Κέρδη:
- Ικανότητα κατανόησης της ευθύνης επαλήθευσης της παραγωγής τεχνητής νοημοσύνης στο πλαίσιο της νομοθεσίας για το πετρέλαιο και το φυσικό αέριο (EMRA, αναφορά αποθεμάτων PRMS/SEC, πρότυπα API)
- Δυνατότητα μετατροπής της εμπορικής εμπιστευτικότητας, της ευαισθησίας των δεδομένων και των ηθικών ορίων σε κανόνες επιχειρησιακής εμπιστευτικότητας
- Ικανότητα διατήρησης της χρήσης της τεχνητής νοημοσύνης στη μηχανική πετρελαίου και φυσικού αερίου με μια διαρκή επαλήθευση και πειθαρχία διακυβέρνησης
Εξέταση Ενοτήτων
1. Ποιο από τα παρακάτω είναι η θεμελιώδης αρχή που καθορίζει τον κίνδυνο μιας παραγωγής τεχνητής νοημοσύνης στη μηχανική πετρελαίου και φυσικού αερίου;
- Α) Ο κίνδυνος μιας παραγωγής είναι ίσος με τη ζημιά που θα προκαλούσε εάν αυτή η παραγωγή ήταν ελαττωματική. κλίμακες επικύρωσης αναλόγως ✔
- Β) Η έξοδος AI είναι γενικά ασφαλής καθώς είναι γραμμένη με ευχέρεια και σιγουριά
- Γ) Η επικύρωση δεν είναι απαραίτητη όταν χρησιμοποιείται το πιο πρόσφατο μοντέλο
- Δ) Εάν η έξοδος αναφέρεται σε ένα πρότυπο, δεν απαιτείται πρόσθετος έλεγχος
Εξήγηση: Ο κίνδυνος μιας παραγωγής είναι ίσος με τη ζημιά που θα προκαλέσει εάν αυτή η έξοδος είναι ελαττωματική. Ενώ ένα μικρό σφάλμα σε μια περίληψη της βιβλιογραφίας μπορεί να είναι ακίνδυνο, ένα σφάλμα σε ένα όριο πίεσης φρέατος, το όριο συναγερμού διαρροής ή την αναφορά αποθεματικού μπορεί να οδηγήσει σε έκρηξη, περιβαλλοντική καταστροφή ή μεγάλη οικονομική απώλεια. έτσι η ένταση της επαλήθευσης κλιμακώνεται με πιθανή βλάβη.
2. Τι επιβάλλει το πρόβλημα της «μη μοναδικότητας» στη σεισμική αναστροφή τη χρήση AI;
- Α) Άμεση αποδοχή της πρώτης ερμηνείας που παράγει το μοντέλο
- Β) Περιορίζοντας την ερμηνεία συνδέοντάς την με το κούτσουρο φρέατος, τη δεσίματα φρεατίων και τους γεωλογικούς περιορισμούς ✔
- Γ) Επιλέξτε μόνο το τμήμα υψηλότερης ανάλυσης.
- Δ) Πλήρης εγκατάλειψη σεισμικών δεδομένων
Εξήγηση: Τα ίδια δεδομένα σεισμικής ανάκλασης μπορούν να εξηγηθούν από περισσότερα από ένα διαφορετικά υποεπιφανειακά μοντέλα (σύνθετη αντίσταση, λιθολογία, κατανομή ρευστού). Επομένως, μια ερμηνεία που παράγεται από την τεχνητή νοημοσύνη δεν είναι η μόνη σωστή. Το αρχείο καταγραφής φρεατίων πρέπει να περιορίζεται συνδέοντάς το με ανεξάρτητους περιορισμούς, όπως δεσίματα φρεατίων και γεωλογικό πλαίσιο.
3. Ποιο όριο πρέπει να λαμβάνεται υπόψη κατά την εκτίμηση της διαπερατότητας (διαπερατότητας) από το ημερολόγιο πηγαδιών χρησιμοποιώντας μηχανική εκμάθηση;
- Α) Το μοντέλο ισχύει αυτόματα σε κάθε πεδίο και κάθε λιθολογία
- Β) Η σχέση που αποκτάται είναι συγκεκριμένη για τις εκπαιδευτικές συνθήκες. ✔ Η παρέκταση σε διαφορετικούς ιστότοπους ενέχει κινδύνους και πρέπει να συνδέεται με δοκιμές πυρήνα/πηγάδι ✔
- Γ) Άμεση και χωρίς σφάλματα μέτρηση διαπερατότητας από κορμούς
- Δ) Η αβεβαιότητα των προβλέψεων δεν πρέπει να αναφέρεται καθόλου.
