تقدم هذه الدراسة إطار عمل لتوأم رقمي مدرك للتحكم من أجل مراقبة وتحسين أنظمة النفط والغاز باستخدام تعلم الآلة والنماذج المستنيرة بالفيزياء، وقد تم تقييمه بناءً على مجموعات بيانات محاكاة ومرجعية.
مقالة بحثية
تطوير إطار عمل لتوأم رقمي مدرك للتحكم من أجل المراقبة والتحسين في الوقت الفعلي لأنظمة إنتاج النفط والغاز
في هذه المقالة
ملخص
الملخص
تُقترح في هذه الورقة إطارات عمل للتوأم الرقمي المدرك للتحكم من أجل تتبع وتحسين أنظمة إنتاج النفط والغاز. تدمج هذه الطريقة بين الشبكات العصبية الرسومية المكانية الزمانية، واستيعاب البيانات بنظام neural 4D-Var، والتحكم القائم على التعلم المعزز، والمؤثرات العصبية المستنيرة بالفيزياء (FNO ونموذج Neural operator). وقد استُخدمت مجموعات بيانات لأنظمة سيبرانية فيزيائية مرجعية (SWaT و WADI) ومجموعة بيانات محاكاة للنفط والغاز لتقييم إطار العمل. تُظهر النتائج، التي تم تأكيدها من خلال عدة تشغيلات مستقلة باستخدام مقاييس متوسطة، أداءً مُحسناً في تقدير الحالة، وكشف الشذوذ، وتحسين التحكم. ومع ذلك، يقتصر التقييم على مجموعات البيانات المرجعية والمحاكاة؛ مما يتطلب مزيداً من التحقق باستخدام بيانات صناعية فعلية للتأكد من إمكانية التطبيق العملي.
المقدمة
زادت الحاجة إلى شبكات نقل آمنة وفعالة للنفط والغاز نتيجة تزايد الطلب العالمي على الطاقة. ومع ذلك، فإن الحفاظ على موثوقية خطوط الأنابيب يواجه عوائق شديدة بسبب تدهور البنية التحتية وتزايد تعقيد الأنظمة. وفي هذا الصدد، جذبت تكنولوجيا التوأم الرقمي (DT) الاهتمام كاستراتيجية لإدارة دورة الحياة قائمة على البيانات، تتيح تقييم المخاطر، والصيانة التنبؤية، وتحسين الأنظمة في البيئات الصناعية1,2,3,4,5. وقد أدى التحول الرقمي في الأنظمة الصناعية، بانتقاله من الصيانة التفاعلية إلى اتخاذ القرارات الذكية القائمة على البيانات، إلى تعزيز الكشف عن الشذوذ والتنبؤ بالأعطال وموثوقية النظام6,7,8. وكانت تطبيقات التوأم الرقمي في تحسين العمليات، والصيانة التنبؤية، والتصنيع الذكي موضوعاً للعديد من الأبحاث؛ فعلى سبيل المثال، اقتُرحت نماذج قائمة على التوأم الرقمي للتحليل التنبؤي للأعطال10 وتقييم الأداء البيئي11، وتحسين الإنتاج القائم على التعلم العميق. كما استُخدمت التوائم الرقمية في صناعة النفط والغاز لتحسين المراقبة وتحديد الشذوذ من خلال نمذجة النظام، وتقييم الأداء، وتكامل بيانات المستشعرات المتعددة12,13,14,15.
على الرغم من هذه التطورات، تركز غالبية تقنيات التوأم الرقمي (DT) الحالية على ميزات منفصلة مثل المراقبة أو النمذجة أو الكشف عن الشذوذ، مع تكامل محدود للمزامنة والتحكم في الوقت الفعلي. تفتقر العديد من الأنظمة إلى التفاعل ثنائي الاتجاه وقدرات التعلم التكيفي، حيث تعمل كظلال رقمية ذات تدفق بيانات أحادي الاتجاه. ويكتسب هذا القصور أهمية خاصة في أنظمة النفط والغاز، حيث تتطلب الظروف الديناميكية وأنماط الأعطال المعقدة تعلماً وتحكماً مستمرين. علاوة على ذلك، فإن تقنيات الأنظمة السيبرانية الفيزيائية الحالية، والتي تقتصر في الغالب على التحليل غير المتصل بالإنترنت16، لا تدعم التحكم في الحلقة المغلقة في الوقت الفعلي في العمليات الصناعية المعقدة. وبالإضافة إلى ذلك، تعتمد النهج الحالية في وصف تفاعلات المستشعرات الموزعة بشكل أساسي على تقنيات التعلم الآلي والترشيح التقليدية، مع استخدام ضئيل للنماذج المتقدمة مثل الشبكات العصبية الرسومية المكانية والزمانية. كما يوجد نقص في الأبحاث المتعلقة باستخدام تقنيات تعلم المشغل (operator learning) لالتقاط الديناميكيات الفيزيائية غير الخطية، لا سيما في أنظمة إنتاج النفط والغاز17. ونتيجة لذلك، تعجز أنظمة التوأم الرقمي الموجودة عن دمج استيعاب البيانات في الوقت الفعلي والتحكم التكيفي أثناء نمذجة الارتباطات المكانية والزمانية المعقدة.
نظراً لأنها تحاكي إعدادات التحكم الصناعية، تُستخدم مجموعات البيانات المرجعية مثل SWaT وWADI بشكل متكرر للتحقق من صحة التقنيات القائمة على التوأمة الرقمية (DT) في الأنظمة السيبرانية الفيزيائية18. بالإضافة إلى ذلك، توفر التوائم الرقمية فوائد أكثر عمومية، مثل زيادة الإنتاجية، وتبادل أفضل للمعرفة، ونقل آمن للبيانات طوال العمليات الصناعية19,20. ويتم الاعتراف بشكل متزايد بإمكانياتها في إدارة السلامة، والمراقبة في الوقت الفعلي، والأتمتة الصناعية، لا سيما في الصناعات عالية المخاطر مثل النفط والغاز21,22,23. ومع ذلك، لا تزال هناك حاجة إلى حلول أكثر اكتمالاً وتكاملاً تدمج قدرات النمذجة والمراقبة والتحكم من أجل النشر العملي. وقد أرست دراسات التقييم، مثل تلك المذكورة في24,25، الأساس من خلال توضيح استخدامات وفوائد التوائم الرقمية في تحسين كفاءة العمليات وطريقة اتخاذ القرارات. يوضح الجدول 1 مقارنة بين الطرق الحالية المتعلقة بتصنيع النفط والغاز وإدارة التحكم26,27,28,29. ونظراً للمخاطر التشغيلية العالية والديناميكيات المعقدة لأنظمة إنتاج النفط والغاز، غالباً ما تكون طرق الصيانة التقليدية غير كافية لتحديد الشذوذ والاستجابة له بشكل سريع30,31,32,33. وعلى الرغم من تحسن إدارة السلامة والمراقبة عن بُعد في الآونة الأخيرة، لا تزال هناك حاجة إلى أنظمة ذكية يمكنها الاستشعار والتعلم والتحكم بشكل مستمر في الوقت الفعلي.
