BP Atlantis & Pelajaran Untuk AI Operasi Petronas

BP Atlantis & Pelajaran Untuk AI Operasi Petronas

Sebanyak 15,000 tong minyak setara sehari ditambah ke kapasiti pengeluaran hanya dengan menghubungkan dua telaga baharu ke hab subsea sedia ada. Projek itu siap dua bulan lebih awal daripada jadual. Itu bukan kebetulan – itu tanda organisasi yang sangat cekap, berdisiplin, dan semakin bergantung kepada data serta automasi.

Inilah yang berlaku di medan Atlantis di Teluk Mexico yang dioperasikan oleh BP. Untuk pemain besar seperti Petronas dan utiliti tenaga serantau, projek seperti ini bukan sekadar berita industri – ia adalah benchmark bagaimana pengembangan lapangan, kecekapan projek dan teknologi seperti AI dalam oil & gas boleh digabungkan untuk capai sasaran pertumbuhan tanpa membazir CAPEX dan OPEX.

Dalam siri “AI dalam Oil & Gas / Energy (Petronas & Major Utilities)” ini, fokus kita ialah bagaimana contoh global boleh diterjemah kepada tindakan praktikal di Malaysia. BP bagi kita satu studi kes yang jelas: bagaimana disiplin operasi + teknologi cerdas = pengembangan pengeluaran yang pantas dan selamat.

Artikel ini akan kupas:

• Apa sebenarnya yang BP buat di Atlantis
• Faktor kecekapan yang membolehkan projek siap awal
• Di mana peranan AI dan analitik lanjutan
• Apa pelajaran praktikal untuk Petronas, pemain midstream/downstream dan utiliti tenaga di Malaysia

---

Apa Yang BP Capai di Atlantis – Dan Kenapa Ia Penting

Inti projek Atlantis Drill Center 1 Expansion cukup mudah: tambah pengeluaran dengan memanfaatkan infrastruktur sedia ada.

Fakta utama projek Atlantis

• Medan Atlantis ditemui pada 1998 dan telah beroperasi hampir 20 tahun
• Platform terapungnya adalah antara yang terdalam di Teluk Mexico (sekitar 7,074 kaki air)
• Kapasiti puncak diisytiharkan: 200,000 tong minyak dan 180 juta kaki padu gas sehari
• Projek pengembangan baharu menambah 15,000 boe/d melalui dua telaga tambahan
• Projek ini adalah startup utama ketujuh BP pada 2025, dan kelima yang siap lebih awal daripada jadual tahun ini

Ini menunjukkan sesuatu yang ramai syarikat masih bergelut: kematangan dalam mengurus aset matang (brownfield) secara menguntungkan. Ramai operator obses dengan penemuan baharu, tetapi sebahagian besar nilai sebenar datang daripada mengoptimumkan medan sedia ada.

Atlantis ialah contoh klasik:

• Aset lama, tetapi masih sangat produktif
• Tambah kapasiti tanpa perlu bina platform baharu
• Gunakan existing subsea inventory dan infrastruktur sedia ada

Di sinilah cerita ini mula dekat dengan konteks Petronas dan pemain tenaga Malaysia – kita juga ada banyak aset matang di luar pantai Sarawak, Sabah dan Terengganu yang perlukan strategi serupa.

---

Rahsia Projek Siap 2 Bulan Awal: Disiplin + Data

BP secara terbuka menyebut tiga faktor kenapa Atlantis Drill Center 1 siap awal:

1. Guna inventori subsea sedia ada
2. Penggerudian dan completion telaga yang lebih cekap
3. Perancangan pelaksanaan luar pesisir yang distrukturkan dengan baik

Di belakang tiga frasa ringkas ini, biasanya ada banyak sistem data, simulasi, dan automasi yang berjalan senyap. Di sinilah AI oil & gas mula memainkan peranan.

1. Guna inventori subsea sedia ada: kemenangan data rantaian bekalan

Untuk boleh pakai existing subsea inventory secara optimum, operator perlu ada:

• Visibiliti masa nyata terhadap stok peralatan subsea di pelbagai lokasi
• Model peramalan permintaan (demand forecasting) untuk komponen kritikal
• Optimasi logistik: komponen mana dihantar ke projek mana, bila dan dengan cara apa

AI dan analitik lanjutan banyak membantu di sini:

• Model machine learning untuk ramal lead time pembekal berdasarkan sejarah penghantaran
• Algoritma optimasi untuk minimakan kos logistik sambil kekalkan tarikh siap
• Sistem cadangan (recommendation system) untuk pilih kombinasi peralatan terbaik mengikut stok dan spesifikasi teknikal

Dalam konteks Malaysia, operator besar dan juga kontraktor perkhidmatan sering terperangkap dengan:

• Over-ordering sebab takut kehabisan stok
• Projek tergendala kerana satu komponen kritikal lambat sampai
• Inventori tinggi yang mengikat modal kerja

AI boleh kurangkan semua ini. Syarikat yang berjaya biasanya bermula dengan satu atau dua use case rantaian bekalan yang memberi impak jelas, kemudian berkembang.