Εξήγηση: Η διαπερατότητα δεν μετράται απευθείας από τα κούτσουρα. Η σχέση που μαθαίνει το μοντέλο είναι συγκεκριμένη για τα πρόσωπα και τις συνθήκες πίεσης των δεδομένων εκπαίδευσης. Η τυφλή εφαρμογή (παρέκταση) σε διαφορετική τοποθεσία ή άγνωστη λιθολογία μπορεί να προκαλέσει μεγάλο σφάλμα. Η έξοδος πρέπει να συνδέεται με τη μέτρηση του πυρήνα και τη δοκιμή φρέατος.
4. Τι συμβαίνει εάν ο εκθέτης «b» του υπερβολικού μοντέλου Arps διατηρηθεί πολύ υψηλός (π.χ. b>1) και προεκταθεί για μεγάλο χρονικό διάστημα στην ανάλυση καμπύλης ανάσυρσης (DCA);
- Α) Το ευρώ γίνεται χαμηλότερο από ό,τι είναι και το αποθεματικό κρύβεται
- Β) Η πτώση γίνεται μη ρεαλιστικά αργή και το ευρώ γίνεται υπερβολικά υψηλό, αισιόδοξο ✔
- Γ) Τα δεδομένα παραγωγής διαγράφονται αυτόματα
- Δ) Η πίεση του πηγαδιού αυξάνεται σωματικά
Εξήγηση: Στο υπερβολικό μοντέλο Arps, ο πρώτος b καθορίζει πόσο επιβραδύνεται ο ρυθμός μείωσης με την πάροδο του χρόνου. Η λήψη του b>1 και η παρέκτασή του μακροπρόθεσμα θα έχει ως αποτέλεσμα η πτώση να είναι εξωπραγματικά αργή και το EUR (τελική εκτιμώμενη παραγωγή) να είναι υπερβολικά υψηλό. Ως εκ τούτου, στην όψιμη περίοδο, εφαρμόζεται μια μετάβαση στην εκθετική πτώση ή ένα ελάχιστο όριο ανάληψης και το αποτέλεσμα ελέγχεται με το ισοζύγιο υλικού.
5. Γιατί η εξίσωση Archie για το πορώδες και τον κορεσμό νερού είναι η άγκυρα επικύρωσης μιας εξόδου AI στην πετροφυσική ερμηνεία;
- Α) Γιατί δείχνει μόνο το κόστος του πηγαδιού
- Β) Επειδή καθιερώνει τη φυσική σχέση μεταξύ αντίστασης, πορώδους και κορεσμού νερού και δοκιμάζει την έξοδο ✔
- Γ) Ακριβώς επειδή ορίζει το χρώμα του κορμού
- Δ) Επειδή έχει νόημα μόνο σε εργαστηριακό περιβάλλον
Περιγραφή: Η εξίσωση Archi καθορίζει τη φυσική σχέση μεταξύ της ειδικής αντίστασης log και του κορεσμού του νερού. Μια τιμή κορεσμού νερού που προτείνεται από το AI ελέγχεται φυσικά εισάγοντάς την στην εξίσωση Archi με εισόδους πορώδους και ειδικής αντίστασης και συγκρίνοντάς την με τοπικούς συντελεστές σχηματισμού. Το αποτέλεσμα θα πρέπει να είναι στην περιοχή 0-1 και να συνάδει με τον πυρήνα.
6. Γιατί ένα «ψευδώς αρνητικό» (miss) είναι ιδιαίτερα κρίσιμο για την ανίχνευση διαρροής αγωγού;
- Α) Επειδή ταξινομεί την πραγματική διαρροή ως «καμία» και καθυστερεί την παρέμβαση και προκαλεί κίνδυνο για το περιβάλλον/τη ζωή ✔
- Β) Επειδή αλλάζει μόνο το χρώμα της οθόνης SCADA
- Γ) Ακριβώς επειδή αυξάνει τον αριθμό των σελίδων της αναφοράς
- Δ) Γιατί τα ψευδώς αρνητικά είναι πάντα αβλαβή
Εξήγηση: Ένα ψευδώς αρνητικό είναι μια ταξινόμηση του «απούσα» για μια διαρροή που υπάρχει στην πραγματικότητα. Στην περίπτωση αυτή η επέμβαση καθυστερεί και υπάρχει κίνδυνος περιβαλλοντικής καταστροφής, πυρκαγιάς/έκρηξης και απώλειας ζωής. Ένα ψευδώς θετικό έχει ως αποτέλεσμα περιττό κόστος διακοπής. Σε σωλήνες κρίσιμους για την ασφάλεια, το όριο επιλέγεται προσεκτικά για να ελαχιστοποιηθούν τα ψευδώς αρνητικά και υποστηρίζεται από επιβεβαίωση πεδίου.
