Skip to Content
no
Johan Sverdrup
  1. Hjem
  2. Energi
  3. Digitalisering
  4. Data fra norsk sokkel

Data fra norsk sokkel

Klar for Ä frÄtse i data pÄ nett fra 3000 meter under bakken? Det kan du faktisk, hvis du spesialist pÄ undergrunnen og har omfavnet datavitenskap.

Er du i stand til Ă„ se og fĂžlge med pĂ„ handlingen i to filmer samtidig? Sannsynligvis ikke sĂ„ lenge. Hva med 10.000 Netflix-filmer per sekund? SelvfĂžlgelig ikke – det er mer enn vĂ„r naturlige intelligens kan klare. PĂ„ vĂ„re felt til havs produserer vi slike mengder data fra vĂ„re operasjoner hver dag, hele dagen. NĂ„ vender ingeniĂžrer, geologer og geofysikere seg til datavitenskap for Ă„ fĂ„ enda mer ut av undergrunnen.

Taber Hersum er geolog, og har nĂ„ ogsĂ„ videreutdannet seg til datavitenskapsmann (eng. data scientist). Han kan “frĂ„tse” i bĂ„de dette og andre enorme datasett, som genereres med ny teknologi og datasensorer i virksomheten vĂ„r, og fĂ„ noe fornuftig ut av det.

Equinor har plassert fiberoptiske kabler langs brÞnnene pÄ det enorme Johans Sverdrup-feltet i NordsjÞen, faktisk akkurat den samme typen kabel som gir deg internett hjemme. Selv om det er lite behov for Netflix nede i et reservoar, er det behov for data, og det er dette som er Ärsaken til at vi bruker disse kablene. Med mindre endringer fungerer fiberkablene nÄ som mikrofoner og temperatursensorer som skaper enorme mengder data.

Datavitenskap har gitt oss en mye bedre forstÄelse av undergrunnen

Taber HersumLeder for fiberoptikk-prosjektet

– Jeg har fĂ„tt Ăžynene opp for databaserte tilnĂŠrminger. Det er utrolig spennende, siden vi kan fĂ„ innsikt i komplekse sammenhenger som ville vĂŠrt umulig Ă„ forstĂ„ uten datavitenskap, sier Taber. Han leder fiberoptikk-prosjektet.

Aksepter informasjonskapsler

Vil du se alt? Vi vil gjerne dele dette innholdet med deg, men fÞrst mÄ du akseptere markedsfÞrings-informasjonskapsler ved Ä tillate dem i innstillingene.

Fotone. Azure-based webapp

Fiberoptiske data vist i fo.tone, et visualiseringsverktĂžy utviklet av Equinor.

Bedre boreplanlegging med AIM

Det er ikke bare boreoperasjoner og overvĂ„king som endres som fĂžlge av ny digital teknologi og datavitenskap. Arbeidet som gjĂžres fĂžr boringen begynner, altsĂ„ i boreplanleggingsfasen, har ogsĂ„ endret seg radikalt ved hjelp av kunstig intelligens. Et prosjekt som kalles AIM – ArtificialIntelligenceMaturation – endrer brĂžnnplanleggingen fra en flere mĂ„neder lang og vanskelig manuell prosess for en boreoperasjon til feltutviklingsscenarioer med tusenvis av brĂžnnalternativer. Med AIM kan vi autogenerere brĂžnnbaner, og fĂ„ forslag til optimale lĂžsninger fra programvaren. Deretter kan vi bruke spesialistenes naturlige intelligens for Ă„ velgedet beste alternativet, basert pĂ„ hva den kunstige intelligensen har foreslĂ„tt. Det er fortsatt eksperten som er best til Ă„ tolke, men datamaskinen kan Ăžke datadekningen, bygge nye prognosemodeller og bidra til Ă„ validere konsepter og ideer bedre og raskere enn fĂžr.

Dette gir oss mange flere valgmuligheter

Subhro Sinha Roy prosjekterleder undergrunn

– Det handler om Ă„ kunne jobbe med valgmuligheter. Hvis vi kan fĂ„ en bedre beskrivelse av kompleksiteten i brĂžnnplanleggingen, inkludert tilgjengelige brĂžnnslisser, boremĂ„l, og alle begrensningene, betyr det verdiskaping og effektiv bruk av vĂ„r tid. Å jobbe med AIM betyr for meg Ă„ jobbe pĂ„ tvers av undergrunn og utfordringer knyttet til boring og brĂžnn – jeg mĂ„ forstĂ„ data og kunnskap pĂ„ begge omrĂ„der for Ă„ finne de billigste og minst risikable brĂžnnbanene.

Med tradisjonell tolkningsmetode gjÞres analyser av linjer med et visst intervall, her med 400 meter mellom linjene. Det danner et utgangspunktet for et kart. Kvaliteten pÄ kartet avhenger av tettheten pÄ de tolkede linjene. Dette omrÄdet er 700 kvadratkilometer stort, og den manuelle analysen tok tre timer.
1 / 4
Med maskinlÊring (billedgjenkjenning) trenger vÄre algoritmer kun noen fÄ seismiske linjer for Ä kartlegge det samme omrÄdet. Denne tolkningen tar 5-10 minutter. Algoritmen lÊrer fra analysen som er gjort av vÄre eksperter.
2 / 4
Dette viser kvaliteten pÄ et kart laget basert pÄ manuell tolkning. Geologen har tolket hver 32. linje. PÄ det neste bildet ser man det forbedrede resultatet man fÄr ved Ä bruke maskinlÊring til samme oppgave.
3 / 4
Algoritmen tolker alle linjene, ikke bare hver 32. Det gir et mye mer detaljert og nĂžyaktig kart. Det tar under en time Ă„ prosessere alle dataene. Med maskinlĂŠring kan geologene gjĂžre tolkninger raskere, noe som igjen frigjĂžr tid til mer dybde- og detaljanalyser.
4 / 4

FÞr brÞnnplanlegging og boring trenger vi seismiske data. Og vi har faktisk allerede 50 petabyte med slike data fra hele verden. Det er mer enn det dobbelte av alt digitalt innhold i US Library of Congress, som er verdens stÞrste bibliotek. Vi jobber nÄ med Ä standardisere dataene vÄre og gjÞre dem lett tilgjengelige via skyen. NÄr historiske data kombineres med nyere data, kan geologiske forhold fra ulike geografiske omrÄder analyseres og sammenlignes for Ä se etter mÞnster og potensial. NÄr geologen kan bruke programvare til Ä analysere enorme mengder data som det ville ta flere Är Ä gÄ gjennom manuelt, endrer det alt.

Renaud Laurain er geofysiker, og har ogsÄ har videreutdannet seg innenfor datavitenskap. Han har jobbet i flere prosjekter som automatiserer det seismiske arbeidet:

– Det Ă„ gĂ„ fra innsamling av seismiske data til analyse av data har gitt meg et helt annet syn pĂ„ betydningen av data i den moderne verden. Her er ett eksempel: Tidligere har arbeidsprosessene vĂ„re handlet om Ă„ redusere datamengden, slik at den kan vĂŠre mulig Ă„ hĂ„ndtere for et menneske.

Dataanalyse og maskinlĂŠring endrer pĂ„ alt det – og flytter fokus over pĂ„ hvordan vi kan utnytte hele datamengden, forklarer han.