تقترح هذه الورقة بنية توأم رقمي مدركة للتحكم تجمع بين الشبكات العصبية الرسومية المكانية والزمانية، وتمثيل البيانات Neural 4D-Var، والمؤثرات العصبية المستنيرة بالفيزياء، والتحكم القائم على التعلم التعزيزي للتغلب على هذه الصعوبات. يؤسس النظام المقترح مسار عمل موحد لجمع البيانات، وتقدير الحالة، وكشف الشذوذ، وتحسين التحكم. وبينما تقوم الشبكات العصبية الرسومية المكانية والزمانية بتسجيل التفاعلات بين المستشعرات الموزعة، تُستخدم المؤثرات العصبية المستنيرة بالفيزياء، مثل Fourier Neural Operator وDeep Operator Network (Neural operator model)، لتمثيل ديناميكيات النظام غير الخطية والمعقدة. ويتيح التعلم التعزيزي تحكماً تكيفياً مغلق الحلقة، بينما يعمل تمثيل البيانات العصبي على تحسين دقة تقدير الحالة. وقد تم إثبات قابلية تعميم الطريقة المقترحة عبر البيئات الصناعية من خلال تقييمها باستخدام مجموعات بيانات أنظمة سيبرانية فيزيائية مرجعية (SWaT وWADI) وبيانات محاكاة للنفط والغاز. يتغلب هذا العمل على أوجه القصور الرئيسية في أنظمة التوأم الرقمي الحالية ويقدم حلاً قابلاً للتوسع والتكيف للمراقبة والتحسين في الوقت الفعلي في أنظمة إنتاج النفط والغاز من خلال دمج النمذجة والتعلم والتحكم في إطار عمل موحد.
البروتوكول
لا تتضمن هذه الدراسة أي مشاركين بشريين أو حيوانات تجارب. وتعد مجموعات البيانات المستخدمة (SWaT و WADI) مجموعات بيانات مرجعية متاحة للعموم، ولا تتضمن أي بيانات حساسة أو شخصية.
يؤسس النهج المقترح توأماً رقمياً واعياً بالتحكم، مما يتيح دمج خوارزميات التعلم العميق المتطورة، واستيعاب البيانات، والتقييم والتحسين المستمرين لأنظمة استخراج النفط والغاز وعمليات التحكم فيها. أولاً، يتم جمع بيانات أجهزة الاستشعار متعددة الوسائط في الوقت الفعلي من البنية التحتية للإنتاج الموزعة جغرافياً، ونمذجتها باستخدام هيكل رسومي (graph structure) يحدد الاتصال والتفاعلات بين مكونات الإنتاج. بعد ذلك، يتم توظيف المؤثرات العصبية المستنيرة بالفيزياء (physics-informed neural operators) لبناء تقريبات على مستوى المؤثر للمعادلات الحاكمة لتدفق متعدد الأطوار غير خطي، مما يسهل عملية المحاكاة القابلة للتوسع داخل التوأم الرقمي. وقد استُخدم مصطلح "نموذج المؤثر العصبي" (Neural operator model) في هذا البحث للإشارة إلى الشبكة العميقة للمؤثرات (Deep Operator Network). ومن أجل دمج التبعيات المكانية والزمانية بين أصول الإنتاج الموزعة جغرافياً، يتم تدريب الشبكات العصبية الرسومية المكانية والزمانية ضمن التمثيلات المستنيرة بالفيزياء. كما يُطبق نهج قابل للتفاضل لاستيعاب البيانات باستخدام neural 4DVAR للحفاظ على اتساق ومزامنة تنبؤات محاكاة التوأم الرقمي مع بيانات المراقبة في الوقت الفعلي، حتى في ظل وجود قياسات مشوشة وغير منتظمة مكانياً. وفوق التوأم الرقمي المتزامن في الوقت الفعلي، يتم تدريب أداة تحسين تعتمد على التعلم المعزز للتحكم في الوقت الفعلي. وأخيراً، يظل التوأم الرقمي مجهزاً للتحديث المستمر للنماذج وقابلية التكيف في التوسع على مدى فترة زمنية طويلة بناءً على التحديثات المستمرة من القياسات الجديدة المتاحة.
تعزز بنية التوأم الرقمي المقترحة بنية التوأم الرقمي التقليدية من خلال إضافة الذكاء، والقابلية للتكيف، والوعي بالتحكم إليها. يتكون المسار الكامل من أربع وحدات: (1) الحصول على البيانات/بناء المخطط، (2) تقدير الحالة عن طريق المشغلات العصبية وST-GNN، (3) كشف الشذوذ عن طريق التحليل القائم على المتبقي، و(4) التحكم القائم على التعلم التعزيزي.
الشكل 1: بنية التوأم الرقمي الشاملة المدركة للتحكم. تم دمج كل من اكتشاف الشذوذ، والشبكات العصبية الرسومية المكانية والزمانية، ومزامنة neural 4D-Var، والمؤثرات العصبية المستنيرة بالفيزياء، والتحكم في الحلقة المغلقة القائم على التعلم التعزيزي لأنظمة إنتاج النفط والغاز في نموذج التوأم الرقمي المقترح المدرك للتحكم. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 1 يمثل العملية الوظيفية لتوأم رقمي مدرك للتحكم في إنتاج النفط والغاز كنظام سيبراني-فيزيائي مغلق الحلقة. تبدأ العملية الوظيفية على مستوى نظام إنتاج النفط والغاز، حيث تقوم مستشعرات مختلفة موزعة على الآبار وخطوط الأنابيب والصمامات ووحدات المعالجة بالتقاط بيانات الضغط ومعدل التدفق ودرجة الحرارة وعناصر التحكم في لحظة زمنية معينة. تلتقط المستشعرات المختلفة البيانات بتنسيقات متنوعة، ثم تُرسل هذه البيانات إلى التوأم الرقمي، مما يشكل أساس الوعي التنظيمي في تلك اللحظة.
تتضمن المنهجية المقترحة الخطوات التالية:
جمع البيانات
يتم جمع معلومات فورية من المستشعرات بخصوص الضغط، ومعدل التدفق، ودرجة الحرارة، ومدخلات التحكم من بيئات إنتاج النفط والغاز. كما تُستخدم مجموعات بيانات مرجعية أخرى متاحة مثل SWAT وWADI لضمان قدرات المتانة والتعميم. ولضمان إمكانية التكرار، يتم تحديد كل خطوة من المنهجية المقترحة باستخدام تفاصيل تقنية.
[يرجى الرجوع إلى الملف التكميلي (S1) لمعرفة كيفية إنشاء مجموعة البيانات والمحاكاة.]
تُستخدم مجموعتا بيانات مرجعيتان عامتان لأنظمة التحكم الصناعية من المجال البحثي الخاص بأنظمة التحكم الصناعية لإثبات قدرة التوأم الرقمي المفاهيمي في التعامل مع البيانات السلاسل الزمنية المعقدة وعالية الأبعاد، بالإضافة إلى الأحداث غير الاعتيادية، وهما: مجموعة بيانات معالجة المياه الآمنة (SWaT)، ومجموعة بيانات توزيع المياه (WADI) المرجعية34. وقد اشتُقت كلتا المجموعتين من منصات اختبار سيبرانية فيزيائية واقعية، وتتضمنان بيانات تشغيل متعددة المتغيرات للمستشعرات والمشغلات الميكانيكية لكل من السيناريوهات الطبيعية وسيناريوهات الشذوذ/الهجمات التي تم تفعيلها في هذه الأنظمة. ومن خلال استخدام مجموعتي بيانات SWaT وWADI، يمكن إجراء اختبارات عابرة للمجالات وإثبات إمكانية التعميم بما يتجاوز منصات الاختبار السيبرانية الفيزيائية إلى أنظمة صناعية موزعة أوسع ذات تبعيات مرتبطة بالموقع والزمن. ويظهر وصف مجموعة البيانات في الجدول 2.
