Samref, Aramco & ExxonMobil: Isyarat Baharu Untuk AI Downstream

AI dalam Minyak & Gas / Tenaga (Petronas & Utiliti Utama)••By 3L3C

Samref, projek Aramco–ExxonMobil, tunjuk hala tuju baharu downstream: minyak‑ke‑kimia, kecekapan tenaga dan emisi rendah – semua dipacu AI. Inilah implikasinya untuk Malaysia.

AI minyak dan gasdownstreampetrokimiapengoptimuman tenagapengurangan emisiPETRONASpredictive maintenance
Share:

Samref, Aramco & ExxonMobil: Isyarat Baharu Untuk AI Downstream

Pada 11/12/2025, Aramco dan ExxonMobil umum rancangan menilai naik taraf kilang penapisan Samref di Yanbu, Arab Saudi, dengan visi menjadikannya kompleks petrokimia bersepadu. Kapasiti sedia ada: kira‑kira 400,000 tong sehari dengan 13.2 juta tong kapasiti storan.

Ini bukan sekadar projek pembesaran loji. Ini tanda jelas arah baharu downstream global: penukaran minyak mentah kepada bahan kimia bernilai tinggi, kecekapan tenaga, dan pengurangan emisi – semuanya memerlukan tahap analitik data dan kecerdasan buatan (AI) yang jauh lebih matang.

Bagi pemain seperti PETRONAS, TNB, Sabah Energy, Sarawak Energy dan utiliti besar lain di Malaysia, projek Samref ini ialah cermin masa depan: siapa yang menguasai AI dalam operasi downstream akan menguasai margin, kelestarian dan daya saing serantau.

Artikel ini kupas apa sebenarnya Aramco dan ExxonMobil sedang bina di Samref, kenapa ia penting untuk landskap tenaga serantau, dan bagaimana syarikat di Malaysia boleh menggunakan AI untuk mengejar – atau memintas – model sebegini.

1. Apa Yang Aramco & ExxonMobil Sedang Lakukan di Samref?

Samref hari ini ialah kilang penapisan bersama (JV) milik sama rata Aramco dan ExxonMobil. Fokus utama: petrol, diesel, heating oil, jet fuel, LPG dan produk lain.

Sekarang, kedua‑dua syarikat bersetuju untuk menilai pelan menaik taraf Samref kepada kompleks petrokimia bersepadu. Secara ringkas, ada tiga objektif besar:

  1. Tingkatkan penukaran minyak mentah kepada bahan kimia bernilai tinggi
  2. Naik taraf kecekapan tenaga dan kurangkan emisi operasi
  3. Perkukuh daya saing jangka panjang kilang dalam pasaran produk hiliran bernilai tinggi

Aramco menyatakan mereka akan memulakan fasa preliminary front-end engineering and design (pre-FEED) untuk menilai:

  • opsyen pelaburan modal (capex)
  • strategi pengurangan emisi secara menyeluruh
  • integrasi proses minyak–petrokimia bagi memaksimumkan nilai setiap tong minyak

“Direka untuk meningkatkan penukaran minyak mentah dan cecair petroleum kepada bahan kimia bernilai tinggi… dan mengurangkan emisi melalui strategi pengurangan bersepadu.” – Dirumus daripada kenyataan Aramco

Bahasa mudahnya: kurang bergantung pada commodity fuels, lebih banyak produk kimia bernilai tinggi, dengan jejak karbon yang lebih rendah.

2. Dari Bahan Api ke Kimia Bernilai Tinggi – Kenapa Ini Penting?

Peralihan Samref daripada fokus utama bahan api kepada kompleks minyak‑ke‑kimia berkait rapat dengan dua trend besar:

  1. Permintaan bahan api pengangkutan yang semakin rata / perlahan (kenderaan elektrik, dasar iklim)
  2. Permintaan petrokimia yang terus meningkat, terutamanya untuk plastik kejuruteraan, bahan kimia khas dan bahan canggih

Bagi syarikat minyak & gas, ini memberi implikasi terus kepada model perniagaan:

  • Margin refining only semakin tertekan
  • Produk petrokimia bernilai tinggi memberi margin lebih tebal dan kurang turun naik
  • Pelaburan besar hanya berbaloi jika operasi sangat cekap dan kos terkawal – di sinilah AI dan analitik lanjutan memainkan peranan

Dalam konteks Malaysia, arah ini selari dengan apa yang sedang berlaku di:

  • Pengerang Integrated Complex (PIC) – integrasi penapisan dan petrokimia
  • Loji‑loji petrokimia di Kerteh, Gebeng dan Sipitang

Bezanya, gelombang baharu seperti Samref ini datang dengan satu lagi lapisan: automasi pintar dan AI sebagai tunjang keputusan operasi.

