Applied Computing

Một nhà máy lọc dầu được trang bị hàng chục nghìn cảm biến, nhưng theo công ty, chưa đến 8% dữ liệu đó được sử dụng thực tế để ra quyết định. Orbital của Applied Computing muốn tận dụng 92% dữ liệu còn lại — và các dự đoán của nó phải vượt qua bài kiểm tra về bảo toàn khối lượng và động học phản ứng, chứ không chỉ hợp lý về mặt thống kê.

Tính năng và Trường hợp sử dụng

Orbital bao gồm ba mô hình chồng lên nhau. Mô hình chuỗi thời gian kết nối với hệ thống điều khiển và cơ sở dữ liệu lịch sử (data historian) để dự đoán xu hướng và phát hiện bất thường; mô hình vật lý đóng vai trò kiểm soát, đảm bảo kết quả dự đoán tuân thủ định luật bảo toàn khối lượng, bảo toàn năng lượng và động học phản ứng — đây là điểm khác biệt lớn nhất giữa nó và các AI công nghiệp thông thường; mô hình ngôn ngữ được huấn luyện bằng kiến thức kỹ thuật hóa học, có thể giải mã tài liệu trong nhà máy và đưa ra đề xuất hành động. Khách hàng mục tiêu là các nhà điều hành hạ tầng quan trọng, đặc biệt là các công ty dầu khí, lọc dầu và hóa dầu. Trụ sở công ty đặt tại London, Anh, theo mô hình làm việc từ xa là chính, do các cựu sinh viên Đại học Imperial College London sáng lập, với Dan Jeavons — cựu Giám đốc phụ trách Dự án AI của Shell — giữ chức Chủ tịch, và đã huy động thành công vòng gọi vốn hạt giống (seed round) trị giá 9 triệu bảng Anh.

Phù hợp cho các bộ phận vận hành và kỹ thuật quy trình của các nhà máy lọc dầu, hóa dầu và khí tự nhiên. Ngành công nghiệp hóa chất đáp ứng hoàn hảo các đặc điểm của công nghệ này — thiết bị cũ, dữ liệu nhiều, và kiến thức kinh nghiệm nằm ở các kỹ sư lâu năm. Thiết kế đáng chú ý nhất của sản phẩm này là "mô hình vật lý làm thủ môn": các mô hình thuần túy dựa trên dữ liệu từ lâu không được tin dùng trong công nghiệp quy trình, vì chúng có thể đưa ra các khuyến nghị vi phạm vật lý mà kỹ sư không dám làm theo. Việc sử dụng các ràng buộc vật lý để giới hạn đầu ra của AI trong phạm vi hợp lý chính là chìa khóa khiến các kỹ sư sẵn sàng áp dụng.

Các tính năng chính

• Mô hình chuỗi thời gian: Kết nối hệ thống điều khiển và cơ sở dữ liệu lịch sử để dự đoán xu hướng
• Mô hình vật lý: Đảm bảo dự đoán tuân thủ định luật bảo toàn khối lượng, bảo toàn năng lượng và động học phản ứng
• Mô hình ngôn ngữ: Được huấn luyện bằng kiến thức hóa học, giải mã tài liệu nhà máy và đề xuất hành động
• Phát hiện bất thường và cảnh báo sớm
• Thiết kế chuyên dụng cho các quy trình lọc dầu, hóa dầu và dầu khí

Trường hợp sử dụng phổ biến

• Tối ưu hóa thông số trong quy trình lọc dầu và hóa chất
• Phát hiện sớm các bất thường của thiết bị
• Truy xuất kiến thức từ tài liệu kỹ thuật nội bộ
• Cải thiện liên tục về an toàn và hiệu quả vận hành