Samref, AI & Masa Depan Petrokimia Rendah Emisi

Pada 2025, satu tren ketara muncul dalam industri minyak & gas global: pelaburan besar dalam kompleks petrokimia terintegrasi yang disokong data dan kecerdasan buatan (AI). Projek cadangan Aramco–ExxonMobil di Samref, Yanbu, Arab Saudi ialah contoh yang sangat jelas – dan ada banyak pelajaran yang relevan terus untuk Petronas dan pemain tenaga di Malaysia.

Refineri Samref hari ini memproses sekitar 400,000 tong sehari dan menyimpan sehingga 13.2 juta tong. Aramco dan ExxonMobil kini sedang menilai untuk menaik tarafnya menjadi kompleks petrokimia bersepadu dengan fokus pada produk bernilai tinggi dan pengurangan emisi. Di sebalik bahasa korporat dan nombor besar, mesej strategik mereka sebenarnya mudah: nilai downstream mesti datang bersama kecekapan tenaga dan teknologi digital yang pintar.

Artikel ini mengupas apa yang berlaku di Samref, kenapa ia penting, dan bagaimana pendekatan yang sama — berasaskan AI dan data — sedang dan patut digunakan oleh pemain seperti Petronas serta utiliti utama di Malaysia.

---

1. Kenapa Samref Menjadi Contoh Strategi Downstream Baharu

Samref sedang beralih daripada hanya refineri kepada kompleks petrokimia bernilai tinggi yang berfokuskan emisi rendah. Ini ialah arah yang sama diambil banyak syarikat minyak nasional dan syarikat antarabangsa besar.

Beberapa poin utama daripada rancangan Samref:

• Naik taraf ke kompleks petrokimia terintegrasi
• Tingkatkan penghasilan distilat berkualiti tinggi yang lebih rendah emisi
• Hasilkan bahan kimia berprestasi tinggi untuk pasaran petrokimia global
• Menambah baik kecekapan tenaga dan mengurangkan emisi operasi

Mohammed Y. Al Qahtani (Presiden Downstream Aramco) menyebut projek ini direka untuk meningkatkan penukaran minyak mentah dan cecair petroleum kepada bahan kimia bernilai tinggi. Dari sudut bisnes, ini ialah langkah logik: margin rafinasi sahaja sudah tak begitu menarik, tetapi petrokimia dan bahan kimia khusus masih menawarkan pertumbuhan jangka panjang.

Apa kaitannya dengan Malaysia?

Pemain seperti Petronas sudah pun berada pada laluan yang sama:

• Bergerak daripada hanya jual minyak mentah dan bahan bakar kepada rantaian nilai penuh petrokimia
• Menekan kos operasi melalui analitik masa nyata dan AI
• Mengurangkan intensiti karbon melalui optimisasi tenaga berasaskan data

Samref menunjukkan arah global: siapa yang menguasai downstream bernilai tinggi + operasi efisien + emisi rendah akan menang. AI ialah pemangkin penting di ketiga-tiga aspek ini.

---

2. Di Mana AI Masuk: Dari Reka Bentuk Hingga Operasi Kompleks Petrokimia

Kompleks petrokimia moden tak lagi boleh diurus secara manual penuh. Skala, kerumitan, sasaran emisi, dan tekanan kos memerlukan automasi pintar. Di sinilah AI memberi kelebihan yang sukar ditandingi.

2.1 Fasa reka bentuk: dari FEED ke “AI-informed FEED”

Aramco–ExxonMobil akan memulakan preliminary Front-End Engineering & Design (FEED) untuk projek Samref. Pada tahap inilah syarikat termaju mula mengguna:

• AI untuk simulasi proses: mensimulasikan pelbagai konfigurasi unit proses (distilasi, cracking, reforming, aromatik, olefin) bagi memilih kombinasi paling optimum dari segi margin dan emisi.
• Digital twins awal: bina model maya refineri–petrokimia untuk menilai senario: variasi jenis crude, perubahan harga produk, had emisi masa depan.
• Optimisasi CAPEX: algoritma boleh membanding ribuan senario pelaburan dan menghadkan risiko stranded asset apabila polisi iklim makin ketat.

Bagi syarikat di Malaysia, pendekatan yang sama boleh digunakan untuk projek baharu atau penambahbaikan loji sedia ada: gunakan AI sejak fasa perancangan, bukan hanya selepas loji siap.

2.2 Fasa operasi: AI sebagai “otak” kilang

Apabila kompleks beroperasi, AI menyumbang secara langsung kepada:

1. Optimisasi tenaga masa nyata

   • Model AI menala set point proses (tekanan, suhu, kadar alir) untuk meminimumkan penggunaan gas bahan bakar dan elektrik.
   • Biasanya, projek optimisasi tenaga berasaskan AI boleh menurunkan konsumsi tenaga 3–10% di kompleks besar — dalam operasi ratusan ribu tong sehari, ini ratusan juta ringgit setahun.

