricerche che combinavano termini come “deep learning”, “machine learning” e “previsione” hanno prodotto 663 documenti. I temi centrali della ricerca sono stati identificati utilizzando tabelle di frequenza e reti di parole chiave, con la previsione e l'ottimizzazione che sono risultati gli argomenti più popolari.
Nelle reti di parole chiave si riscontrano forti correlazioni tra “previsione”, “industria del gas”, “intelligenza artificiale” e “reti neurali”. In particolare, la previsione è essenziale per gestire le riserve, massimizzare la produzione e prevedere la domanda. Espressioni simili come “pozzi petroliferi”, “alberi di decisione” (ovvero un algoritmo di apprendimento) e “onde sismiche” suggeriscono che l’apprendimento automatico è largamente utilizzato per il rilevamento delle anomalie e l’interpretazione dei dati. La modellazione predittiva utilizza sempre più spesso tecniche avanzate di apprendimento automatico come le macchine a vettori di supporto e la memoria a lungo termine (LSTM).
La vitalità di questo campo è confermata dall’ampiezza della ricerca (663 documenti). La raccolta più ridotta di 61 documenti relativi alle “risorse” suggerisce uno sforzo mirato all’affidabilità operativa e alla manutenzione predittiva. Questi studi specializzati dimostrano come l’IA possa ottimizzare l'allocazione delle risorse e prolungare la durata delle attrezzature.
L’enfasi del settore sulla previsione è evidenziata dalla prevalenza di termini come “prediction” (100 occorrenze), “pozzi di petrolio” (90) e “alberi di decisione” (90) nella letteratura. La modellazione predittiva è strettamente legata alle operazioni sul campo e ai dati geoscientifici, come dimostra l’elevata connettività tra termini quali “gas”, “logging” e “industria petrolifera”.
La diffusione interdisciplinare della ricerca dimostra come l’IA e il machine learning affrontino problemi che richiedono competenze in diversi campi. Le scienze della Terra forniscono contesti di dati per la modellizzazione sismica e geologica, l’informatica si concentra sullo sviluppo di algoritmi e gli studi sull’energia e l’ingegneria danno priorità alla sicurezza e all’ottimizzazione. Nonostante i progressi, esistono ancora degli ostacoli. L’affidabilità dei modelli è compromessa da problemi di integrazione e qualità dei dati. Le operazioni di perforazione, il monitoraggio della produzione e le indagini sismiche producono enormi e diversificati set di dati per l’industria che richiedono una sofisticata pre-elaborazione e standardizzazione. L’implementazione è inoltre ostacolata da vincoli infrastrutturali, in particolare quelli relativi alla potenza di elaborazione. Inoltre, i modelli black-box possono ostacolare l’adozione e la fiducia in operazioni ad alto rischio in cui la spiegabilità e la trasparenza algoritmica sono essenziali per il processo decisionale.
I vantaggi dell'IA e dell'ML sono numerosi. Anticipando possibili guasti alle apparecchiature, la manutenzione predittiva riduce al minimo i tempi di inattività. I modelli basati su reti neurali prevedono la produzione dei pozzi e massimizzano l'efficienza di perforazione. Il deep learning migliora la precisione dell'imaging del sottosuolo nell'esplorazione sismica, facilitando un'identificazione più accurata dei giacimenti. Attraverso sistemi di rilevamento delle intrusioni e delle anomalie, l'IA migliora anche la sicurezza operativa.
Con l’uso sempre più diffuso dell’intelligenza artificiale e dell’apprendimento automatico per raggiungere gli obiettivi di sostenibilità, i fattori ambientali sono fondamentali nell’industria petrolifera e del gas. Queste tecnologie rendono possibili analisi predittive per la prevenzione delle fuoriuscite, il monitoraggio in tempo reale delle emissioni e l’ottimizzazione dei processi di trattamento delle acque. Il rilevamento e la risposta alle fuoriuscite di petrolio sono migliorati dal riconoscimento delle immagini basato sull'intelligenza artificiale, mentre la mitigazione è guidata da modelli di apprendimento automatico che simulano potenziali fuoriuscite. Il contributo dell’IA alla riduzione dell’impatto ambientale del settore è dimostrato dalla sua integrazione con la cattura del carbonio, il riciclaggio e le energie rinnovabili.
I vantaggi dell’integrazione dell’IA sono ulteriormente supportati da applicazioni nel mondo reale. Il processo decisionale nelle operazioni sul campo è migliorato dai modelli di previsione della produzione dei pozzi. Nell'analisi dei dati sismici, il deep learning riduce i rischi di esplorazione migliorando al contempo la precisione dei giacimenti. La manutenzione predittiva massimizza l’utilizzo delle attrezzature e riduce le spese, mentre i sistemi di sensori basati sull’IA migliorano il monitoraggio ambientale
Il settore petrolifero e del gas sta assistendo a una crescente integrazione dell’IA e del machine learning. Le soluzioni di apprendimento automatico saranno sempre più integrate nelle operazioni quotidiane grazie al miglioramento delle tecniche di calcolo e alla maggiore disponibilità di dati. Sebbene i programmi di formazione della forza lavoro siano fondamentali per garantire che i dipendenti possano applicare efficacemente le tecnologie emergenti, la collaborazione tra il mondo accademico, l’industria e il governo è essenziale per promuovere l’innovazione.
Con la previsione e l'ottimizzazione in prima linea nella ricerca attuale, questo studio dimostra che l’IA e il machine learning si sono già affermati come strumenti essenziali nel settore petrolifero e del gas. Il potenziale e le difficoltà dell’adozione sono dimostrati dall’analisi delle parole chiave e dai casi di studio, che attirano l’attenzione sui problemi relativi alle infrastrutture, alla spiegabilità e alla qualità dei dati. Tuttavia, ci sono molte opportunità per aumentare la sostenibilità, la sicurezza e l’efficienza. L’industria può utilizzare l’IA e il machine learning per passare da strategie reattive a strategie proattive basate sui dati, che raggiungono un equilibrio tra responsabilità ambientale e redditività, investendo in professionisti qualificati e incoraggiando la collaborazione interdisciplinare.
La traduzione in italiano è stata curata dalla redazione di RiEnergia. La versione inglese di questo articolo è disponibile qui