2. Telaga digerudi dan disiapkan lebih efisien

Penggerudian ialah tempat di mana setiap jam = wang. Di rig air dalam, kadar sewa harian boleh mencecah ratusan ribu dolar. Pengurangan 5–10% masa non-productive (NPT) sahaja sudah memberi penjimatan juta-juta.

Dalam industri, saya sering nampak empat leverage point utama di sini:

• AI untuk penggerudian automatik separa (autonomous drilling): sistem menala parameter penggerudian (weight on bit, RPM, mud weight) secara dinamik untuk maksimumkan ROP tanpa mengorbankan keselamatan
• Analitik masa nyata untuk cegah stuck pipe, kicks dan kejadian tak diingini
• Predictive maintenance untuk pam, top drive, sistem hidraulik supaya rig downtime berkurang
• Simulasi telaga secara digital (digital twin) untuk merancang program penggerudian paling optimum sebelum rig bergerak

Bila BP kata mereka “mengerudi dan menyiapkan telaga dengan lebih efisien”, secara praktikal ia hampir pasti melibatkan:

• Penggunaan model peramalan risiko geologi berdasarkan data log dan sejarah telaga sekitar
• Optimization engine yang mengesyorkan drilling sequence dan casing design yang paling ekonomik
• Integrasi antara pasukan drilling, subsurface, completions melalui platform data tunggal

Petronas dan kontraktor penggerudian di rantau ini sebenarnya sudah bergerak ke arah ini, tetapi tahap integrasi data dan AI masih belum konsisten antara aset. Atlantis ialah contoh apa yang berlaku bila amalan baik ini jadi norma, bukan pilot.

3. Perancangan pelaksanaan luar pesisir yang distrukturkan

Operasi luar pesisir sangat sensitif kepada:

• Cuaca (gelombang, angin, arus)
• Ketersediaan vessel, helikopter, crew
• Simultaneous operations (SIMOPS) di platform yang sama

BP menyebut mereka “streamlining offshore execution planning”. Dalam bahasa operasi, ini bermakna:

• Kurangkan perubahan jadual saat akhir
• Minimumkan vessel idle time
• Kurangkan konflik aktiviti di platform yang sama

Di sinilah AI penjadualan (AI scheduling) dan optimasi sumber memberi nilai:

• Algoritma yang menjana jadual optimum bagi vessel, crew dan rig berdasarkan ribuan kekangan
• Model peramalan cuaca laut yang digabungkan ke dalam jadual kerja
• Simulasi “what-if” bila ada kelewatan, supaya pasukan boleh cepat pilih rancangan alternatif

Bagi operator Malaysia, ini sangat relevan untuk projek luar pesisir di Sabah dan Sarawak yang bergantung kuat kepada vessel dan helikopter. Banyak gantung kepada “planner berpengalaman” – dan ya, pengalaman penting – tetapi kombinasi pengalaman + AI jauh lebih kuat.

---

Di Mana AI Sebenarnya Bermain Dalam Cerita Ini?

BP tak sebut perkataan “AI” dalam kenyataan rasmi projek Atlantis ini. Tetapi kalau kita lihat trend dalaman syarikat oil & gas global, corak yang sama sentiasa muncul: projek siap lebih awal, NPT menurun, pengeluaran naik – semuanya digerakkan oleh pengurusan data dan model AI di belakang tabir.

Beberapa blok AI yang biasanya menyokong projek seperti Atlantis:

AI untuk subsurface & perancangan telaga

• Reservoir modelling berasaskan AI: model yang dilatih dengan data sejarah pengeluaran, tekanan dan seismik untuk ramal tingkah laku reservoir
• Optimasi lokasi telaga: algoritma mencari kombinasi lokasi dan trajektori telaga yang memaksimumkan recovery dan pulangan ekonomi

AI untuk operasi harian platform dan subsea

• Predictive maintenance untuk peralatan subsea dan topside: pam, kompresor, injap, sistem elektrik
• Anomali detection pada data sensor untuk kesan kebocoran kecil atau masalah integriti sebelum jadi isu besar

AI untuk keselamatan dan risiko

• Pemantauan HSE berasaskan video dan sensor untuk kesan tingkah laku tidak selamat
• Model peramalan risk score bagi aktiviti luar pesisir tertentu

Bila semua blok ini bergabung, hasilnya bukan sekadar “AI di sana sini”, tetapi satu rantaian keputusan berasaskan data dari reservoir sampai ke eksport.

