Tre måter AI kan gjøre virksomheten mer robust, selv med et ufullstendig datagrunnlag

Skrevet av: Sivert Hamar, Account Manager, Octave
Hvis du jobber innen oppstrøms olje og gass, har du sannsynligvis hørt ordet robusthet oftere enn noen gang i 2026. Det har vært så mange forstyrrelser siden starten av dette tiåret at det er vanskelig å behandle hver av dem som et unntak.
Pandemien, gjentatte problemer i forsyningskjedene og geopolitisk uro rundt Hormuzstredet har vist hvor raskt eksterne hendelser og svikt i planleggingen kan få store konsekvenser. Særlig når operatørene ikke varsles tidlig og får mulighet til å reagere raskt.
Det vi ser i dag, er et todelt bilde. Mens enkelte produsenter har valgt å holde igjen og utsette investeringer, gjør ledende aktører i Europa og Midtøsten det motsatte. De investerer i teknologi som korter ned tiden fra et problem oppdages, til noe gjøres med det.

Tre bruksområder for AI har vist særlig gode resultater i oppstrøms olje og gass. Felles for dem er at de kan implementeres raskt, og styrker robustheten selv hos operatører som ikke har et optimalt datagrunnlag.
1. AI i reservoarstyringen gir kortere beslutningssykluser
Beslutninger knyttet til reservoarstyring har historisk vært basert på periodisk datainnsamling, manuell analyse og ingeniørfaglige vurderinger, med beslutningssykluser som kunne strekke seg over uker eller måneder. På stabile felt med godt kjente reservoarer fungerte dette tilfredsstillende.
I karbonatreservoarene i Gulf-regionen i midtøsten blir langsomme beslutningssykluser spesielt kostbare. Disse reservoarene er svært heterogene, naturlig fragmenterte og følsomme for vanngjennomslag. Tradisjonelle modeller blir ofte mindre pålitelige når forhold endrer seg. AI-baserte sanntidsanalyser kan identifisere uventede svingninger i reservoartrykket i løpet av minutter. Dermed kan ingeniørene justere driftsparametere før problemene forplanter seg.
Nasjonale oljeselskaper i Midtøsten benytter nå titusenvis av sensorer som samler data fra brønner, rørledninger, prosessanlegg og terminaler. Dette gjør det mulig å overvåke og styre olje- og gassflyten ved hjelp av sanntidsdata og analyser. Den store mengden løpende driftsdata, kombinert med AI-støttet analyse, har fundamentalt endret hva operatører kan se og hvor raskt de kan agere.
Selv om konteksten i Nordsjøen er annerledes, er behovet ofte veldig likt. Mange norske og britiske felt befinner seg i sen produksjonsfase, hvor adferden i reservoaret stadig blir vanskeligere å forutsi, og avvik fra forventede produksjonskurver kan bli kostbare dersom de oppdages for sent. Digitale tvillinger kan integrere sanntidsdata fra seismikk, trykk og produksjon, slik at ingeniører kan optimalisere brønnplassering og injeksjonsstrategier uten fysisk inngripen, samtidig som seismiske data kan analyseres langt raskere enn tidligere.
2. Prediktivt vedlikehold: Fra faste intervaller til kontinuerlig overvåking
Prediktivt vedlikehold kan fremstå som gammelt nytt. Likevel er vedlikehold av utstyr i oppstrøms olje og gass fortsatt i stor grad reaktivt eller basert på faste tidsintervaller. Det er fortsatt vanskelig å forutsi hvilke feil som vil oppstå, og når de vil ramme produksjonen.
Historisk har det største hinderet for prediktivt vedlikehold vært datagrunnlaget. To utviklingstrekk er i ferd med å endre dette.
For det første er AI-drevne digitale tvillinger blitt betydelig bedre til å hente inn data og å sette den i sammenheng, også når disse kommer fra statiske dokumenter eller eldre systemer. Mange av de store operatørene i Nordsjøen har også tatt i bruk bedre teknologi for digital kartlegging av fysiske anlegg og geografiske analyser. Dette har bidratt til å få informasjonen på plass raskere.
For det andre kombinerer moderne plattformer for Asset Performance Management (APM) kontinuerlig tilstandsovervåking med biblioteker av digitale tvillinger av utstyr. Til sammen gir dette operatørene mulighet til å komme i gang og oppnå resultater uten at datagrunnlaget nødvendigvis må være perfekt.
Med dette som utgangspunkt kan en bruke maskinlæring til å analysere sensordata i sanntid og identifisere degraderingsmønstre som varsler om kommende svikt. I noen tilfeller kan varslene komme dager eller uker før feilen faktisk oppstår.
Potensialet varierer mellom regionene. I Midtøsten opereres infrastrukturen under ekstreme forhold med høy varme, høy saltholdighet og miljøer med høye nivåer av hydrogensulfid (H₂S). Dette gir raskere nedbrytning av utstyret enn under mer normale driftsforhold. En stor operatør i Gulf-regionen har anslått at selskapets program for prediktivt vedlikehold kan redusere vedlikeholdskostnadene med rundt 20 prosent.
I Europa har utfordringene et annet utgangspunkt. Investeringene i anleggene i Nordsjøen har vært begrenset gjennom flere år, delvis som følge av usikkerhet rundt energiomstillingen og press fra investorer. Dette har ført til økende vedlikeholdsetterslep på aldrende infrastruktur. Operatører med begrensede budsjetter må prioritere nøye. Prediktive systemer gjør det mulig å rette begrensede vedlikeholdsressurser mot utstyr med størst sannsynlighet for svikt, fremfor å la faste intervaller alene avgjøre når arbeidet skal gjennomføres.
3. Produksjonsplanlegging: Justere planene når forutsetningene endrer seg
Statiske produksjonsplaner bygger på årsprognoser og faste antakelser om logistikk og tilgjengelig utstyr. Når disse forutsetningene endrer seg, blir planene raskt mindre pålitelige. I dagens situasjon skjer det ofte.
I Nordsjøen ser en tydelig behovet for løpende justering av produksjonsplanene. Flere operatører deler infrastruktur og er avhengige av de samme logistikkløsningene. Det skaper avhengigheter mellom anleggene som må tas hensyn til i planleggingen.
En uplanlagt stans på ett anlegg kan påvirke produksjonsbeslutningene ved et annet. AI-drevne løsninger for planlegging og ressursallokering har vist seg å kunne redusere forsinkelser med opptil 40 prosent, samtidig som avkastningen på investeringer kan økes med opptil 25 prosent. Når planene oppdateres med løpende driftsdata, kan produsentene raskere tilpasse seg forstyrrelser og utnytte tilgjengelige anlegg og ressurser bedre.
I Midtøsten er behovene annerledes. Produsenter i Gulf-regionen har betydelig reservekapasitet og justerer regelmessig produksjonen som følge av OPEC+-beslutninger, geopolitiske hendelser eller markedssignaler. Å håndtere dette på tvers av komplekse operasjoner med mange aktiva og korte tidshorisonter er nettopp den typen utfordring som tradisjonelle planleggingssystemer har vanskelig for å håndtere. Maskinlæringsbasert dynamisk planlegging gjør det nå mulig å justere produksjonsplaner i sanntid når markedsforholdene og de operative begrensningene endrer seg.
En fellesnevner på tvers av alle tre bruksområdene
Felles for de tre bruksområdene er at AI reduserer tiden fra noe går galt til noen kan gjøre noe med det. Enkelte operatører har oppnådd besparelser på flere hundre millioner gjennom slike initiativer.
Resultater i denne størrelsesordenen krever at løsningene fungerer sammen. Informasjonen må være tilgjengelig på tvers av systemene, slik at flere applikasjoner kan bruke det samme datagrunnlaget og bygge videre på hverandres resultater.
Operatører som har manglet dette grunnlaget, har historisk hatt vanskeligere for å få resultater fra digitaliserings- og AI-prosjektene sine. Dagens teknologi gjør det lettere å løse flere av problemene som tidligere har stått i veien. Den geopolitiske situasjonen gjør det samtidig viktigere å få løsningene i bruk.