7. Στην προγνωστική συντήρηση, ποια είναι η καταλληλότερη χρήση κατά την παραγωγή μιας εκτίμησης «υπολειπόμενης ωφέλιμης ζωής» (RUL) από δεδομένα κραδασμών ενός συμπιεστή;
- Α) Αποδοχή μιας εκτιμώμενης ακριβούς ημερομηνίας αποτυχίας και μη πραγματοποίηση ελέγχων μέχρι εκείνη την ημέρα.
- Β) Λαμβάνοντας το εκτιμώμενο εύρος αβεβαιότητας ως υποστήριξη απόφασης και επιβεβαίωση κρίσιμου εξοπλισμού με επιτόπια επιθεώρηση και ανάλυση της βασικής αιτίας ✔
- Γ) Πλήρης απενεργοποίηση του συναγερμού όταν αυξάνεται η δόνηση
- Δ) Εάν το RUL είναι χαμηλό, λειτουργήστε τον εξοπλισμό στο έπακρο χωρίς καμία αβεβαιότητα.
Περιγραφή: Η εκτίμηση RUL (Remaining Useful Life) είναι μια πιθανολογική εκτίμηση και όχι μια ακριβής ημερομηνία. Η σωστή χρήση είναι να λαμβάνεται η εκτίμηση με το εύρος αβεβαιότητάς της και να χρησιμοποιείται ως υποστήριξη απόφασης στον προγραμματισμό συντήρησης. Σε κρίσιμο εξοπλισμό, επιβεβαιώνεται με επιτόπια επιθεώρηση και ανάλυση της βασικής αιτίας του φάσματος δονήσεων. Η συνέχιση της λειτουργίας εξοπλισμού βάσει ραντεβού στα τυφλά είναι επικίνδυνη.
8. Ποια αρχή είναι απαραίτητη εάν η ανίχνευση αερίου με βάση την τεχνητή νοημοσύνη χρησιμοποιείται σε τοποθεσία με κίνδυνο τοξικών αερίων όπως το H2S (υδρόθειο);
- Α) Η ανίχνευση τεχνητής νοημοσύνης θα μπορούσε να είναι το μόνο επίπεδο ασφάλειας, αντικαθιστώντας τους πιστοποιημένους φυσικούς ανιχνευτές
- Β) Το AI είναι ένα βοηθητικό στρώμα. Δεν υποκαθιστά τους ανεξάρτητους πιστοποιημένους ανιχνευτές και διαδικασίες, η ασφάλεια πολλαπλών επιπέδων είναι απαραίτητη ✔
- Γ) Εάν η βαθμολογία εμπιστοσύνης του μοντέλου είναι υψηλή, οι φυσικοί ανιχνευτές μπορούν να απενεργοποιηθούν
- Δ) Η ανίχνευση H2S μπορεί να γίνει μόνο με ανάλυση γραφείου
Περιγραφή: Το H2S είναι ένα θανατηφόρο αέριο από την άποψη της ασφάλειας ζωής. Η ανίχνευση τεχνητής νοημοσύνης μπορεί να είναι ένα χρήσιμο επίπεδο, αλλά δεν μπορεί να αντικαταστήσει τους αυτόνομους, πιστοποιημένους ανιχνευτές φυσικών αερίων και τις διαδικασίες εκκένωσης. Οι κρίσιμες για την ασφάλεια λειτουργίες δεν πρέπει να βασίζονται σε ένα ενιαίο μοντέλο τεχνητής νοημοσύνης, αλλά σε πολυεπίπεδα και ανεξάρτητα συστήματα ασφαλείας (άμυνα σε βάθος).