---

Apa Pelajaran Untuk Petronas dan Pemain Tenaga Malaysia?

Bagi Petronas, TNB, Sabah Energy, Sarawak Energy atau IPP besar, ada tiga pelajaran praktikal daripada Atlantis yang relevan untuk 2026–2030.

1. Fokus kepada nilai di aset matang, bukan hanya projek baharu

Atlantis sudah hampir dua dekad beroperasi, tetapi BP masih menambah nilai besar melalui pengembangan terancang. Di Malaysia, banyak medan matang masih ada potensi melalui:

• Enhanced Oil Recovery (EOR) berasaskan model AI untuk sasarkan corak suntikan terbaik
• Pengoptimuman rangkaian pengeluaran: tekanan, kadar pengeluaran, dan routing gas/minyak agar lebih efisien
• Retrofit digital platform lama dengan sensor tambahan dan infrastruktur data

AI di sini membantu mengutamakan intervensi yang memberi impak ekonomi tertinggi, bukannya pendekatan “sembur dan lihat apa jadi”.

2. Standardkan AI dari “pilot” ke “cara kerja biasa”

Kejayaan seperti Atlantis datang bila pendekatan cekap menjadi standard, bukan projek percubaan. Untuk Petronas dan utiliti:

• Pilih 3–5 use case AI teras: predictive maintenance, perancangan pengeluaran, penjadualan kerja luar pesisir, optimasi tenaga
• Bangunkan platform data bersama yang menyatukan data operasi, rantaian bekalan, kewangan dan HSE
• Bentuk pasukan operasi + data science yang duduk sekali, bukan silo

Saya sering lihat projek AI gagal bukan kerana teknologi lemah, tetapi kerana tak diintegrasikan ke workflow sebenar. Operator klik sekali dua, kemudian kembali ke Excel. Atlantis menunjukkan nilai bila pendekatan efisien menjadi cara kerja harian.

3. Gandingkan sasaran pengeluaran dengan sasaran kecekapan AI

BP jelas dengan sasaran: sekitar satu juta boe/d di AS menjelang 2030. Di Malaysia, pemain utama juga ada sasaran pengeluaran dan kapasiti tenaga untuk Rancangan Malaysia akan datang.

Cara lebih matang untuk capai sasaran ini:

• Setkan sasaran AI yang konkret, contohnya:
  • Kurangkan NPT penggerudian 15% dalam 3 tahun dengan analitik masa nyata
  • Kurangkan shutdown tak dirancang 25% di loji jana kuasa dengan predictive maintenance
  • Tambah factor kapasiti turbin gas 3–5% melalui optimasi setpoint berasaskan AI
• Kaitkan sasaran ini terus dengan KPI projek dan bonus pengurusan

Bila AI dikaitkan dengan nombor yang jelas – masa siap projek, OPEX per boe, factor kapasiti loji – barulah budaya organisasi berubah.

---

Dari Teluk Mexico ke Laut China Selatan: Langkah Seterusnya

Cerita BP di Atlantis menunjukkan satu perkara penting: organisasi yang serius tentang data dan kecekapan boleh capai lebih banyak dengan infrastruktur yang sama. Tambah 15,000 boe/d tanpa bina platform baharu, siap dua bulan awal, dan menjadi sebahagian daripada rangka kerja global 10 projek huluan sehingga 2027.

Untuk Petronas dan utiliti tenaga di Malaysia, beberapa langkah praktikal yang boleh bermula hari ini:

1. Kenal pasti 3 aset utama (platform, kompleks loji atau rangkaian grid) yang paling sesuai untuk pengoptimuman berasaskan AI
2. Audit data operasi: apa yang sudah ada, apa yang kurang, dan bagaimana untuk standardkan format serta kualiti
3. Bentuk roadmap 24–36 bulan dengan kombinasi:
   • Quick wins: dashboard pemantauan, model predictive maintenance, optimasi jadual
   • Inisiatif jangka sederhana: digital twin aset kritikal, AI subsurface, automasi keputusan operasi
4. Wujudkan kerjasama dengan rakan teknologi yang faham domain oil & gas/tenaga, bukan sekadar pembekal alat AI generik

Tenaga di Malaysia sedang melalui fasa penting – permintaan kekal meningkat, tekanan dekarbonisasi bertambah, dan persaingan modal global semakin ketat. Syarikat yang menang bukan semestinya yang paling besar, tetapi yang paling cekap mengubah data menjadi keputusan operasi yang lebih baik.

Atlantis hanyalah satu contoh. Soalan sebenar untuk kita di rantau ini:

Kalau BP boleh tambah 15,000 boe/d dengan dua telaga dan infrastruktur sedia ada, apa yang boleh kita capai di aset kita sendiri bila AI menjadi tunjang cara kerja harian?