L’impiego dell’intelligenza artificiale per individuare perdite ed emissioni di metano si rivela sempre più utile (anche grazie alla combinazione con i satelliti) e costituisce un alleato prezioso nella lotta contro i cambiamenti climatici.

TAKEAWAY

• Per contrastare gli effetti del climate change bisogna ridurre le emissioni di metano, attuando l’accordo stabilito alla COP26 di tagliarle del 30% al 2030.
• Un contributo prezioso lo fornisce l’intelligenza artificiale, divenuta strumento cruciale contro le emissioni fuggitive di metano.
• In particolare, l’impiego di machine learning e deep learning, anche in combinazione con i satelliti, può aiutare a individuare le fonti emissive e a eliminare le perdite.

---

Applicare le tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale contro le emissioni fuggitive di metano, fornisce potenzialità notevoli per individuare con precisione le perdite, nonché per monitorare e ridurre il pesante impatto ambientale.

Il metano è il secondo gas serra dopo la CO2 ma, rilasciato direttamente in atmosfera, diventa oltre ottanta volte più potente dell’anidride carbonica nell’arco di vent’anni di emissione.

Alla COP26 è stato raggiunto un accordo per limitare le emissioni del 30% entro il 2030 rispetto a quelle del 2020. Serve quindi ridurre la sua presenza ma, prima di tutto, occorre comprendere come e dove intervenire. Si sa che le attività umane sono responsabili della fetta più consistente: almeno un quarto del riscaldamento globale è addebitabile alle emissioni antropogeniche di metano. Il settore più impattante è l’industria dell’oil & gas.

Secondo l’International Energy Agency, la produzione di petrolio è responsabile di circa il 40% delle emissioni di metano, mentre le perdite nella catena del valore del gas naturale rappresentano il restante 60%. L’analisi della IEA stima che è tecnicamente possibile evitare circa tre quarti delle attuali emissioni di metano nell’ambito delle operazioni globali di petrolio e gas. Su questo fronte si può fare molto, anche grazie alla tecnologia e all’impiego dell’AI.

Intelligenza artificiale contro le emissioni fuggitive di metano: le possibilità offerte da IA e satelliti per ridurle

Le operazioni a monte (upstream) costituiscono più di tre quarti delle emissioni totali, il resto proviene dal segmento a valle (downstream). Già solo quest’ultimo è fortemente impattante. 

In tutto il mondo, il metano emesso in tale fase del processo nel 2020 ammontava a circa 16 milioni di tonnellate, spiega ancora IEA, sottolineando che tale quantitativo è superiore a tutte le emissioni di metano di petrolio e gas del continente nordamericano messe insieme. Nei principali paesi importatori, tra cui diversi Stati UE, il downstream è responsabile di oltre l’80% delle emissioni di metano dalle operazioni di petrolio e gas.

La stessa IEA evidenzia, in un report dedicato, che considerare e affrontare la questione delle emissioni di metano derivanti dalle operazioni di lavorazione dei combustibili fossili rappresenta una delle migliori opportunità a breve termine per limitare gli effetti peggiori del climate change provocati da questo idrocarburo, a causa della sua breve durata in atmosfera e dell’ampio spazio di manovra per ridurlo in modo efficace ed economico.

Individuare e “tappare le falle” sarebbe possibile. Tuttavia, rintracciare le emissioni alla loro fonte non è un compito facile: esse sono spesso intermittenti e facili da perdere. I sensori a terra possono rilevare le perdite in aree locali, ma la loro copertura è limitata. Le indagini con aerei e droni sono lunghe e costose. E l’accesso aereo è limitato in gran parte del mondo.

È qui che entrano in gioco i satelliti. Alcuni dedicati allo scopo sono stati lanciati di recente, altri saranno presto pronti. Tra questi, degni di nota sono Carbon Mapper, nato da una partnership pubblico-privata in California, e MethaneSAT, realizzato da una filiale dell’Environmental Defense Fund. In quest’ultimo caso, si può evidenziare l’importanza dell’intelligenza artificiale contro le emissioni fuggitive di metano grazie alla combinazione virtuosa tra satellite e AI.

L’obiettivo primario della missione MethaneSAT è caratterizzare le emissioni di metano prodotte dall’attività mondiale relativamente al settore petrolifero. Per questo, come illustra il team di ricerca dell’Harvard University Center for the Environment è stato adottato un approccio ispirato alle tecniche di machine learning per la pianificazione del target per MethaneSAT. Si cercano nel mondo le fonti di metano rilevanti utilizzando una combinazione tra informazioni precedenti e quelle ottenute dalle osservazioni satellitari. Viene individuato uno specifico target in modo che il satellite scopra efficientemente i grandi emettitori di metano in tutto il mondo.

I satelliti in orbita e pianificati per il lancio nei prossimi anni possono rilevare e quantificare le emissioni. Ma l’essenziale, per attribuirle alle loro fonti a terra, è contare su un database completo delle posizioni e delle caratteristiche delle fonti di emissione in tutto il mondo. A questo proposito lavorano alcuni scienziati della Stanford University e dell’Environment Defense Fund, i quali hanno individuato algoritmi di deep learning che sfruttano le immagini aeree ad alta risoluzione liberamente disponibili per rilevare automaticamente le infrastrutture di petrolio e gas.

