Deep point process event predictor for oil & gas industry

In order to cope with the strong competition in the energy sector, the main Oil & Gas companies invested large amounts of capital in the digital and technological fields. The adoption of both cloud computing services and innovative and reliable smart sensors allowed them to generate and store large amounts of raw data to be used, at a low cost, to produce important business decisions. In this scenario, the following research aims to develop an analytics tool based on a predictive model able to forecast the amount of time to a future event from any point in time. The goal is to create a model capable of analyzing any types of events generated within the Oil & Gas industry. More in detail, we develop two recurrent architectures composed of long short-term memory cells (LSTM): one generates point predictions, the other predicts the two parameters of a survival model based on a Weibull distribution. There are several benefits obtained from the adoption of this methodology. Among all, in drilling activities, there is the possibility of: increasing production, mitigating operational risks, reducing downtime and ensuring safety requirements for the crew and the environment. Starting from the raw data collected during the drilling activity, we develop a cleaning and fixing pipeline that generates two sets of data composed of features and labels used to train and test the models. We validate the two architectures by measuring the ability of the models to predict the beginning of the stand-change event: a task that occurs systematically during the drilling process, and which leads to the introduction or removal of a stand in the drilling string and allows to drill deeper and vice versa.

Per poter fronteggiare la forte competizione presente nel settore energetico, le principali compagnie petrolifere e del gas hanno investito ingenti capitali nel campo digitale e tecnologico. L’adozione di servizi informatici nel cloud e di sensori affidabili e smart ha reso possibile generare ed archiviare un'enorme quantità di dati grezzi da poter utilizzare, a basso costo, per produrre nuova informazione. In questo scenario nasce l’idea di questa tesi: sviluppare uno strumento di analytics basato su un modello predittivo in grado di fornire in output una stima rappresentante il tempo restante da qualsiasi punto ad un evento futuro. L’obiettivo è creare un modello che possa esser utilizzato per analizzare qualsiasi tipo di evento proveniente dalla catena del valore di un’industria del settore petrolifero. Nel seguente lavoro di tesi, sviluppiamo due architetture ricorrenti che utilizzano celle long short-term memory (LSTM): una predice una stima puntuale del tempo, l’altra una distribuzione probabilistica ricorrendo ad un modello di sopravvivenza basato sulla distribuzione di Weibull. L'adozione della metodologia sviluppata porta diversi benefici. Concentrandoci sulle attività di perforazione, citiamo: poter aumentare la produzione, mitigare i rischi operativi, diminuire i tempi morti e garantire maggiore sicurezza del personale e dell’ambiente. A partire dai dati grezzi, raccolti durante l’attività di perforazione, sviluppiamo una pipeline di pulizia e correzioni volta a generare un insieme di features e labels usati per addestrare e testare i modelli. Validiamo le due architetture in base alla capacità di predire, da un qualsiasi istante temporale, la quantità di tempo restante dall’inizio di una successiva attività di stand-change. Lo stand-change è un’attività programmata e ordinaria presente durante il processo di scavo per permettere l’estensione e la riduzione della stringa di perforazione.