2. Pengurusan emisi

   • Pemantauan emisi cerobong dan flare secara masa nyata.
   • AI mengesan corak operasi yang menyebabkan “spike” emisi CO₂, NOₓ, SOₓ dan cadangkan pelarasan automatik.
   • Integrasi dengan strategi carbon intensity per barrel yang kini menjadi KPI di banyak syarikat minyak.

3. Kualiti produk dan hasil petrokimia

   • Model prediktif menjaga spesifikasi gasoline, diesel, jet fuel dan bahan kimia supaya sentiasa dalam julat yang memberi margin tertinggi.
   • AI boleh mengalih aliran feedstock secara dinamik ke unit yang memberi gabungan hasil paling bernilai mengikut harga pasaran harian.

4. Automasi operasi kompleks

   • Operator bukan lagi “tukang tekan butang” semata; mereka menjadi penyelia sistem AI.
   • AI mengurus ratusan loop kawalan dan menyokong pengambilan keputusan taktikal dalam bilik kawalan.

Di Malaysia, banyak loji dan stesen jana kuasa sudah mula mengguna pendekatan sebegini. Bezanya, projek seperti Samref menjadikannya sebagai komponen teras strategi, bukan projek percubaan.

---

3. Dari Rabigh ke Filipina ke China: Corak Pelaburan Aramco & Pengajaran untuk Malaysia

Kalau kita lihat senarai pelaburan downstream Aramco kebelakangan ini, coraknya konsisten: pengembangan rangkaian petrokimia terintegrasi dan runcit bernilai tinggi.

Beberapa langkah utama:

• Tambah pegangan kepada 60% dalam Petro Rabigh – sebuah kompleks penapisan dan petrokimia terintegrasi.
• Ambil 25% dalam Unioil Petroleum Philippines – akses kepada lebih 175 stesen runcit dan 4 terminal simpanan.
• Bentuk JV di China untuk kompleks dengan kapasiti penapisan 320,000 tong sehari dan pengeluaran etilena 1.5 juta tan setahun.

Semua ini ialah contoh bagaimana syarikat minyak nasional besar membina ekosistem downstream serantau dan global.

Bagaimana AI menyatukan semua aset ini?

Dalam rangkaian kompleks seperti ini, AI digunakan untuk:

• Perancangan bekalan (supply planning): tentukan dari mana crude dibawa, ke loji mana, dan produk akhir dihantar ke pasaran mana untuk memaksimumkan margin.
• Optimisasi rantaian nilai (value chain optimization): dari telaga ke stesen minyak, setiap langkah dipantau dan dioptimumkan secara algoritma.
• Pengurusan risiko pasaran: integrasi model harga komoditi dengan model operasi untuk tentukan strategi operasi yang paling tahan turun naik harga.

Bagi Malaysia, dengan tapak seperti RAPID Pengerang, Kompleks Petrokimia Kerteh, serta jaringan loji jana kuasa dan terminal LNG, peluang untuk membina rangkaian dioptimumkan AI di peringkat nasional sangat besar.

---

4. Menghubungkan Samref dengan Realiti Petronas & Utiliti Malaysia

Apa yang dilakukan Aramco–ExxonMobil di Samref selari dengan apa yang ramai jurutera dan pengurus di Malaysia sedang cuba capai: operasi yang lebih selamat, lebih cekap, dan lebih rendah emisi menggunakan AI.

4.1 Contoh kes penggunaan AI yang sudah relevan di Malaysia

Beberapa aplikasi yang sudah biasa di peringkat global dan makin meluas di sini:

• Modeling reservoir berasaskan AI
  Menambah baik unjuran pengeluaran dan seni bina telaga, menghasilkan pelan pengeluaran yang lebih stabil dan kurang pembaziran tenaga.

• Predictive maintenance untuk loji dan platform
  Sensor pada pam, turbin dan kompresor digabung dengan model AI untuk meramal kegagalan sebelum ia berlaku. Ini:

  • Mengurangkan downtime tak dirancang
  • Mengelak insiden keselamatan
  • Menjimatkan kos kerja kecemasan

• AI untuk optimisasi grid dan jana kuasa
  Utiliti utama boleh menala unit jana kuasa gas, hidro dan tenaga boleh baharu dengan kombinasi model ramalan beban, ramalan cuaca dan had emisi.

• Pemantauan keselamatan masa nyata
  Analitik video dan sensor IoT untuk mengesan tingkah laku tak selamat, gas bocor, atau zon panas secara automatik.