Così è stato concepito e finalizzato l’algoritmo OGNet, utilizzato per identificare le posizioni delle raffinerie e dei terminali petroliferi negli Stati Uniti. L’impiego del deep learning è stato possibile anche grazie alla recente, straordinaria, disponibilità di immagini satellitari e aeree ad alta risoluzione.

Intelligenza artificiale contro le emissioni fuggitive: l’importanza dell’International Methane Emissions Observatory

Sempre per fornire un contributo alla riduzione delle emissioni di metano è nato IMEO – International Methane Emissions Observatory. Si tratta di un’iniziativa data driven istituita dall’UNEP con il sostegno dell’Unione europea e in collaborazione con la stessa IEA.

IMEO delinea le priorità alle azioni da intraprendere e monitora quanto si sta facendo in merito al Global Methane Pledge, impegno preso da più di 110 paesi per ridurre queste emissioni secondo l’obiettivo stabilito alla COP26. Raccoglie dati da varie fonti, tra cui i rapporti delle aziende attraverso l’Oil and Gas Methane Partnership (OGMP 2.0), le misurazioni dirette da studi di esperti, le osservazioni satellitari e gli inventari nazionali. L’obiettivo è integrare queste fonti multiple di dati eterogenei in una piattaforma integrata coerente e rilevante dal punto di vista politico.

Particolarmente importante è il database OGMP 2.0, creato dalla Climate and Clean Air Coalition nel 2014 come iniziativa volontaria per aiutare le aziende a ridurre le emissioni di metano nel settore del petrolio e del gas. Essa è l’unica struttura di reporting completa e basata sulla misurazione per il settore del petrolio e del gas, e le sue 74 aziende membri rappresentano una consistente quota di operatori del mondo, con attività che costituiscono più del 30% di tutta la produzione di petrolio e gas.

Una volta raccolti questi dati, da satelliti, droni e altri strumenti, entra in gioco l’intelligenza artificiale contro le emissioni fuggitive di metano. I dati saranno integrati secondo una gerarchia di livelli, fornendo un modo sistematico per valutare la loro integrità, trasparenza e rilevanza. Mediante tecniche di data science, Big Data Analytics e machine learning, si lavorerà a riconciliare le incongruenze e identificare le lacune ottimizzando quanto più precisamente i risultati finali.

Analisi predittiva per prevedere le perdite: la centralità dell’intelligenza artificiale

C’è poi un’altra forma di impiego delle tecniche di intelligenza artificiale contro le emissioni fuggitive di metano. L’analisi predittiva può aiutare a identificare le fuoriuscite di petrolio subito dopo – e a volte anche prima – che si verifichino, dando alle aziende tempo prezioso per minimizzare il danno [per approfondimenti sull’AI, consigliamo la lettura della nostra guida all’intelligenza artificiale che spiega cos’è, a cosa serve e quali sono gli esempi applicativi – ndr].

In questo senso, il National Energy Technology Laboratory (NETL) – laboratorio nazionale del Dipartimento dell’Energia degli Stati Uniti – ha sviluppato la suite Offshore Risk Modelling (ORM). Essa è nata per valutare e ridurre il rischio di eventi riguardanti la fuoriuscita di petrolio. La suite offre strumenti di modellazione e visualizzazione digitale in grado di simulare scenari di fuoriuscita. Utilizza tecniche di machine learning per gestire informazioni riguardanti le correnti oceaniche, la disponibilità di risposta alle emergenze e persino il comportamento delle particelle di petrolio nell’acqua. Le soluzioni ORM possono anche identificare la pressione durante le attività di perforazione e valutare l’integrità delle infrastrutture offshore.

Negli ultimi anni, l’impiego dell’intelligenza artificiale in campo oil & gas per ridurre considerevolmente le emissioni di metano ha fornito risultati eccellenti. Un esempio lo offre il colosso petrolifero BP. Nel 2017 si è affidata alla statunitense Kelvin, creatrice di applicazioni AI, per testare la riduzione delle emissioni di metano presso i pozzi di estrazione di petrolio. La società IT ha installato una serie di sensori e di telecamere per il rilevamento presso il campo Wamsutter, negli Stati Uniti. I dati in tempo reale sul campo sono stati trasmessi dai sensori al sistema AI della Kelvin, che ha prodotto simulazioni, anche grazie alla possibilità di impiegare dati storici della BP relativi al sito specifico.

Sei mesi dopo l’attività, i risultati sono stati sorprendenti: è stata registrata una riduzione del 74% delle perdite di metano. Il risultato è stato possibile grazie alla manutenzione predittiva che ha anticipato i guasti alle attrezzature, consentendo agli operatori di Wamsutter di mitigarli. BP non solo ha ridotto le sue emissioni di gas serra, ma anche i volumi di produzione locali sono aumentati del 20% mentre i costi operativi sono stati ridotti del 22%.