Londra merkezli yapay zeka şirketi Applied Computing, petrol, gaz ve kimya endüstrisi için tasarlanmış bir temel model geliştirdi ve bu teknoloji için 20 milyon dolarlık Series A finansmanı aldı. Yatırımın öncülüğünü mühendislik devi KBR yaptı, Databricks Ventures da katılımcı oldu.

Applied Computing'in Orbital adlı modeli, enerji tesislerindeki binlerce sensörden gelen verileri analiz ederek tesislerin durumunu tahmin edebiliyor. Şirkete göre bu teknoloji, normalde günler veya haftalar alan anomali tespiti ve sorun giderme işlemlerini dakikalar içerisinde yapabiliyor.

Sensör Verilerini Birleştirme Sorunu

Enerji şirketleri, tesislerindeki sensörlerden toplanan milyonlarca veri noktasına sahip olmalarına rağmen, bu bilgileri etkili şekilde kullanmakta zorlanıyorlar. Applied Computing'in kurucu ortağı ve CEO'su Callum Adamson'a göre, operatörler ellerindeki verilerin yüzde 8'inden azını karar verme süreçlerine dahil ediyor. Sensör okumaları, mühendislik dokümantasyonu ve fizik-kimya ilgili bilginin gerçek zamanda bir araya gelmesi ana zorluk olduğunu belirtti.

Rakiplerle Rekabet Stratejisi

Applied Computing, endüstriyel yazılım pazarına girdi ve burada AspenTech, AVEVA, Cognite gibi yerleşik oyuncularla karşı karşıya. Şirket, rekabet avantajının veri erişimi veya endüstri bilgisi değil, güçlü yapay zeka araştırmacılarını bir araya getirerek geliştirilen modelin kalitesi olduğunu savunuyor.

Orbital, temel modelin dağıtımlarından elde ettiği operasyonel verilerden de yararlanıyor. Rafinerilerdeki ve enerji tesislerindeki bu tür gerçek operasyonel veri hemen hemen hiç kamuya açık olmadığı için, simüle edilmiş veri kullanarak çalışma tesislerin iç dinamiklerini tam olarak yeniden oluşturmak mümkün olmuyor.

Ne anlama geliyor?

Enerji tesislerinde sensör teknolojisi çok eski zamanlardan beri kullanılıyor, ancak bu sensörler ürettiği veri miktarının çoğu kullanılmadan kalıyor. Bunun sebebi, sensor verilerini kimyasal ve fiziksel yasalarla birlikte değerlendiren matematiksel modellerin, veriyi toparlayıp işlemesinin yavaş olması. Geleneksel yazılımlar, sensörlerden gelen sinyalleri analiz etmekte çok zaman harcıyor ve operatörler bu sebeple daha az veri ile karar vermek zorunda kalıyorlar. Sonuç olarak tesisler verimli çalışmıyor, enerji israfı yaşanıyor ve planlanan bakım işleri gecikmeli oluyor.

Yapay zeka modelleri, bu sorunu başka bir şekilde ele alıyor. Yazılım, geçmiş veriye bakarak öğrenebiliyor ve fizik kurallarını biliyor. Böylece yeni sensor okumaları geldiğinde, hızlı bir şekilde tesisin durumunu anlayabiliyor. Anormal bir durum fark ettiğinde (mesela basınç beklenenden yüksekse), hangi nedenden kaynaklanabileceğini birkaç dakikada bulabiliyor. Operatörler de bu hızlı analiz sayesinde problemi çözmeden önce simüle edebiliyor ve bir çözümün başka bir soruna yol açıp açmayacağını kontrol edebiliyor.

Türkiye'de enerji sektörü benzer veri yönetimi zorlukları yaşıyor. Yerel rafineriler ve petro-kimya tesisleri modernleştirilirken, bu tür yazılımlar sektörün verimliliğini artırabilir. Ancak kaynakta Türkiye'ye özgü uygulama veya dağıtım bilgisi bulunmuyor.