يستخدم البحث المقترح ثلاث مجموعات بيانات مختلفة للتقييم الشامل لمنهجية التوأم الرقمي المطورة والموضحة في الجدول 2. تتكون مجموعة البيانات الأساسية من بيانات محاكاة تتعلق بالتنظيم الإنتاجي في تصنيع النفط والغاز، وتهدف إلى إعادة إنتاج قياسات تشغيلية حقيقية استشعرها النظام، بالإضافة إلى ظروف التحكم و/أو حالات الأعطال. علاوة على ذلك، تم تقديم مجموعة بيانات معالجة المياه الآمنة (SWaT) كمثال لنظام فيزيائي مصغر، حيث تضم قياسات من 51 مستشعراً ومشغلاً ميكانيكياً على مدار حوالي 11 يوماً، بما في ذلك كل من الشذوذات والهجمات العادية والمفتعلة. وتُعتبر مجموعة البيانات هذه على نطاق واسع كمعيار قياسي للبحث. أما المجموعة الأخرى فهي مجموعة بيانات توزيع المياه (WADI)، والتي تلتقط قياساتها سلوك نظام توزيع المياه المصغر الذي يضم حوالي 123 متغيراً على مدار 16 يوماً، بما في ذلك هجمات مختلفة وظروف تشغيل عادية. تحتوي مجموعة البيانات هذه على ما مجموعه 15 هجوماً مختلفاً. وتتمحور مجموعتا البيانات المذكورتان أعلاه بشكل أساسي حول سلاسل عالية الأبعاد عبر الزمن وعلاقات مكانية كما هو الحال في أنظمة التحكم الصناعية.
المعالجة المسبقة للبيانات
قبل تدريب النموذج، تخضع جميع مجموعات البيانات لإجراءات معالجة أولية دقيقة لضمان جودة البيانات واتساقها وقابلية تكرارها. وتتضمن إجراءات المعالجة الأولية إدارة القيم المفقودة، وترشيح الضوضاء، والتطبيع، وتوسيع الميزات. وقد تم وصف مسار المعالجة الأولية التفصيلي في الملف التكميلي (S2).
بناء مخطط النظام
في المنهجية المقترحة، يتم تمثيل نظام الإنتاج المادي للنفط والغاز في شكل رسم بياني، والذي يعمل كبنية رياضية لوصف الارتباطات المكانية بين الأصول جنباً إلى جنب مع ديناميكيات حالة النظام بمرور الوقت (راجع الملف التكميلي (S3) للاطلاع على صيغ بناء الرسم البياني للنظام).
تعلم الفيزياء باستخدام المؤثرات العصبية
للتمثيل الصحيح للخصائص غير الخطية ومتعددة الأبعاد لأنظمة التدفق متعدد الأطوار، يستخدم النهج المقترح مؤثرات مستنيرة فيزيائياً في شكل مؤثرات فوريه العصبية (FNO) ونموذج المؤثر العصبي. وبخلاف الطريقة التقليدية لتمثيل الشبكات العصبية كتعيينات نقطية، يسمح مفهوم المؤثرات بالتعميم فيما يتعلق بشروط حدودية مختلفة. وتجعل هذه الميزة هذه الطريقة أكثر ملاءمة لأنظمة التدفق متعدد الأطوار المستخدمة في إنتاج النفط والغاز نظراً لأن الظواهر الفيزيائية تحدث بشكل مستمر. يرجى الرجوع إلى الملف التكميلي (S4) للاطلاع على المعادلات الرياضية للمؤثرات العصبية.
لمزيد من التقييم لصلاحية المشغلات العصبية المستنيرة بالفيزياء، أُجريت تجارب إضافية لتقييم قدرتها على تقريب تعيينات المشغلات غير الخطية في ظل حالات تدفق ومدخلات تحكم مختلفة. وتظهر النتائج أن المشغلات يمكنها تقريب تعيين المشغل غير الخطي بدقة، مما يثبت قدرة المشغلات على نمذجة ديناميكيات النظام بدقة، خاصة في ظل الأبعاد العالية، وبتكلفة حوسبية أقل من الحلول الأخرى. كما أُجري تقييم كمي لدقة تعلم المشغل باستخدام متوسط مربع الخطأ بين حالات النظام المتوقعة والمحاكاة، مما أظهر أداء تقريب متسق عبر ظروف التدفق المختلفة.
الشكل 2: سير عمل إطار المؤثر العصبي المستنير بالفيزياء. يوضح مثال لسير عمل المؤثر العصبي المستنير بالفيزياء كيفية استخدام مدخلات التحكم، وبيانات المستشعرات، والشروط الحدية لتعلم ديناميكيات التدفق متعدد الأطوار غير الخطي وإنتاج تنبؤات سريعة للنظام على مستوى المؤثر. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
في عملية عمل PINO الموضحة في الشكل 2، تتم عملية تعلم التدفقات متعددة الأطوار غير الخطية والمعقدة فيزيائياً في عمليات النفط والغاز بشكل مستمر. يبدأ ذلك عند طبقة الإدخال حيث يستقبل النموذج بيانات غير متجانسة حول النظام المتطور فيزيائياً. يأخذ هذا الإدخال شكل شروط حدودية، تتراوح بين الضغط ودرجة الحرارة والسرعة، بالإضافة إلى بيانات لحظية من أجهزة الاستشعار الموزعة داخل نظام النفط والغاز، فضلاً عن متغيرات التحكم مثل فتح الصمامات، أو سرعة المضخات، أو فتح الخوانق. تحدد كل هذه المدخلات تشغيل النظام المتطور فيزيائياً.
المكون الرئيسي ضمن سير العمل هو PINO، والذي يتم تحقيقه من خلال FNO ونموذج Neural operator. وتختلف الطريقة المقترحة وتتميز في كونها تستخدم المشغلات العصبية (neural operators) لتعلم المشغلات بين فضاءات الدوال، على عكس الشبكات العصبية التقليدية التي تميل إلى التركيز على التعيين النقطي (pointwise mapping) بين المدخلات والمخرجات. وعلى هذا المستوى، يستطيع FNO التقاط العلاقات المكانية العالمية باستخدام نطاق فوريه (Fourier domain)، بينما يستطيع نموذج Neural operator تعلم تمثيلات المشغل باستخدام كل من شبكات الفرع (branch networks) وشبكات الجذع (trunk networks). ويتم توجيه النموذج المتعلم بواسطة قيود فيزيائية لضمان أن الديناميكيات المتوقعة تسلك السلوك المأمول في التدفق متعدد الأطوار. وتأخذ نتيجة المشغل العصبي شكل حل المجال المستمر للمتغيرات الفيزيائية الهامة مثل الضغط، ومعدلات التدفق، وتوزيع الأطوار لشبكة الإنتاج بأكملها. علاوة على ذلك، تكون قيم المخرجات دقيقة للمجال بأكمله، بما في ذلك الآبار وخطوط الأنابيب والوحدات المتصلة الأخرى، بدلاً من قياسها في نقاط محددة مثل المستشعرات. وبهذه الطريقة، يوفر مخرج المشغل العصبي القدرة على إنتاج محاكاة عالية الدقة بسرعة، والتي يمكنها تقريب حل المعادلات التفاضلية الجزئية دون الحاجة بالضرورة إلى حلها. ويعمل هذا الحل كحل سريع في التوأم الرقمي (digital twin).
تعتمد عملية تعلم المشغل العصبي على سمات على مستوى الدالة ومستوى النظام، وهي مستخرجات من عمليات إنتاج النفط والغاز. تتكون هذه السمات بشكل أساسي من متغيرات الحالة الفيزيائية لإنتاج النفط والغاز، والتي تمثل مجالات مستمرة تشمل درجة الحرارة، ومعدل التدفق، والضغط، والكسور الطورية للنفط والغاز والماء. كما تشمل السمات الشروط الحدية، التي تتضمن ضغوط المداخل، ومعدلات التدفق، ومواقع الصمامات. ويؤخذ في الاعتبار أيضاً مدخلات التحكم، التي تشمل مواقع صمامات الخنق وسرعة المضخة، للتنبؤ بالاستجابات في ظل سيناريوهات تشغيلية مختلفة. يتلقى نموذج المشغل العصبي السمات الفيزيائية ومعاملات التحكم، والتي يتم معالجتها بواسطة شبكات الجذع والتفرع. وتوفر هذه السمات معلومات كافية للمشغلات العصبية للتنبؤ بعلاقات تشغيلية دقيقة تعتمد على كل من العمليات الفيزيائية والعوامل التشغيلية، وذلك من أجل إجراء عمليات محاكاة سريعة للتوأم الرقمي.
مؤثر فوريه العصبي (FNO)
في هذا البحث، تم استخدام مشغل عصبي فورييه (FNO)36 لتقدير تخطيطات المشغل التي تصف ديناميكيات التدفق متعدد الأطوار غير الخطي لأنظمة إنتاج النفط والغاز بشكل فعال. وعلى عكس الشبكات العصبية التقليدية، التي تقرب تخطيطات المدخلات والمخرجات لمجموعة محددة من النقاط، فإن الـ FNO المقترح يقرب التخطيطات بين فضاءات الدوال، مما يتيح التعميم عبر مقاييس وتكوينات مختلفة للنظام. وفي هذه الحالة، يعمل الـ FNO عن طريق نقل تمثيلات حالة النظام من الفضاء الأصلي إلى مجال فورييه، حيث يمكن تطبيق الالتفافات الطيفية بفعالية بغرض التقاط التبعيات المكانية العالمية الموجودة داخل الأنظمة. وفي هذه الحالة، يتم إسقاط تمثيل الحالة المدخلة في فضاء كامن أعلى أبعادًا، وتُطبق التحويلات والتنشيطات بشكل تكراري باستخدام تحويلات فورييه، والنوى الطيفية، وعمليات التنشيط. يرجى الرجوع إلى الملف التكميلي (S4.1) للاطلاع على التقييمات الرياضية للمشغل العصبي فورييه.
نموذج العامل العصبي
يعمل نموذج المشغل العصبي (Neural operator model)37 كنهج بديل ضمن عملية المشغل العصبي لتقريب مشغل فيزيائي غير خطي يحدد ديناميكيات إنتاج النفط والغاز. تم توضيح الوصف التفصيلي لنموذج المشغل العصبي في الملف التكميلي (S4.2) (يرجى الرجوع إلى الملف التكميلي S10 للاطلاع على الخوارزمية 1: تعلم الفيزياء باستخدام المشغلات العصبية لخوارزمية التوأم الرقمي).
لذلك، يبدأ النهج المقترح باستخدام المؤثرات العصبية بجمع أمثلة مزدوجة من المدخلات والمخرجات، حيث تكون المدخلات عبارة عن أمثلة لظروف النظام في شكل قيم حدود النظام، أو متغيرات التحكم، أو الخصائص الفيزيائية. يتم تدريب المؤثر العصبي في مرحلة تكرارية تتضمن التنبؤ بالاستجابات لدالة إدخال، مع تحسين الانحرافات اللاحقة بين التنبؤات والاستجابات الفعلية باستخدام دالة متوسط مربع الخطأ. يؤدي هذا النهج إلى تحسين قائم على التدرجات، حيث يكتشف المؤثر العصبي مؤثرات فيزيائية نظامية تحدد سلوك النظام. وبذلك، يمكن للنظام المدرب التنبؤ بكفاءة باستجابات النظام لظروف إدخال مختلفة.
نمذجة الأنظمة المكانية والزمانية
في بنية التوأم الرقمي المقترحة38، تم تمثيل عملية إنتاج النفط والغاز بواسطة رسم بياني مكاني-زماني. وقد تم القيام بذلك لتصور الاتصالية، بالإضافة إلى عملية التطور الزمني لموارد الإنتاج الموزعة.
تتميز عملية إنتاج النفط والغاز بطبيعتها ببنية موزعة من حيث الآبار، والبنية التحتية لخطوط الأنابيب، وأجهزة الاستشعار. ومن أجل التقاط العلاقات المكانية والزمانية لهذه العملية بكفاءة، يعتمد نهج التوأم الرقمي المطور في هذا البحث على الشبكات العصبية الرسومية المكانية الزمانية (ST-GNN). وفي هذا النهج، يتم تمثيل كيانات النظام في شكل عقد رسومية، بينما يُشار إلى العلاقات المكانية أو الوظيفية للنظام بواسطة حواف رسومية. أما العلاقات الزمانية، فيتم التعبير عنها من خلال دوال النوافذ الزمنية للتنبؤ بانتقالات حالة النظام والشذوذ بكفاءة. يرجى الرجوع إلى الملف التكميلي (S5) للحصول على وصف تفصيلي للشبكة العصبية الرسومية المكانية الزمانية (ST-GNN).
مزامنة التوأم الرقمي باستخدام Neural 4D VAR
يمكن تعريف مزامنة التوأم الرقمي بأنها المزامنة المستمرة للتوأم الافتراضي مع بيئة إنتاج نفط وغاز مادية متغيرة باستمرار بناءً على قراءات أجهزة الاستشعار في الوقت الفعلي. ومن الناحية العملية، تقوم التوائم الرقمية بتقديم تنبؤات حول حالات النظام، مثل الضغط ومعدل التدفق ودرجة الحرارة، استناداً إلى فهم لديناميكيات النظام المادي. ومع ذلك، ونظراً لوجود حالات عدم اليقين وضوضاء أجهزة الاستشعار، ينشأ تباين حتمي بين التنبؤات والقياسات. لهذا السبب، ومن أجل مزامنة التنبؤات مع القياسات الفعلية، تم في هذا العمل تقديم طريقة أخرى تُعرف باسم "استيعاب البيانات" لجعل التنبؤات متسقة ذاتياً مع القياسات المادية. ولضمان مزامنة العملية المادية والتوأم الرقمي أثناء ملاحظات أجهزة الاستشعار الضوضائية والمتفرقة، تم دمج طريقة استيعاب بيانات Neural 4D-Var. ويهدف هذا المكون المضاف إلى تقليل الفجوة بين قياسات أجهزة الاستشعار وتنبؤات النموذج ضمن نافذة استيعاب. ومن خلال الاستفادة من القابلية للاشتقاق، توفر طريقة Neural 4D-Var تعلماً شاملاً (end-to-end learning) وتسمح بتصحيح حالة التوأم الرقمي عبر الإنترنت (راجع الملف التكميلي (S6) من أجل استيعاب البيانات بنظام التباين رباعي الأبعاد العصبي (Neural 4D-Var Data Assimilation)، ملف تكميلي (S10) بالنسبة للخوارزمية 2: مزامنة التوأم الرقمي باستخدام Neural 4D-Var والإشارة إلى الملف التكميلي (S11) (للحصول على المعلمات الفائقة وتفاصيل التدريب).
كشف الشذوذ وتشخيصه
في مجموعة بيانات النفط والغاز المحاكات، تم حقن الشذوذات عن طريق إدخال اضطرابات محكومة مثل انخفاضات الضغط التي تتجاوز 15%، وطفرات التدفق غير الطبيعية، وأعطال الصمامات. وتُحدد نقاط البيانات التي تتجاوز قيمة عتبة محددة أو تنحرف عن توزيع إحصائي مرجعي على أنها شذوذات. وللاطلاع على الصياغة الرياضية لإطار عمل الكشف عن الشذوذ (الملف التكميلي، S7).
التحسين والتحكم في الحلقة المغلقة
يمكن تحقيق التحكم في الحلقة المغلقة في النظام المقترح من خلال دمج التوأم الرقمي المتناغم ووحدة التعلم التعزيزي لأغراض التحسين. وفيما يتعلق بجانب التوائم الرقمية، يتنبأ التوأم الرقمي بالسلوك المستقبلي لعملية إنتاج النفط والغاز في ظل ظروف مختلفة، مثل وضعيات الصمامات المختلفة، أو معدلات الضخ، أو التحكم في التدفق. وهذا يسمح بتطوير منطقة سلامة يمكن لوكيل التحكم من خلالها تقييم نتائج الإجراءات المطلوبة دون الحاجة إلى تنفيذها فعلياً في العملية الواقعية. وبناءً على ذلك، ومن خلال الاستفادة من التوقعات التي يوفرها التوأم الرقمي، يمكن لوحدة التعلم التعزيزي تحسين أهداف التشغيل، بما في ذلك كفاءة العملية، واستهلاك الطاقة، واستقرار العملية، دون أن تكون مقيدة بقيود العملية. يرجى الرجوع إلى الملف التكميلي (S8) للوصف الرياضي للتحسين والتحكم في الحلقة المغلقة.
التعلم والتكيف المستمران
تواجه الأنظمة الصناعية بيئات غير مستقرة تتميز بتقادم المعدات، وظروف تشغيل متغيرة مع الزمن، واضطرابات غير متوقعة. ولتصميم منهجية للتعامل مع ذلك، يتضمن نموذج التوأم الرقمي المقترح مكوناً تعليمياً مستمراً يعمل على تحديث المشغلات العصبية، والنماذج الرسومية، والسياسات بناءً على التعلم التزايدي. وعند ملاحظة تغيرات جوهرية وأنماط غير محددة، يتم تسهيل عملية التعلم من خلال دمج بيانات جديدة وتعديل المعلمات المرتبطة بنموذج التوأم الرقمي.
يؤدي التعلم المستمر أيضاً إلى تحسين متانة كل من سياسات التحكم والكشف عن الشذوذ، حيث يساعد النظام على تحديد أنماط سلوكية جديدة أو مستحدثة. ويتم تطبيق التغذية الراجعة الناتجة عن حالات الشذوذ في نتائج التحكم لتعديل النماذج وتحسين سياسة التعلم التعزيزي التي تضمن عمليات اتخاذ قرار فعالة مع استمرار النظام في التغير والتطور. وتحول عملية التعلم التكيفي هذه التوأم الرقمي من مجرد مراقب سلبي إلى نظام ذكي يمكنه الحفاظ على عمليات تحسين في الوقت الفعلي لأنظمة إنتاج النفط والغاز المعقدة على مدى فترة ممتدة، وذلك باستخدام بيئة بنية تحتية تكنولوجية صارمة وفعالة. ويوضح الجدول 3 بنية النموذج والمعلمات الفائقة.
يرجى الرجوع إلى الملف التكميلي (S9) للاطلاع على الصياغة الرياضية لتكيف التعلم المستمر.
تتولى وحدة المعالجة المسبقة للبيانات مسؤولية تحويل بيانات المستشعرات الخام إلى مدخلات مهيكلة وموحدة مناسبة لوحدات التعلم اللاحقة. وبشكل محدد، تقوم هذه الوحدة بتجميع قياسات المستشعرات التاريخية، وإزالة الضوضاء، وتوحيد الخصائص لضمان اتساق جودة البيانات. بعد ذلك، تُقدم البيانات المعالجة، إلى جانب الشروط الحدية ومدخلات التحكم، كمدخلات لوحدة المؤثر العصبي المستنير بالفيزياء (نموذج FNO/Neural operator)، والتي تتعلم العلاقات الفيزيائية غير الخطية الأساسية وتولد تقديرًا مستمرًا لحالة النظام. وتُستخدم حالة النظام المقدرة هذه لاحقًا من قبل وحدة تحسين التحكم لتحديث استراتيجيات التحكم بطريقة ديناميكية. ثم تُمرر مخرجات التحكم المحسنة إلى وحدة اتخاذ القرار، التي تفسر النتائج وتولد قرارات قابلة للتنفيذ لتشغيل النظام. وقد تم دمج آلية تغذية راجعة لتحديث النظام باستمرار بناءً على البيانات المرصودة حديثًا، مما يعزز القدرة على التكيف والأداء بمرور الوقت. ولتعزيز الوضوح وقابلية التكرار، تم عرض بنية على مستوى النظام لتوضيح التفاعل بين الوحدات. يتكون النظام المقترح من أربعة مكونات رئيسية، وهي المعالجة المسبقة للبيانات، ونمذجة المؤثر العصبي المستنير بالفيزياء، وتحسين التحكم، واتخاذ القرار. وترتبط هذه الوحدات عبر واجهات إدخال وإخراج محددة بدقة، مما يضمن تدفقًا سلسًا للبيانات، وتعلمًا تكراريًا، وتشغيلًا منسقًا عبر نظام التوأم الرقمي بأكمله.
الشكل 3: مخطط تدفق بنية تحسين التحكم الشامل على مستوى النظام. يوضح المخطط البنية العامة للنظام في العمل المقترح. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
توضح بنية النظام صورة كاملة للنموذج الذي يمكن استخدامه لنمذجة وتحسين الديناميكيات الفيزيائية غير الخطية المعقدة في أنظمة إنتاج النفط والغاز. يبدأ ذلك ببيانات الإدخال، والتي تتضمن المعلمات المستخدمة في المحاكاة والشروط الحدية المستخدمة لتمثيل البيئة الفيزيائية. تمر هذه البيانات أولاً عبر وحدة المعالجة المسبقة للبيانات، حيث يتم إجراء عمليات التطبيع واستخراج الميزات. يؤدي ذلك إلى تجهيز البيانات للوحدة التالية، حيث يتم استخدام المشغل العصبي، FNO، ونموذج المشغل العصبي. تُستخدم هذه النماذج للتنبؤ بحالات النظام، وتُستخدم هذه المعلومات لتحسين معلمات النظام باستخدام وحدة التحسين. ومن ثم تُستخدم النتائج المُحسنة لاتخاذ القرارات باستخدام وحدة اتخاذ القرار، والتي تساعد هذه الوحدة في تحديد كفاءة النظام. يتضمن الإطار أيضاً نتائج المخرجات، حيث تظهر نتائج عملية التحسين في الشكل 3. بالإضافة إلى ذلك، تم إدراج حلقة تغذية راجعة، حيث تمر البيانات عبر وحدة المعالجة المسبقة بعد ظهور نتائج المخرجات.
النتائج
من أجل اختبار مدى صحة المشغلات العصبية المستنيرة بالفيزياء، أُجريت اختبارات أداء إضافية لمقارنة أداء مشغل فوريه العصبي (FNO) ونموذج المشغل العصبي في نمذجة ديناميكيات نظام التدفق متعدد الأطوار غير الخطي. وأظهرت النتائج أن FNO يحقق أداءً أفضل في الاتساق المكاني العالمي، بينما يحقق نموذج المشغل العصبي أداءً أفضل في التكيف مع المدخلات غير المتجانسة.
لضمان التدريب والتقييم الفعال لإطار التوأم الرقمي المقترح، أُجريت جميع التجارب في بيئة حوسبة عالية الأداء. واستُخدمت لغة Python لغةً برمجيةً أساسية للتنفيذ. كما استُخدم إطار عمل شائع للتعلم العميق مع تفعيل تسريع وحدة معالجة الرسوميات (GPU) بواسطة CUDA، ومكتبة مُحسّنة للشبكات العصبية العميقة لإنشاء نماذج التعلم العميق، مثل المشغلات العصبية المستنيرة بالفيزياء، والشبكات العصبية الرسومية المكانية والزمانية، ووحدات التعلم التعزيزي. ومن أجل تسهيل معالجة البيانات السلاسل الزمنية متعددة المتغيرات واسعة النطاق وتدريب النماذج، أُجريت الاختبارات على محطة عمل مزودة بوحدة معالجة مركزية (CPU) متعددة النوى، ووحدة معالجة رسوميات (GPU) عالية الأداء ذات ذاكرة مخصصة، وذاكرة نظام لا تقل عن 64 GB. ولضمان التوافق مع منظومة التعلم العميق، تم بناء بيئة نظام التشغيل على توزيعة Linux.
استُخدم التحسين القائم على التدرج للدفعات الصغيرة (Mini-batch gradient-based optimization) لتدريب النماذج، وأُجريت العديد من التشغيلات المستقلة للتجارب لضمان الموثوقية الإحصائية. ويمكن تكرار المنهجية المقترحة في بيئات حوسبة عالية الأداء مماثلة بفضل إعدادات الحوسبة التي تم توفيرها.
لضمان صحة النتائج من خلال التجارب المتكررة، أُعيد تنفيذ جميع التجارب عبر عدة عمليات تشغيل مستقلة بقيم تهيئة عشوائية مختلفة. وفي حالة التجارب التي استخدمت بيانات محاكاة، نُفذ النموذج لـ (N) من التجارب المستقلة، وتم تسجيل القيم وفقاً لمتوسط الأداء والانحراف المعياري. أما في حالة التجارب التي استخدمت بيانات القياس المرجعية، SWAT و WADI، فقد حُسبت مقاييس التقييم MAE و RMSE و F1 Score و AUROC على بيانات الاختبار، وحُسب متوسطها عبر التجارب المتكررة لجعل النتائج قوية إحصائياً. وقد تم القيام بذلك للحصول على تقدير موثوق لأداء النموذج وللتأكد من أن تحسينات الأداء لا تعود إلى تجربة واحدة فقط.
ومع ذلك، فقد أثبتت النتائج أن دمج التعلم القائم على الفيزياء، والنمذجة المكانية والزمانية، وتقنيات استيعاب البيانات في نظام توأم رقمي متكامل يؤدي باستمرار إلى تحسين أداء المراقبة في ظل الظروف التي تم تقييمها، وتحقيق تقارب أسرع، واتخاذ قرارات مثلى في الوقت الفعلي مقارنة بالطرق التقليدية. يوضح الجدول 4 بيئة المحاكاة للعمل المقترح.
تمت نمذجة بيئة المحاكاة لتشبه بدقة التشغيل في الوقت الفعلي داخل القطاع الصناعي. تُجمع البيانات من المستشعرات على فترات زمنية قصيرة لتمثيل بيئة تدفق البيانات، وتُضاف كميات محكومة من الضجيج لاختبار المتانة. كما يتم محاكاة حالات مختلفة من الأعطال والاضطرابات لاختبار قدرات كشف الشذوذ والتحكم. ويُستخدم نهج النافذة المنزلقة للتقييم لتمثيل التشغيل في الوقت الفعلي بطريقة مستمرة مناسبة للتحديثات الديناميكية بواسطة التوأم الرقمي المقترح لإجراء التنبؤات ومزامنة الحالة وإنتاج إجراءات التحكم.
في تصميم نموذج التوأم الرقمي الواعي بالتحكم، يجب مراعاة عدة معايير تقييم لإجراء تقييم متزامن. أولاً، بالنسبة لقدرة المراقبة والتنبؤ بالحالة لبنية التوأم الرقمي، تُستخدم معايير الانحدار مثل متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المئوي المطلق (MAPE). يقوم كل من MAE وMAPE بحساب دقة المؤثرات العصبية ونماذج الرسوم البيانية المكانية والزمانية لمعلمات النظام الرئيسية مثل الضغط، ومعدل التدفق، ودرجة الحرارة، وهو أمر صالح للبيانات متعددة المتغيرات المستمرة من المستشعرات المستخدمة في عملية إنتاج النفط والغاز.
ثانياً، يتم أيضاً تقييم عملية المزامنة للتوأم الرقمي نفسه، فيما يتعلق بخطأ تقدير الحالة وإزالة انزياح التنبؤ. يقيس خطأ تقدير الحالة درجة الخطأ بين حالة المخطط الفعلية وحالة التوأم الرقمي المتزامنة، وهو مؤشر على مدى فعالية وحدة neural 4D-Var المطورة في استخدام ملاحظات حالة النظام الفعلية لتحسين التنبؤات بديناميكيات النظام. وأخيراً، يشير تقليل انزياح التنبؤ إلى التحسن في أداء النهج المقترح مقابل نظام التوأم الرقمي غير المتزامن، وذلك بفضل قدرة هذا النهج على تحمل ملاحظات النظام المشوشة أو الشحيحة.
ثالثاً، فيما يتعلق بالكشف عن الشذوذ وتشخيص الأعطال، يتم استخدام معاملات تقييم موجهة للتصنيف مثل الدقة (Precision)، والاسترجاع (Recall)، ومقياس F1، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC). وبينما يشير الاسترجاع إلى القدرة على تشخيص الأخطاء الحقيقية بدقة دون إغفال أي منها، يمكن اعتبار الدقة مقياساً لصحة الشذوذ الذي تم التعرف عليه. ويمكن قياس الأداء بشكل ملائم باستخدام مقياس F1. وعادة ما يتم اعتماد معاملات التقييم هذه في نظامي SWAT وWADI.