3. Di Mana AI Masuk? 5 Ruang Kritikal Dalam Projek Seperti Samref

Projek naik taraf Samref banyak bercakap tentang kecekapan tenaga, pengurangan emisi, dan penghasilan bahan kimia bernilai tinggi. Ketiga‑tiga keutamaan ini hampir mustahil dicapai secara konsisten tanpa ekosistem data & AI yang matang.

Berikut lima ruang utama di mana AI biasanya memberi impak dalam kompleks seperti ini – dan sama relevan untuk pelabur serta operator di Malaysia.

3.1 Pengoptimuman Tenaga Masa Nyata

Untuk kilang besar, bil tenaga boleh mencecah 30–50% kos operasi. AI boleh:

  • menganalisis ribuan titik data (suhu, tekanan, aliran) setiap saat
  • cari set point optimum bagi relau, penukar haba, pam dan kompresor
  • kurangkan penggunaan tenaga 5–10% tanpa capex besar

PETRONAS dan beberapa utiliti tempatan sudah mula guna model AI untuk energy optimization di loji jana kuasa dan kilang LNG. Pendekatan sama boleh digunakan untuk:

  • heat integration di penukar haba
  • pengurusan beban elektrik dalaman
  • penjadualan operasi unit intensif tenaga

3.2 Pengurangan Emisi Secara Sistematik

Samref menekankan "strategi pengurangan emisi bersepadu".

AI boleh menyokong dengan:

  • model digital twin yang mensimulasikan emisi CO₂, NOx, SOx, VOC untuk setiap senario operasi
  • pengesanan kebocoran (LDAR) berasaskan computer vision menggunakan kamera dan dron
  • pengoptimuman flare dan pembakaran bahan api dalaman

Untuk syarikat yang mempunyai sasaran net‑zero atau Scope 1 & 2 reduction, gabungan sensor, IoT dan AI menjadikan emisi boleh diurus seperti KPI kewangan – bukan sekadar angka dalam laporan tahunan.

3.3 Perancangan Pengeluaran & Penjadualan Berasaskan Data

Apabila kilang beralih daripada bahan api mass‑market kepada produk petrokimia pelbagai gred, kerumitan operasi melonjak:

  • lebih banyak grade change
  • lebih banyak sekatan teknikal (purity, suhu, tekanan)
  • lebih banyak kekangan logistik dan storan

Model AI prescriptive analytics boleh:

  • cadangkan jadual pengeluaran yang memaksimumkan margin bersih
  • mengimbangi permintaan kontrak jangka panjang vs pasaran spot
  • kurangkan masa henti dan kerja penukaran gred

Ini secara langsung meningkatkan pulangan atas pelaburan (ROI) untuk projek bernilai berbilion ringgit seperti Samref – atau mana‑mana kompleks petrokimia di Malaysia.

3.4 Penyelenggaraan Prediktif (Predictive Maintenance)

Tiada siapa mahu unit cracker atau reformer utama tersangkut tanpa amaran. AI membolehkan:

  • ramalan kegagalan pam, kompresor, turbin berdasarkan data getaran, suhu, tekanan
  • perancangan turnaround lebih tepat
  • pengurangan unplanned downtime yang boleh mencecah jutaan ringgit sehari

PETRONAS sudah mengaplikasikan predictive maintenance di beberapa aset utama huluan dan LNG. Downstream & petrokimia ialah sambungan semula jadi seterusnya.

3.5 Pengurusan Rantaian Bekalan Petrokimia

Apabila Aramco meluaskan jaringan ke Filipina dan China, jelas sekali rantaian bekalan rentas negara menjadi faktor kritikal.

AI menyokong dengan:

  • ramalan permintaan mengikut negara, sektor dan musim
  • pengoptimuman inventori dan kapasiti storan
  • pemilihan laluan penghantaran dengan kos dan emisi lebih rendah

Bagi pemain Malaysia yang mengeksport ke ASEAN, Asia Timur atau Asia Selatan, penggabungan AI supply chain dengan operasi kilang akan menjadi pembeza utama berbanding pesaing serantau.

4. Apa Maksudnya Untuk Malaysia: PETRONAS & Utiliti Besar

Projek Samref sebenarnya selari dengan beberapa langkah strategik yang sudah kita nampak di rantau ini:

  • integrasi penapisan–petrokimia di Pengerang
  • penekanan ESG dan sasaran karbon oleh GLC tenaga
  • pelaburan dalam pusat data, 5G dan cloud yang memudahkan pengembangan AI industri

4.1 Dari Projek Individu ke Strategi AI Downstream Nasional

Banyak syarikat di Malaysia sudah ada:

  • projek PoC AI kecil (contoh: model ramalan kegagalan pam di satu loji)
  • dashboard OEE dan aset utama

Masalah biasa yang saya nampak bila bercakap dengan pasukan operasi:

  • projek terpencil, tak berskala
  • model tak diurus selepas fasa awal
  • ownership data dan AI terpecah antara IT, OT dan vendor

Projek sebesar Samref hanya akan berjaya kalau wujud strategi AI menyeluruh untuk downstream:

  • arkitektur data industri yang jelas (PI, DCS, LIMS, ERP semua bercakap bahasa yang sama)
  • platform analitik / AI bersepadu, bukan ratusan skrip tunggal
  • governance yang tentukan siapa buat apa, di mana manfaat dikira dan dikongsi

4.2 Peluang Konkret Untuk Pemain Malaysia

Beberapa ruang praktikal yang boleh dimulakan dalam 6–18 bulan:

  1. Audit kecekapan tenaga berasaskan data
    Guna AI untuk analisis historical data dan cadang pelarasan operasi yang segera boleh dilaksana tanpa capex besar.

  2. Program penyelenggaraan prediktif untuk aset kritikal
    Fokus pada 20% aset yang menyumbang 80% risiko downtime.

  3. Digital twin untuk unit utama
    Mulakan dengan satu unit bernilai tinggi (contoh: hydrocracker, reformer, steam cracker) dan bina model proses + ekonomi + emisi.

  4. Pusat Kecemerlangan (CoE) AI industri
    Kumpul jurutera proses, pakar data dan IT/OT dalam satu pasukan lintas fungsi. Ini jauh lebih berkesan berbanding menyerahkan semua kepada vendor luar.

  5. Perkongsian dengan universiti & startup tempatan
    Banyak algoritma generik sedia ada; cabaran sebenar ialah domain adaptation dan integrasi dengan DCS/SCADA sedia ada – ruang yang sesuai untuk ekosistem tempatan.

5. Bagaimana Mengelakkan 3 Kesilapan Besar Dalam Projek AI Downstream

Ramai pengurus operasi dan C‑suite sudah tertarik dengan naratif "AI dalam minyak & gas". Tapi di lapangan, saya sering nampak tiga kesilapan yang sama berulang.

5.1 Fokus Terlalu Banyak Pada Teknologi, Terlalu Sedikit Pada Kasus Perniagaan

AI hanya wajar di mana:

  • terdapat masalah bernilai tinggi (tenaga, downtime, yield)
  • data mencukupi dan berkualiti
  • proses operasi boleh diubah berdasarkan output model

Gunakan logik mudah:
Use case AI = (Kos masalah tahunan) × (Potensi % penjimatan) – Kos pelaksanaan

Jika angka tak meyakinkan di atas kertas, projek itu tak wajar dilaksana lagi.

5.2 Mengabaikan Pengetahuan Jurutera Proses

Model AI yang baik menggabungkan data + pengetahuan proses.
Jika vendor datang dengan pendekatan "black box" penuh, tanpa libatkan jurutera proses dalaman, risiko kegagalan tinggi.

Pendekatan yang lebih sihat:

  • jurutera proses bantu tafsir feature utama
  • gunakan physics-informed models bila sesuai
  • pastikan output model mudah difahami operator di bilik kawalan

5.3 Tiada Rancangan ‘Operationalisation’ Yang Jelas

AI yang hanya hidup dalam PowerPoint atau dashboard tanpa tindakan sebenar tidak membawa nilai.

Pastikan sebelum projek bermula, soalan‑soalan ini sudah dijawab:

  • Bagaimana output model mengubah keputusan harian?
  • Siapa bertanggungjawab memantau dan mengesahkan model?
  • Apa metrik kejayaan (penjimatan tenaga, pengurangan emisi, pengurangan downtime)?

6. Apa Langkah Seterusnya Untuk Pemimpin Tenaga di Malaysia?

Samref ialah satu contoh bagaimana gergasi global memposisikan diri untuk masa depan downstream: lebih banyak kimia bernilai tinggi, kecekapan tenaga lebih ketat, dan emisi yang lebih rendah.

Untuk Malaysia, persoalan utamanya bukan lagi "perlu AI atau tidak", tetapi:

  • aset mana yang paling kritikal untuk diberi AI dahulu?
  • berapa cepat kita boleh bergerak tanpa mengorbankan keselamatan dan kebolehpercayaan?
  • siapa rakan teknologi, universiti dan vendor yang paling sesuai menyokong perjalanan ini?

Jika anda berada di PETRONAS, utiliti negeri, atau syarikat petrokimia tempatan, tingkap peluang beberapa tahun akan datang sangat penting. Projek seperti Samref mencipta penanda aras baharu. Syarikat yang bertindak awal dalam AI downstream dan pengoptimuman tenaga akan berada di hadapan apabila pasaran menekan marjin dan peraturan emisi semakin ketat.

Sekarang masa yang baik untuk:

  • pilih 2–3 kilang atau unit utama sebagai tapak perintis AI
  • tetapkan sasaran jelas (contoh: -8% intensiti tenaga dalam 24 bulan)
  • bina pelan data, teknologi dan bakat yang realistik

Tenaga masa depan bukan sekadar soal siapa ada rizab terbesar. Ia tentang siapa yang paling bijak mengubah setiap tong minyak dan setiap kWh kepada nilai, dengan emisi yang makin berkurang tahun demi tahun.