9. Ποιος είναι ο κύριος σκοπός κατά την επεξεργασία μιας αναφοράς καταγραφής γεώτρησης ελεύθερου κειμένου («Πτώση ROP σε όλη τη βάρδια, διακυμάνσεις ροπής, πιθανή διόγκωση αργίλου») με AI;
- Α) Τυχαία επανεγγραφή της αναφοράς
- Β) Αυτόματη αύξηση του βάθους διάτρησης
- Γ) Δυνατότητα αναζήτησης δεδομένων μεταφράζοντας ασυνεπές ελεύθερο κείμενο σε τυπικά πεδία. αφήστε το σχόλιο στον μηχανικό με την ετικέτα "πιθανό" ✔
- Δ) Φυσική αναμέτρηση του φρεατίου
Περιγραφή: Η τεχνητή νοημοσύνη μετατρέπει τις ασυνεπείς επιχειρησιακές αναφορές ελεύθερου κειμένου σε τυπικά πεδία (τύπος συμβάντος, βάθος, αλλαγή δείκτη, πιθανή αιτία, ενέργεια), καθιστώντας τα δεδομένα με δυνατότητα αναζήτησης και συγκρίσιμα. Ωστόσο, η βασική αιτία και η επιχειρησιακή απόφαση επιβεβαιώνονται από τον μηχανικό γεώτρησης. το μοντέλο θα πρέπει να διατηρεί την ετικέτα «πιθανό».
10. Ποια είναι η σωστή προσέγγιση κατά την εισαγωγή δεδομένων καταγραφής φρέατος, παραγωγής και εφεδρείας για συγκεκριμένο χώρο σε ένα γενικό εργαλείο τεχνητής νοημοσύνης;
- Α) Εισάγετε ακριβώς τις πραγματικές συντεταγμένες και τιμές παραγωγής και λαμβάνετε την ταχύτερη απόκριση
- Β) Ανωνυμοποίηση ταυτοτήτων και αξιών, εργασία με αντιπροσωπευτικές αξίες και χρήση μόνο εγκεκριμένων/ελεγχόμενων εργαλείων ✔
- Γ) Φόρτωση ολόκληρης της βάσης δεδομένων πεδίου και επιτρέποντας στο μοντέλο να μάθει
- Δ) Σημειώστε ότι τα δεδομένα είναι εμπιστευτικά και κοινοποιήστε τα ως έχουν.
Περιγραφή: Οι συντεταγμένες των πηγαδιών, οι ροές παραγωγής και οι πληροφορίες αποθεμάτων είναι εμπορικά εξαιρετικά ευαίσθητα και συχνά εμπιστευτικά δεδομένα που ανήκουν στον κάτοχο της άδειας/συνεργασία. Υπόκειται σε δημόσια ρύθμιση σε ορισμένες χώρες. Η είσοδος σε μια ανεξέλεγκτη εξωτερική υπηρεσία δημιουργεί ανταγωνισμό, αθέτηση σύμβασης και νομικό κίνδυνο. Η σωστή προσέγγιση είναι η ανωνυμοποίηση ταυτότητας/συντονισμού/πραγματικών αξιών ή η εργασία με αντιπροσωπευτικές αξίες και η χρήση μόνο εγκεκριμένων, ελεγχόμενων από το ίδρυμα εργαλεία.
11. Τι σημαίνει «έλεγχος τάξης μεγέθους» σε έναν μηχανικό υπολογισμό με AI;
- Α) Αύξηση του αριθμού των δεκαδικών ψηφίων του αποτελέσματος
- Β) Δοκιμή με γρήγορο υπολογισμό με το χέρι εάν το αποτέλεσμα είναι περίπου εντός της αναμενόμενης ισχύος των 10 εύρους ✔
- Γ) Μέτρηση της γραφικής ανάλυσης του αποτελέσματος
- Δ) Τυποποίηση του χρώματος του αποτελέσματος
Περιγραφή: Ο έλεγχος τάξης μεγέθους ελέγχει με γρήγορο χειροκίνητο υπολογισμό εάν το αποτέλεσμα είναι περίπου εντός της αναμενόμενης ισχύς των 10. Για παράδειγμα, η διαπερατότητα μιας δεξαμενής άμμου αναμένεται να είναι στην περιοχή millidarcy, αλλά η εμφάνιση χιλιάδων darcys αντί για darcys αποκαλύπτει ένα σφάλμα μονάδας ή επεξεργασίας χωρίς να υπεισέλθω σε λεπτομέρειες.
12. Ποιος είναι ο πιο ισχυρός τρόπος επαλήθευσης του αποτελέσματος κατά την εκτύπωση κώδικα ανάλυσης δεδομένων παραγωγής σε τεχνητή νοημοσύνη με Python;
- Α) Εάν ο κωδικός λειτουργεί και δεν δίνει σφάλμα, αποδεχτείτε το αποτέλεσμα ως σωστό.
