#Industri Petroleum

Godfot-teorien for kunstig intelligens

Nils Arne Eggen sin berømte godfot-teori går ut på at spelarane skal spela kvarandre gode.  Oljeindustrien har no ein ny stjernespelar i stallen, den kunstige intelligensen – og vi har ein ide om korleis vi kan gjere ho til ein lagspelar i Nordsjøen.

På mange område er maskinlæring og kunstig intelligens lite utbreidd, trass i stor interesse og høge ambisjonar frå leverandørar av programvare for automatisering og sanntidsstøtte.

Ein grunn kan vere at det historiske datagrunnlaget som kunstig intelligens treng, er for lite, samanlikna med alt som faktisk kan skje når oppgåvene skal utførast. Dette fører til at ein ikkje brukar maskinlæring utan å samtidig gjere seg nytte av fysikk-baserte matematiske likningar, kombinert med kunnskap og erfaring hos dei som kjenner det aktuelle området godt.

Boring av djupe brønnar i Nordsjøen er eit slikt område. Vi har brukt det som case for å forstå betre korleis data, fysikk, kunnskap og erfaring kan kombinerast for å utnytte alle tilgjengelege ressursar. Vellukka resultat vil kunne gje både billegare og sikrare boring, pluss metodar som kan brukast på andre område enn olje.

Cupfinale på oljefeltet Lerkendal

I Nils Arne Eggen sin godfot-teori heiter det at spelarane på fotball-laget skal øve på det dei er gode til. Men for å vinne, må dei også spele kvarandre gode. Eggens tankegang har skapt gjenklang langt utanfor fotballbana.

I Nordsjøen er matta på stadion bytta ut med eit oljefelt, og kvar brønn som skal borast er ein cupfinale. Laget består av fleire typar spelarar: Menneska om bord og på land, alle med kvar sine ekspertisar. Automatiserte maskiner. Avanserte dataprogram. No er ein ny stjernespelar i stallen, den kunstige intelligensen.

Denne spelaren har imponerande individuelle merittar, men greier vi å gjere ho til ein lagspelar i Nordsjøen?

Simulatoren – ein etablert spelar

Lat oss først bli kjend med ein av dei etablerte spelarane i stallen: «Simulatoren».

I flysimulatorar kan pilotar trene på å styre eit fly, medan simulatoren reknar ut korleis flyet vil reagere på pilotens manøvrering. På same måte kan boraren manøvrere med sine spakar og sjå ein simulert brønn bli bora på dataskjermen.

Før ein bestemd brønn skal borast, er det ikkje uvanleg at boremannskapet trenar saman i ein slik simulator. Nærare bestemd mot ein «digital tvilling» av den planlagde brønnen.

Simulatoren spelar menneska gode, bokstaveleg talt. Under boring av den ekte brønnen, kan den same digitale tvillingen jobbe ved sidan av menneska for å tolke situasjonen nede i brønnen. Samtidig gjev den boreriggen sitt automatiseringssystem råd om kva trykk som bør leggjast på brønnventilane.

I sann godfot-ånd gjer simulatoren både menneska og maskinene rundt seg gode.

Fotballskulen

Simulatoren og den kunstige intelligensen er begge dataprogram, men med vidt forskjellige utgangspunkt.

Simulatoren er bygd med kunnskap om mekanikk og strøyming av væsker, kunnskap som er utvikla av menneska over fleire hundre år. Den kunstige intelligensen, derimot, kan i utgangspunktet ingen ting om brønnboring og må lærast opp med eksempel.

Når Google kjenner igjen ansikt i bilete du har tatt, tek den i bruk eit dataprogram som har lært å kjenne igjen ansikt etter å ha studert millionvis av bilete. Vi kan på same måte vise vår kunstige intelligens opptak av brønnboring. Ulikt ansiktsgjenkjenning er diverre ikkje millionvis av brønn-opptak tilgjengeleg i opplæringa. Men kunne simulatoren spele den kunstige intelligensen god?

I SINTEF studerer vi korleis ein kunstig intelligens kan få «grunnutdanninga» si gjennom å trene millionvis av gongar i den same simulatoren som boremannskapet på riggen brukar i dag.

Ein del av laget

Når du låser opp mobilen med eit bilete av ansiktet ditt og speler av musikk ved å snakke til stemmeassistenten, bruker du kunstig intelligens. Kunstig intelligens skapte eit gjennombrot på dette området fordi vi ikkje hadde gode dataprogram for ansiktsgjenkjenning frå før. Kvifor ikkje?

Fordi ansiktsgjenkjenning skjer inne i hjernen. Og hjernen, den forstår vi ikkje. Slik er det ikkje i brønnboring. Her rår velkjend fysikk og kjemi.

Spør vi simulatoren kva trykket i brønnen er, treff den ofte blink. Simulatoren har derimot nokre avgrensingar ved at den ikkje kan ta omsyn til alt som skjer av fysiske og kjemiske prosessar. Dette både fordi det som skjer er for komplekst til at simulatoren kan ta omsyn til alt, og fordi det er sider ved prosessane ein ikkje kjenner til. Då kan vi heller ikkje legge det inn i simulatoren.

Her kan den kunstige intelligensen briljere. Men den må gå frå å spele individuell idrett til å verte ein lagspelar. Bli betre på det akkurat den er god på og la seg spele god av dei andre.

Ein slik kombinasjon av simulatoren og kunstig intelligens er også kjent som «hybrid modellering». Det er fleire måtar dei to kan samarbeide på. Simulatoren kan for eksempel trekke unna alt som vi allereie forstår av brønnboringa, slik at den kunstige intelligensen kan konsentrere seg om å fylle ut i simulatoren si blindsone.

Ei lysande karriere føre seg

Ein fordel med kunstig intelligens er at den kan lære å fange opp hint undervegs i boringa. Målingar strøymer inn frå sensorar i brønnen heile tida, og berre litt av denne datastraumen vert i dag brukt.

Her er det mønster som kan fortelje oss at vi kan bore litt raskare, eller kanskje at vi held på å sette oss fast. Ofte ser menneska desse mønstera i etterkant, litt som vi kjenner igjen eit ansikt. Om den kunstige intelligensen kan oppdage desse mønstera tidlegare, mens vi borar, kan store summar vere spart.

I eit pågåande prosjekt støtta av Forskningsrådet og selskap i oljebransjen, studerer SINTEF, NTNU og Oklahoma State University korleis den kunstige intelligensen best kan jobbe i tospann med simulatoren.

Men dette er berre byrjinga på lagarbeidet. Det er først når den kunstige intelligensen også spelar ball med menneska i boreoperasjonen at den spelar verkeleg godfot-brønnboring.

0 kommentarer på “Godfot-teorien for kunstig intelligens

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert.