Operational resilience in oil and gas: an LSTM approach to predictive maintenance
Petrol ve doğal gaz endüstrisinde operasyonel dayanıklılık: kestirimci bakımda LSTM tabanlı bir yaklaşım
- Tez No: 1006613
- Danışmanlar: DR. ÖĞR. ÜYESİ JOHN OLORUNFEMİ OLAİFA
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, Makine öğrenmesi yöntemleri, Yapay zeka, Deep learning, Machine learning methods, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, yapay zekâ destekli kestirimci bakım uygulamalarının petrol ve gaz sektöründe ekipman güvenilirliğini nasıl artırabileceğini incelemektedir. Çalışmada, UCI Makine Öğrenmesi Veri Deposu'ndan elde edilen zaman serisi sensör verileri kullanılarak eğitilmiş Uzun Kısa Süreli Bellek (LSTM) modeli üzerine odaklanılmıştır. Modelin, mekanik arızaları yeterli önceden uyarı süresiyle tahmin edip edemeyeceği araştırılmıştır. Sistem, Python ve TensorFlow kullanılarak geliştirilmiş ve tahminlerin gerçek zamana yakın şekilde çalışabilmesi için Flask tabanlı bir web uygulaması ile entegre edilmiştir. Test sürecinde model, arıza tahmininde yaklaşık %87 doğruluk oranına ulaşmıştır. Simüle edilmiş on arıza senaryosunda bu performans, yaklaşık 1,1 milyon dolar tutarında duruş maliyetinin önlenmesi anlamına gelmektedir. Bu sonuçlar, yapay zekâ destekli bir stratejinin sorunları daha erken tespit ederek bakım ekiplerinin daha planlı hareket etmesine katkı sağlayabileceğini göstermektedir. Bununla birlikte, veri kalitesi, büyük tesislerde üretilen yüksek hacimli kayıtlar ve farklı sensör yapıları veya aşınma modellerine sahip sahalarda modelin ölçeklenebilirliği gibi bilinen zorluklar devam etmektedir. Buna rağmen bulgular, derin öğrenme yöntemlerinin petrol ve gaz şirketlerinin maliyet yönetimi, güvenlik risklerinin azaltılması ve kritik ekipmanların sürdürülebilir işletilmesi süreçlerini dönüştürme potansiyeline sahip olduğunu ortaya koymaktadır.
Özet (Çeviri)
This thesis looks at how predictive maintenance driven by artificial intelligence might make equipment in the oil and gas sector a bit more reliable. I focused on a Long Short-Term Memory model trained on time-series sensor data from the UCI Machine Learning Repository and asked whether it could anticipate mechanical failures with enough lead time to matter. The system itself was put together in Python using TensorFlow, then wrapped in a Flask web app so that predictions could run in something close to real time. During testing, the model hit roughly 87 percent accuracy when predicting failures. That result, at least in a simulated scenario of ten breakdowns, translated into about $1.1 million in avoided downtime. Those numbers sound a little flashy, yet they do suggest that an AI- assisted strategy can spot trouble earlier and help maintenance teams plan around it more sensibly than they typically do. Of course, the approach still bumps into familiar issues around data quality, the sheer volume of logs that large facilities generate, and whether a pilot that works on one site scales to others with different sensors or wear patterns. Even so, the findings point to the real possibility that deep learning could reshape how oil and gas companies manage costs, safety risks, and the messy business of keeping critical equipment running.
Benzer Tezler
- Elektrikli araç şarj istasyonlarının alçak gerilim dağıtım şebekesine bağlantısı ve etkilerinin incelenmesi
Examination of the connection and impacts of electric vehicle charging station on the low voltage distribution network
EZGİ SOLAK ŞAHİN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
- Açık deniz römorkör ve destek gemileri işletmeciliğinin stratejikyönetim modellemesi
Strategic management modeling for offshore tugboat and supportvessel operations
ALİ BURÇİN EKE
Doktora
Türkçe
2025
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZCAN ARSLAN
- Sürdürülebilirlik perspektifinden petrol endüstrisinde iklim değişikliğine yönelik zarar azaltma çalışmaları: İstanbul akaryakıt istasyonları örneği
Climate change mitigation efforts in the oil industry from a sustainability perspective: The case of İstanbul gas stations
GÖNENÇ BAYRAM
Yüksek Lisans
Türkçe
2024
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiAfet Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HİKMET İSKENDER
- Economic comparison of new built internal combustion gas engine power plant in Uzbekistan and Europe based on levelized cost of electricity (LCOE) method
Özbekistan ve Avrupa'da yeni inşa edilen içten yanmalı gaz motorlu elektrik santralının seviyelendirilmiş elektrik maliyeti (LCOE) yöntemine göre ekonomik karşılaştırması
SERKAN TOPLAK
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET ÖZGÜR KAYALICA
- Türkiye'de yeraltı gaz depolaması gereksinimi ve Kuzey Marmara gaz sahasının depo olarak modellenmesi
The need for underground gas storage in turkey and modeling of the Northern Marmara gas field as a storage reservobr
HÜLYA KARAALİOĞLU
Yüksek Lisans
Türkçe
1997
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
PROF. DR. ABDURRAHMAN SATMAN