- Β) Σύγκριση με δοκιμή μονάδας, έλεγχο φυσικών ορίων και ανεξάρτητη μέθοδο με γνωστό μικρό δείγμα ✔
- Γ) Βασιζόμενος στον μεγάλο αριθμό γραμμών κώδικα
- Δ) Έλεγχος εάν η έξοδος γραφικών είναι έγχρωμη
Επεξήγηση: Παρόλο που ο κώδικας που δημιουργείται φαίνεται ομαλός και σωστός, μπορεί να περιέχει κρυφά σφάλματα (λανθασμένη μονάδα, ημερομηνία μετατόπισης, δεδομένα που διέρρευσαν, λάθος συλλογή). Η πιο ισχυρή επαλήθευση είναι να υπολογίσετε με μη αυτόματο τρόπο την αναμενόμενη έξοδο σε ένα μικρό γνωστό δείγμα, να την επαληθεύσετε στον κώδικα (δοκιμή μονάδας), να ελέγξετε τα ενδιάμεσα αποτελέσματα σε σχέση με φυσικά όρια (όπως μη αρνητική ταχύτητα ροής) και να τα συγκρίνετε με μια ανεξάρτητη μέθοδο.
13. Ποια είναι η πιο ακριβής δήλωση για τη χρήση μιας πρόβλεψης EUR που δημιουργείται από AI στην αναφορά αποθεματικών (π.χ. PRMS/SEC);
- Α) Η έγκριση του αξιολογητή δεν είναι απαραίτητη καθώς η έξοδος AI είναι αυτόματα έγκυρη
- Β) Η τεχνητή νοημοσύνη είναι χρήσιμη. Η μέθοδος, τα δεδομένα και η αβεβαιότητα πρέπει να είναι ανιχνεύσιμα, τεκμηριωμένα και εγκεκριμένα από τον αρμόδιο αξιολογητή ✔
- Γ) Θα πρέπει πάντα να προτιμάται το μοντέλο με την υψηλότερη αξία σε ευρώ.
- Δ) Η δήλωση εφεδρείας μπορεί να είναι πλήρως αυτοματοποιημένη και ο ανθρώπινος έλεγχος μπορεί να αφαιρεθεί
Επεξήγηση: Οι εκθέσεις αποθεματικών είναι ελεγχόμενα έγγραφα που αποτελούν τη βάση για επενδυτικές και ρυθμιστικές αποφάσεις και είναι υπό την ευθύνη του ειδικευμένου αξιολογητή αποθεματικών. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει με τον καθαρισμό δεδομένων, την τοποθέτηση ονείρων και τη δημιουργία σεναρίων. Ωστόσο, η μέθοδος, οι εισροές και η αβεβαιότητα των στοιχείων πρέπει να τεκμηριώνονται με ανιχνεύσιμο τρόπο και να εγκρίνονται από τον εξουσιοδοτημένο αξιολογητή. Το AI από μόνο του δεν μπορεί να δηλώσει αποθεματικά.
14. Ποια δήλωση είναι πιο ακριβής σχετικά με την τελική ευθύνη για τη χρήση της τεχνητής νοημοσύνης στη μηχανική πετρελαίου και φυσικού αερίου;
- Α) Εφόσον η τεχνητή νοημοσύνη παράγει την έξοδο, η ευθύνη περνά στην εταιρεία λογισμικού
- Β) Η τεχνητή νοημοσύνη παρέχει υποστήριξη και επιτάχυνση. Η ευθύνη για την απόφαση και την αναφορά παραμένει στον εξουσιοδοτημένο μηχανικό, τα αποτελέσματα πρέπει να είναι επαληθεύσιμα και εγκεκριμένα από τον άνθρωπο ✔
- Γ) Η έγκριση μηχανικού δεν είναι απαραίτητη καθώς η έξοδος AI είναι αυτόματα έγκυρη
- Δ) Η ευθύνη βαραίνει μόνο την ομάδα πεδίου, δεν αφορά τον μηχανικό γραφείου
Περιγραφή: Η τεχνητή νοημοσύνη είναι ένα ισχυρό εργαλείο για εργασίες υποστήριξης όπως η επεξεργασία δεδομένων, η σύνταξη, η ανακάλυψη και η επιτάχυνση βελτιστοποίησης. Ωστόσο, η ευθύνη για την υπογεγραμμένη έκθεση, την απόφαση κρίσιμης σημασίας για την ασφάλεια, το σχεδιασμό του φρεατίου και τη δήλωση εφεδρείας παραμένει στον εξουσιοδοτημένο μηχανικό/αξιολογητή. Τα αποτελέσματα πρέπει να είναι ελεγχόμενα, επαληθεύσιμα και εγκεκριμένα από τον άνθρωπο.