يُستخدم الجدول 5 لتقييم فعالية وحدة المزامنة المقترحة neural 4D-Var في تقليل انزياح التنبؤ بين النماذج الفيزيائية والسيبرانية لثلاث مجموعات من البيانات. يتوافق خطأ الحالة الأولي مع الخطأ بين النماذج دون مزامنة، بينما يتوافق خطأ الحالة النهائي مع خطأ النموذج بعد تطبيق المزامنة. ويمكن ملاحظة وجود تحسن ملحوظ في خطأ الحالة لجميع مجموعات البيانات الثلاث، حيث حدث أعلى تحسن (72.2%) في نموذج نظام النفط والغاز المحاكى نظراً لبساطته النسبية مقارنة بـ SWAT (63.6%) و WADI (57.7%). وتتسق هذه القراءات مع مستويات التعقيد ومستويات "الضجيج" الخاصة بكل منها. ويمكن تفسير زيادة معدل خفض الانزياح لمجموعة بيانات النفط والغاز المحاكاة بكون البيئة المحاكاة تتضمن عموماً مستوى منخفضاً من الضجيج، واضطرابات عشوائية أقل، وسلوك نظام محدد بدقة عند مقارنتها بالأنظمة السيبرانية الفيزيائية الواقعية الأخرى مثل SWAT و WADI. ومع ذلك، يجب التعامل مع هذا الاستنتاج كفرضية ولا ينبغي إثباته كمياً بناءً على نتائج هذا العمل. وفي الأعمال المستقبلية، يمكن استخدام مقاييس التعقيد مثل الإنتروبيا، وتباين الضجيج، وأبعاد النظام للتحقق من صحة هذا الاستدلال.
الشكل 4: مراقبة الأداء عبر مجموعات بيانات مختلفة (محاكاة النفط والغاز، وSWAT، وWADI) والتي تم تقييمها باستخدام مقاييس الخطأ MAE وRMSE وMAPE (%). تمثل الأعمدة القيم المتوسطة التي تم الحصول عليها من عدة تشغيلات مستقلة (n = 5). تشير أشرطة الخطأ إلى الانحراف المعياري (SD)، بينما تمثل أشرطة الخطأ المتراكبة الأكثر نحافة الـ الخطأ المعياري للمتوسط (SEM = SD/√n). تظهر قيم الانحراف المعياري (SD) والخطأ المعياري للمتوسط (SEM) لكل مقياس بوضوح في مفتاح الشكل. وقد تم تقييم الدلالة الإحصائية باستخدام اختبارات t المستقلة بالنسبة لمجموعة البيانات المرجعية (النفط والغاز المحاكى)، و... pتُعرض قيم p فوق الأعمدة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
تم تمثيل تحليل أداء عملية المراقبة التي أجراها نموذج التوأم الرقمي المقترح على مجموعات بيانات مثل Simulated Oil and Gas وSWAT وWADI، مع مراعاة معايير التقييم MAE وRMSE وMAPE، في الشكل 4. سجلت مجموعة بيانات Simulated Oil and Gas أدنى قياس للخطأ في جميع المعايير، مما يظهر بوضوح دقة مراقبة حالة النظام في بيئة محاكاة حيث يتم نمذجة معاملات النظام بدقة. وتظهر مجموعتا بيانات SWAT وWADI أخطاءً في مراقبة النظام تتزايد تدريجيًا بسبب تعقيدات الأنظمة الحقيقية إلى جانب الضوضاء واللاخطية المتأصلة فيها، والتي لا توجد في الأنظمة المحاكاة. ومع ذلك، فإن الارتفاع الطفيف في قياسات الخطأ MAE وRMSE يؤكد استقرار أداء النظام لنموذج التوأم الرقمي في مثل هذه الظروف.
الشكل 5: أداء الكشف عن الشذوذ عبر مجموعات البيانات (Simulated Oil and Gas وSWAT وWADI) والذي تم تقييمه باستخدام F1-score وAUC. تمثل الأشرطة القيم المتوسطة التي تم الحصول عليها من عدة عمليات تشغيل مستقلة (n = 5). تشير أشرطة الخطأ إلى SD، بينما تمثل أشرطة الخطأ المتراكبة الأكثر نحافة SEM = SD/√n. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
يوضح الشكل 5 تحليل التقييم للنظام المقترح لاكتشاف الشذوذ استناداً إلى مقياس F1-score وAUC لمجموعات البيانات الثلاث. وقد حققت مجموعة بيانات النفط والغاز، وهي مجموعة البيانات المحاكات، الأداء الأفضل حيث سجلت أعلى قيم لـ F1-score وAUC. وعلى الرغم من وجود انخفاض تدريجي في الأداء، إلا أنها حققت أداءً عالياً في AUC عبر مجموعات البيانات، مع وجود تباينات طفيفة تعتمد على تعقيد مجموعة البيانات. ويظهر توافق منحنيات كل من F1-score وAUC لمجموعات البيانات الثلاث نقطة توازن مثالية، مما يكشف عن مقايضة جيدة ويجعل النظام المقترح نظاماً موثوقاً للكشف المبكر عن الأعطال والاختراقات. كما يؤدي النظام المقترح أداءً متميزاً في التعرف على الشذوذ في مجموعات البيانات الثلاث.
تظهر قيم الدقة (Precision)، والاستدعاء (Recall)، ومقاييس F1-Scores لنموذج التوأم الرقمي المقترح في الكشف عن الشذوذ عبر مجموعات بيانات مختلفة في الجدول 6 أدناه. وبينما تشير قيم الدقة العالية إلى أن معظم نقاط الاهتمام المحددة هي بالفعل نقاط اهتمام حقيقية، فإن القيم العالية للاستدعاء تبين أن معظم نقاط الاهتمام الفعلية قد تم تحديدها بشكل صحيح دون إغفال النقاط الهامة. وقد سجلت بيئة العرض في مجال النفط والغاز أعلى قيمة لـ F1-score بلغت 0.94، بينما يمكن إرجاع النتائج الأقل قليلاً في مجموعتي بيانات SWAT وWADI إلى المستويات الأعلى من الضجيج والاعتمادات المتبادلة بين المستشعرات وأنماط الهجوم. ومع ذلك، فإن قيم F1-scores المرتفعة تؤكد تحقيق نمذجة ومزامنة قوية للرسوم البيانية المكانية والزمانية للكشف عن الشذوذ.
الشكل 6: منحنيات خصائص تشغيل المستقبل (ROC) للكشف عن الشذوذ عبر مجموعات بيانات النفط والغاز المحاكاة، وSWAT، وWADI. تم تقييم الأداء باستخدام المساحة تحت المنحنى (AUC). يتضمن مفتاح الشكل لكل مجموعة بيانات الانحراف المعياري (SD) والخطأ المعياري للمتوسط (SEM = SD/√n, n = 5) لقيم AUC. يمثل الخط المتقطع القطري أداء التصنيف العشوائي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
يوضح الشكل 6 منحنيات خصائص تشغيل المستقبل (ROC)، إلى جانب مقاييس AUROC المرتبطة بها لمجموعات البيانات الثلاث المختلفة، وذلك لتقييم دقة كشف الشذوذ بشكل مستقل عن اختيار حد العتبة. في منحنى ROC الخاص بمجموعة بيانات النفط والغاز المحاكية، تقترب المنطقة بشكل ملحوظ من نقطة الأصل، مما يحقق قيمة AUROC تبلغ 0.99، وهو ما يؤكد قدرة تصنيف خالية من العيوب تقريبًا. وفي حالة مجموعتي بيانات SWAT وWADI، بلغت قيم AUROC نحو 0.97 و0.95 على التوالي، مما يثبت قدرة تصنيف جيدة رغم وجود مستويات أعلى من عدم اليقين. كما أن ابتعاد منحنيات ROC عن الخطوط التي تمثل التصنيف العشوائي يضمن أن نموذج التوأم الرقمي المطور يعمل بشكل أفضل بكثير من مستوى الصدفة في الكشف الدقيق عن الشذوذ. وتظهر منحنيات خصائص تشغيل المستقبل (ROC) في الشكل 6 أداء نموذج التوأم الرقمي المقترح في كشف الشذوذ عبر مجموعات البيانات الثلاث. حيث بلغت درجات AUROC نحو 0.99 لمجموعة بيانات النفط والغاز المحاكية، و0.97 لمجموعة بيانات SWAT، و0.95 لمجموعة بيانات WADI، مما يشير إلى قدرة النموذج على التمييز في كل من أنظمة التحكم الصناعية المحاكية والمعيارية.