Inilah elemen yang sama akan menghidupkan kompleks seperti Samref, cuma pada skala jauh lebih besar.

4.2 Kenapa masih ramai syarikat lambat mengikut jejak ini?

Daripada pengalaman banyak projek digital industri, isu utama biasanya bukan teknikal:

• Data bertaburan dan tidak standard
  Data proses, penyenggaraan, dan kewangan tak dihubung; AI jadi sukar dilatih.

• Silo organisasi
  Pasukan operasi, IT dan kewangan jarang duduk satu meja untuk projek data besar.

• Takut ganggu operasi
  Banyak loji berjalan 24/7; mereka risau sebarang perubahan sistem akan menambah risiko.

Syarikat seperti Aramco dan ExxonMobil menang kerana mereka jadikan transformasi digital sebagai agenda lembaga pengarah, bukan projek sampingan. Untuk Petronas dan utiliti besar Malaysia, minda yang sama diperlukan kalau mahu kesan sebenar, bukan sekadar POC yang tak habis-habis.

---

5. Langkah Praktikal untuk Pemain Minyak & Tenaga di Malaysia

Berpandukan pelajaran dari Samref dan rangkaian pelaburan downstream Aramco, ada beberapa langkah praktikal yang saya rasa sangat relevan untuk pemain di Malaysia yang serius tentang AI dalam minyak & gas / tenaga.

5.1 Mulakan dengan aset bernilai tinggi, bukannya yang “mudah”

Ramai organisasi mulakan AI pada aset kecil kerana dianggap kurang risiko. Hasilnya? Kesan kewangan kecil, momentum dalaman tak terbina.

Sebaliknya:

• Pilih kompleks utama (contoh: kompleks petrokimia, loji jana kuasa besar, terminal LNG) sebagai tapak rintis.
• Fokus pada 2–3 kes penggunaan berimpak tinggi: contohnya, optimisasi tenaga, predictive maintenance, dan perancangan pengeluaran bersepadu.

5.2 Bangunkan “digital twin” untuk aset kritikal

Samref berpotensi besar memanfaatkan digital twin pada peringkat reka bentuk dan operasi. Syarikat di Malaysia boleh:

• Membina model proses menyeluruh untuk aset kritikal.
• Integrasikan data masa nyata (SCADA/DCS) ke dalam model itu.
• Gunakan digital twin sebagai “sandbox” untuk uji senario tanpa risiko kepada operasi sebenar.

5.3 Tetapkan KPI AI yang jelas dan terikat wang ringgit

Tanpa KPI kewangan, projek AI mudah berakhir sebagai dashboard cantik tanpa impak.

KPI yang praktikal termasuk:

• Penurunan konsumsi tenaga per unit produk (cth % penurunan MJ/ton atau GJ/bbl)
• Pengurangan downtime tak dirancang (jam/tahun)
• Penurunan intensiti karbon (kg CO₂e per bbl atau per MWh)
• Peningkatan margin operasi (USD/bbl atau RM/ton)

5.4 Bangunkan bakat hibrid: jurutera + data

Projek seperti Samref hanya berjaya bila ada orang yang faham dua dunia: proses dan AI.

• Latih jurutera proses untuk faham asas data sains dan AI.
• Bawa saintis data ke plant, bukan duduk di ibu pejabat sahaja.
• Wujudkan pasukan projek campuran: operasi, proses, IT/OT, kewangan.

---

Penutup: Dari Yanbu ke Pengerang – Masa Depan Downstream Adalah Digital & Rendah Emisi

Samref bukan sekadar projek naik taraf refineri. Ia simbol satu gelombang baharu: kompleks petrokimia terintegrasi yang dioptimumkan oleh AI, didorong data, dan diikat sasaran emisi yang makin ketat.

Bagi Malaysia, terutama dalam konteks “AI in Oil & Gas / Energy (Petronas & Major Utilities)”, mesej besarnya jelas:

• Nilai masa depan datang daripada downstream bernilai tinggi, bukan volum semata-mata.
• Kecekapan tenaga dan pengurangan emisi bukan kos tambahan; dengan AI, ia sumber penjimatan dan kelebihan kompetitif.
• Rangkaian aset — dari reservoir ke petrokimia ke stesen minyak atau grid — perlu diurus sebagai satu sistem pintar, bukan aset berasingan.

Soalannya sekarang: adakah syarikat anda akan menunggu sehingga model seperti Samref menjadi standard industri, atau mula merancang transformasi AI anda sendiri hari ini? Dalam dunia di mana margin semakin ketat dan peraturan karbon semakin ketat, melambatkan langkah bukan lagi pilihan yang selesa.