머신러닝으로 파이프라인 안전 가속화: 실시간 결함 탐지로 1,000만 달러 절감

사례: 한 주요 석유가스 회사가 파이프라인 네트워크 정기 검사를 수행하며 동일한 물리적 장치, 즉 '피그(pig)'를 사용했습니다. 원시 데이터를 인간 분석가에게 보내 분석을 기다리는 대신 머신러닝 솔루션으로 보냈습니다. 그 결과 샌드블라스팅 절차 시작과 동시에 고장 난 구간에서 심각한 결함이 식별되었습니다. 적시 식별로 해당 구간이 아몬드 농장을 통과했기에 최소 1,000만 달러의 손실 비용을 절감했습니다.

이는 단일 연구 결과일 뿐입니다. 북미를 관통하는 270만 마일 파이프라인을 고려하면 차원이 다릅니다. 미국인의 거의 2/3이 파이프라인 반경 600피트(약 183m) 내에 거주합니다. 대부분 결함 발생 시 지역 당국은 지도 정확도가 500피트까지라 도움을 구하기 급급합니다. 파이프라인 및 유해물질 안전관리청(PHMSA) 보고에 따르면 2006~2015년 파이프라인 사고가 26.8% 증가했습니다. 이 사고는 중상, 사망, 5만 달러 이상 재산 피해를 수반합니다. 2015년 평균 거의 하루 한 건꼴로 사고가 발생했습니다.

엄격한 안전 기준과 수십억 달러 투자에도 이런 사고가 발생한다는 건 무엇을 의미할까요? 단순히 현재 유지보수 시스템이 결함 발생을 정확히 예측하는 데 충분히 효과적이지 않다는 뜻입니다.

데이터

탐지 방법론이 큰 이슈가 아니라 피그가 수집한 데이터를 어떻게 활용하느냐가 핵심입니다. 일부 이상 징후는 현재 가용 기술로 직접 식별할 수 없어 데이터의 심층 상관관계 분석이 필요합니다. 이는 데이터 사이언티스트 탓을 하려는 게 아닙니다. 그들은 확립된 관행 속에서 일하며 겉보기엔 무한한 데이터 스트림 속에서 문제를 식별하는 경험을 가졌습니다. 마지막 부분이 더 큰 문제입니다. 수집된 데이터의 오직 4%만 파이프라인 관리에 활용된다는 사실이 드러났습니다.

모든 징후는 한 방향을 가리킵니다: 데이터의 거대함.

업계 최고 베테랑 전문가들이 은퇴하면 본격적인 위기가 닥칠 것입니다. 이들은 단순히 대체 불가능한 비범한 기술을 보유하고 있습니다. 그렇다면 컴퓨터를 도입하면 될까요? 네, 하지만 크게 향상된 처리 능력이 학습 능력, 판단력, 관찰 기술이 필요한 문제를 컴퓨터가 잘 풀게 하진 않습니다.

머신러닝

숙련된 전문가가 보유한 기술 세트와 컴퓨터가 제공하는 반복적 처리 능력 사이의 간극을 메우는 개념이 머신러닝입니다. 2014년부터 OneBridge Solutions는 Microsoft Azure 클라우드 기반 플랫폼으로 석유가스 부문에 데이터 분석 서비스를 제공해 왔습니다.

머신러닝과 클라우드 기술의 확장 가능한 리소스가 결합하면 피그가 생성하는 데이터 더미를 처리하는 완벽한 조합이 됩니다. 이러한 솔루션의 가장 좋은 점은 SaaS(Software as a Service) 모델로 제공되어 다양한 클라이언트가 쉽게 구현하고 관리할 수 있다는 것입니다.

기능은 파이프라인 시스템의 '상태'에 맞춰 정렬되어 새로운 '상태'를 생성하며, 이는 3D 이미지로 시각화할 수 있습니다. 인지 무결성 관리를 통해 이러한 가상 이미지를 이어 붙여 전체 파이프라인 시스템을 형성하고, 주일이 아닌 분 단위로 분석할 수 있습니다.

시스템 사용자는 인라인 검사 집계 시트를 시스템에 드래그 앤 드롭하기만 하면 됩니다. 그곳에서 수분 내에 데이터가 수집되고 정규화됩니다. 머신러닝은 무결성 관리 팀이 데이터를 일일이 훑어보는 데 많은 시간을 들이지 않고도 전체 파이프라인에 대한 통찰을 얻게 해줍니다.

작업 속도 향상 외에도 머신러닝은 데이터 정밀도를 개선해 운영 효과성을 높이고 위협 탐지율을 향상시킵니다. 피그가 제시한 데이터를 효과적으로 활용하고 신속하고 포괄적이며 정확하게 제시함으로써 머신러닝은 숙련된 전문가가 결과를 분석하고 추가로 정제할 여지를 줍니다. 최종 결과는 더 나은 데이터로 무장한 작업 팀이 덜 넓은 구역을 커버하게 되고 궁극적으로 작업 현장에서 더 적은 혼란을 초래합니다.