Artikkelen er produsert av Cloud Media i samarbeid med Microsoft.

Rørledninger for olje og gass går overalt: Under Nordsjøen, over ørkensanden, og rett gjennom byer forbi skoler, sykehus og barnehager. Konsekvensene blir fort katastrofale hvis noe går galt, både i menneskeliv og penger. Bare i USA omkom 141 mennesker i ulykker med rørledninger fra 1993 til 2012, og ulykkene kostet selskapene 350 millioner dollar.

Enorme mengder rør derfor må inspiseres jevnlig og derfor er inspeksjonsstrategi for rørledninger ekstremt viktig for DNV GL, tidligere kjent som Det Norske Veritas.

Nå har selskapet selv utviklet en teknologi med kunstig intelligens og maskinlæring som på sikt kan erstatte deres egne eksisterende applikasjoner og tjenester. Og de har gjort det frivillig.

Tre James Bond-filmer

Inspeksjon av rørledninger har frem til nå foregått på flere måter: For eksempel ved å grave seg ned til ledningen, eller ved å sende en stor sonde, en såkalt «pipeline pig», gjennom rørene for å samle inn data. På den måten kan røreieren bedømme om – og i så fall hvor – ledningen må byttes ut, før det skjer ulykker.

«Pipeline pigs» har for øvrig blitt brukt i hele tre James Bond-filmer: Sean Connery brukte en til å flykte fra et rør i «Diamanter varer evig», Timothy Dalton sendte general Koskov til Vesten med en pig i «I skuddlinjen», og Pierce Brosnan kjører på en i «The World Is Not Enough».

Et av utfordringene med pigs, er at mange rørledninger er fulle av svinger, ventiler eller kompressorstasjoner som gjør at man ikke kan bruke dem. Faktisk er hele 1,5 millioner kilometer av verdens rørledninger regnet som «non piggable», ifølge Pipeline & Gas Journal. På disse har kvalifisert gjetning – og å grave – vært vanlige løsninger.

Dermed har vedlikeholdet blitt gjort etter et «føre var»-prinsipp hvor man har mangelfulle kunnskaper om rørets egentlige tilstand. Det kan bli dyrt for selskapene og dårlig for miljøet.

Bruker maskinlæring

Nå kan hele bransjen bli revolusjonert av et selskap med sterke norske røtter. I vinter satte nemlig ingeniørene i DNV GL seg sammen med utviklere fra Microsoft for å se etter en annen og smartere løsning.

– Tesen vår var at vi kan kombinere maskinlæring med informasjonen fra piggen, også på delene som er non piggable. Det er jo samme rør, som påvirkes av samme faktorer som jordsmonn, klima, trykk og så videre. Vi må bare bruke kunstig intelligens til å bedømme den enorme mengden data, sier Tormod Svensen, som er direktør for digital transformasjon i DNV GL - Software.

Fem dager som kan endre industrien [FM5]

I løpet av en fem dager lang hackathon jobbet de to partene seg frem til en modell og maskinlæringsalgoritmer som gir svært lovende resultater. Svensen understreker at algoritmene fortsatt er under utvikling, og at programvaren må testes grundig før den kan tas i bruk.

Men det er ingen tvil om at bruk av maskinlæring på rørledningers tilstand, kan spare bransjen for enorme summer – og forebygge tragiske ulykker.

– Manuell inspeksjon er dyrt, spesielt der hvor ledningene går under havet eller dypt i bakken. Hvis maskinlæringen kan forlenge inspeksjonsintervallene, blir det derfor snakk om store besparelser, sier han.

Kan utkonkurrere seg selv

Etter de vellykkede forsøkene på å bruke maskinlæring på rørledninger, er DNV GL i gang med flere prosjekter knyttet til kunstig intelligens.

Tormod Svensen sier at dette medfører en fare for at klassifikasjonsgiganten vil utfordre egne eksisterende tjenester og applikasjoner.

– Det er bedre at vi disrupter oss selv enn at andre gjør det. Når vi erstatter våre mer tradisjonelle applikasjoner for modellering med maskinlæring, er vi med på å definere forretningsmodellen vår også for fremtiden. Det skjer så mye på denne fronten nå, og vi må kontinuerlig være i forkant. Det er bedre at vi disrupter oss selv enn at andre gjør det. Når vi erstatter våre mer tradisjonelle applikasjoner for modellering med maskinlæring, er vi med på å definere forretningsmodellen vår også for fremtiden, sier han.

Svensen understreker samtidig at selve fagkunnskapen som DNV GL sitter på, fortsatt kommer til å være helt avgjørende.

– Det datatekniske blir mer og mer hyllevare gjennom selskaper som Microsoft. Vår mulighet er å kombinere deres infrastruktur med vår tillit og fagkunnskap, og bruke denne kunnskapen til å trene opp algoritmene til å gjøre de rette tingene. Det vil kanskje bli mindre ren inspeksjonsaktivitet i fremtiden. Men dette er en helt ny måte å bruke kunnskapen og erfaringen vår, sier han.

Er du interessert i å dykke dypere i teknologien og koden bak? Hele prosessen er dokumentert på GitHub.