Künstliche intelligenz – eine potenzielle goldmine für energiekonzerne

Unternehmen der Erdöl- und Erdgasbranche speichern Unmengen an Daten über ihre Aktivitäten. Geschieht dies in der traditionellen Papierform oder auf Film, sind die Daten für spätere Analysen weitgehend unzugänglich. Künstliche Intelligenz in Verbindung mit Spracherkennung, Bilderkennung und maschinellem Lernen kann diese Daten digitalisieren und wertvolle, entscheidungs- und bilanzrelevante Erkenntnisse daraus extrahieren.

Die Erdöl- und Erdgasindustrie ist eine "aktenintensive" Branche, die zu genauester Protokollierung ihrer Aktivitäten verpflichtet ist. Bis vor kurzem geschah das jedoch unvermeidlicherweise auf Papier und Film. Künstliche Intelligenz bietet heute Möglichkeiten wie Sprachverarbeitung, Bildanalyse und maschinelles Lernen, mit deren Hilfe das in historischen Unterlagen enthaltene Wissen erschlossen werden und wesentlich gewinnbringender als in der Vergangenheit genutzt werden kann.

Davon können alle drei Phasen der Energieträgerproduktion – Erschließung und Förderung ("Upstream"), Transport ("Midstream") sowie Raffinerie und Vertrieb ("Downstream") profitieren.

Mit Technologien, die künstliche Intelligenz nutzen, kann man nicht nur Papier- und Filmaufzeichnungen scannen und digitalisieren, sondern auch den Inhalt extrahieren und strukturieren. Machine Learning Software kann unstrukturierte Informationen wie E-Mails sowie semistrukturierte Informationen wie Wartungsberichte durchkämmen und darin enthaltene Daten identifizieren und klassifizieren. Dank Sprachverarbeitung können Ingenieure Datenabfragen mündlich durchführen wie mit einer Suchmaschine.

So könnte man beispielsweise sagen: "Zeig mir die Betriebsprotokolle aller Förderanlagen in der Nordsee, die ihre Lebenserwartung um mehr als 20 Prozent übertroffen haben". Die Ergebnisse einer solchen Abfrage können dann mit Machine-Learning-Algorithmen analysiert werden, um Gemeinsamkeiten zu identifizieren, die die Langlebigkeit dieser Ölquellen erklären könnte.

Ähnliche Prozesse kann man auch in der Exploration von Erdöl- und Erdgaslagerstätten einsetzen. Geologische Karten und Diagramme wurden bislang in grafischer Form gespeichert und konnten nur durch menschliche Experten auf bestimmte Muster hin analysiert werden. Jetzt kann man sie digitalisieren, und die darin enthaltenen geologischen Informationen können durch Verfahren des maschinellen Lernens erkannt werden. Liegen die geologischen Karten erst in digitaler Form vor, kann man sie miteinander vergleichen oder aus Zeitreihen einer bestimmten Lagerstätte Muster extrahieren. So können die Geologen die Höffigkeit von Lagerstätten schneller feststellen und sich auf die Erschließung der profitabelsten Gebiete konzentrieren.

Im Midstream-Bereich sind Anlagenausfälle ein erhebliches Risiko, besonders bei Pipeline-Anlagen in entlegenen Regionen. Machine-Learning-Algorithmen können die Wartungsprotokolle von Anlagen analysieren und Faktoren identifizieren, die auf hohe Ausfallwahrscheinlichkeit hindeuten. Mit den oben beschriebenen Datenerfassungsverfahren lassen sich historische Aufzeichnungen digitalisieren und in durchsuchbare Datenbanken füttern, wo Ingenieure Abfragen durchführen und wichtige Erkenntnisse gewinnen können. Anhand prognostischer Analysen von Betriebsprotokollen können Wartungsteams frühzeitig absehen, wann Anlagen wahrscheinlich ausfallen werden, und die erforderlichen Reparaturen rechtzeitig und geplant durchführen, sodass überraschende Ausfälle vermieden werden.

Auch die komplexen Kostenstrukturen von Energiekonzernen lassen sich mit künstlicher Intelligenz besser in den Griff bekommen. Die jährlichen Aufwendungen eines einzigen Unternehmens liegen in der Regel in etwa einer Million Einzelposten vor; davon ist ein Drittel nicht geheim. Machine-Learning-Technologie kann diese verfügbaren Daten kategorisieren und aktuelle und historische Protokolle auf Redundanzen und Verschwendung hin untersuchen. Daten, die früher nur in schwer analysierbaren Papierunterlagen existierten, lassen sich so reaktivieren, vergleichen und rückverfolgen. So kann man Muster identifizieren, die auf potenzielle Effizienzverbesserungen schließen lassen.

Energiekonzerne sind hervorragend in der Datenerfassung. Durch künstliche Intelligenz können sie aus ihren Rohdaten betriebsrelevante Erkenntnisse gewinnen und in Wettbewerbsvorteile verwandeln.