An ensemble of artificial neural networks for estimating the purchase cost of equipment used in the oil and gas industry

In the Oil&Gas sector, construction bidding starts with an estimate of equipment purchase cost from blueprint and material take off. In this work, we develop 1) a data driven method for predicting the cost of new machines using historical data of past purchased machines and 2) a decisional model for supporting contractors in the formulation of the bidding strategy. Specifically, an ensemble of Artificial Neural Networks (ANNs) is used to estimate the machine cost and the Bootstrap AGGregatING (BAGGING) technique to quantify the uncertainty associated to the cost estimate. Then, a decisional model is developed to quantify the risk attitude of contractor with respect to a specific tender considering external decision drivers such as the project size and its strategic importance. The objective is to select the percentile of the purchase cost distribution estimated by the ensemble of ANNs. The developed method has been applied to API 610 centrifugal pumps used in plants for the production, treatment and refining of oil, gas, and related products. The accuracy of the obtained cost estimates has been compared with that obtained using a multilinear model (LM) and an individual ANN, and the performance of the provided uncertainty estimates have been compared with those obtained with the Delta and the Mean and Variance Estimation (MVE) methods. The results show that the ensemble of ANNs outperforms the LM and the individual ANN, and the bagging technique generates uncertainty estimate more satisfactory than MVE and similar to delta method. The decision model has been applied to a set of API centrifugal pumps for a natural gas treatment project. Experts of the construction bidding in the Oil&Gas sector have confirmed that the developed method can actually support the budgetary quotation activity.

Nel settore Oil&Gas, le offerte per la costruzione iniziano con una stima del costo di acquisto delle attrezzature dal progetto e dal take off del materiale. In questo lavoro, sviluppiamo 1) un metodo basato sui dati per prevedere il costo delle nuove macchine utilizzando i dati storici delle macchine acquistate in passato e 2) un modello decisionale per supportare gli appaltatori nella formulazione della strategia di offerta. Nello specifico, viene utilizzato un ensemble di Reti Neurali Artificiali (ANNs) per stimare il costo della macchina e la tecnica Bootstrap AGGregatING (BAGGING) per quantificare l'incertezza associata alla stima dei costi. Quindi, viene sviluppato un modello decisionale per quantificare l'attitudine al rischio dell'appaltatore rispetto a una specifica gara, considerando i driver decisionali esterni come la dimensione del progetto e la sua importanza strategica. L'obiettivo è selezionare il percentile di distribuzione del costo di acquisto stimato dall’ensemble di ANNs . Il metodo sviluppato è stato applicato alle pompe centrifughe API 610 utilizzate negli impianti per la produzione, il trattamento e la raffinazione di petrolio, gas e prodotti correlati. L'accuratezza delle stime dei costi ottenute è stata confrontata con quella ottenuta utilizzando un modello multilineare (LM) e una singola ANN, e le prestazioni delle stime di incertezza fornite sono state confrontate con quelle ottenute con i metodi Delta e Stima delle media e della varianza (MVE) . I risultati mostrano che l’ensemble di ANNs supera la LM e la ANN individuale, e la tecnica bagging genera una stima dell'incertezza più soddisfacente della MVE e simile al metodo delta. Il modello decisionale è stato applicato a una serie di pompe centrifughe API per un progetto di trattamento del gas naturale. Gli esperti delle gare d'appalto nel settore Oil&Gas hanno confermato che il metodo sviluppato può effettivamente supportare l'attività di quotazione di bilancio.