الجدول 7 يقدم وصفاً موجزاً للمكافآت التراكمية وانتهاكات القيود لوحدة التعلم التعزيزي للتحكم في الحلقة المغلقة المتكاملة مع التوأم الرقمي. تمثل المكافأة التراكمية المكتسبة أداء التحكم العام بناءً على الأهداف التشغيلية، بينما تمثل انتهاكات القيود العدد الإجمالي للانتهاكات أثناء التشغيل. وتعتبر المكافآت التراكمية مع صفر من انتهاكات القيود هي الأعلى (96.5) لبيئة نموذج النفط والغاز الخاصة بنا، مما يثبت تحقيق التحكم والأداء التشغيلي الأمثل.
على الرغم من أن مجموعات بيانات SWaT وWADI تظهر مكافآت تراكمية أقل قليلاً وبعض الانتهاكات للقيود، إلا أن التحسن العام في توفير التكاليف التشغيلية يثبت أن إطار التوأم الرقمي المقترح يظل فعالاً للتحكم الآمن والأمثل في البيئات الديناميكية.
تَمَّ تقييم الجدوى في الوقت الفعلي لنظام التحكم المقترح القائم على التعلم التعزيزي (RL) من خلال تحليل زمن انتقال الاستنتاج الشامل (end-to-end inference latency) لجميع الوحدات الحسابية المستخدمة داخل النظام المقترح. وتُظهِر الملاحظات التجريبية في الجدول 8 أن وحدة المشغل العصبي، ونموذج FNO/Neural operator، ووحدة الشبكة العصبية الرسومية المكانية الزمانية (ST-GNN) لديها أعباء حسابية متوسطة بسبب الميزات الزمانية المستخدمة خلال العملية. ومن ناحية أخرى، فإن وحدة اتخاذ قرار سياسة التعلم التعزيزي تتميز بعبء حسابي خفيف جداً. ويقع زمن الاستنتاج التراكمي الشامل لجميع الوحدات المستخدمة داخل النظام المقترح ضمن نطاق دورات التحكم الصناعية النموذجية. وتحديداً، لُوحظ أن متوسط زمن انتقال الاستنتاج الشامل يتراوح بين 50–150 مللي ثانية لكل دورة تحكم، وهو ما يتوافق مع متطلبات التحكم الصناعي القياسية. وهذا يشير إلى إمكانية استخدام النظام المقترح في التطبيقات التي تعمل في الوقت الفعلي أو القريبة من الوقت الفعلي. ومع ذلك، تجدر الإشارة إلى أن زمن الاستنتاج الشامل قد يختلف بناءً على الأجهزة المستخدمة. وفي هذا الصدد، يمكن استخدام النظام المقترح للتطبيقات التي تعمل في الوقت الفعلي.
يتم إجراء مقارنة كمية بين نموذج FNO، ونموذج Neural operator، والنهج المرجعية، مثل أدوات الحل العددية التقليدية وتقنيات تعلم المؤثرات الحالية، وذلك لمزيد من إثبات فعالية المؤثرات العصبية المستنيرة بالفيزياء. يركز التقييم الوارد في الجدول 9 على مدى كفاءة كل نموذج في التقاط الديناميكيات الديناميكية وغير الخطية للنظام. وتُستخدم مقاييس قياسية تشمل متوسط مربع الخطأ (MSE)، ومتوسط الخطأ المطلق (MAE)، والخطأ النسبي بين حالات النظام المتوقعة والحقيقية لتقييم الأداء. ووفقاً للنتائج التجريبية، يتفوق كل من FNO ونموذج Neural operator على النهج المرجعية في نمذجة الديناميكيات متعددة الأطوار المعقدة من خلال تحقيق قيم خطأ منخفضة. وبشكل محدد، ينجح نموذج Neural operator في التقاط تعيينات المؤثرات غير الخطية تحت ظروف إدخال مختلفة، بينما يؤدي FNO أداءً جيداً في تعلم التبعيات المكانية العالمية.
تظهر النتائج المقارنة الكمية الموضحة في الجدول 9 فعالية نماذج المؤثر العصبي المقترحة. وعند مقارنتها بالمحللات العددية المرجعية وتقنيات تعلم المؤثر الحالية، حقق كل من FNO ونموذج المؤثر العصبي مقاييس خطأ أقل بشكل ملحوظ. وبوجه خاص، سجل FNO أدنى خطأ نسبي ومتوسط مربع خطأ، مما يثبت قدرته الفائقة على التقاط ديناميكيات الأنظمة غير الخطية المعقدة. بالإضافة إلى ذلك، أظهر نموذج المؤثر العصبي مكاسب كبيرة، لا سيما فيما يتعلق بتعلم تخطيطات المؤثر غير الخطية في ظل ظروف مختلفة. وقد استُخدمت اختبارات t المستقلة لتقييم الدلالة الإحصائية؛ حيث تشير قيم p التي تقل عن 0.05 إلى تحسن جوهري مقارنة بالمحلل العددي المرجعي. وكانت قيم p التي حصل عليها كلا النموذجين المقترحين أقل من 0.001، مما يشير إلى أن التحسينات الملحوظة في الأداء ذات دلالة إحصائية وليست ناتجة عن الصدفة. علاوة على ذلك، أظهرت التقنيات المقترحة أوقات استنتاج أقصر بكثير، مما يثبت قابليتها للتطبيق في تطبيقات التوأم الرقمي في الوقت الفعلي.
لتحسين وضوح التقييم التجريبي لنموذج التوأم الرقمي المقترح والواعي بالتحكم، تم تقديم مقارنة كمية شاملة بين المنهج المقترح والطرق الأخرى في تنسيق جدولي متكامل. ستتيح هذه المقارنة لمختلف معايير الأداء، مثل متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومقياس F1-score، والمساحة تحت المنحنى (AUC)، وتقليل انحراف التنبؤ، والمكافأة التراكمية، إجراء تقييم متكامل لدقة المراقبة، والقدرة على اكتشاف الشذوذ، وكفاءة المزامنة، وأداء التحكم للطرق المذكورة في الجدول 10. بالإضافة إلى ذلك، تم ذكر مختلف معايير إجراء التدريب صراحةً، مثل حجم الدفعة، ومعدل التعلم، وعدد العصور (epochs)، وتكوين التدريب الخاص بكل وحدة، لتعزيز شفافية التقييم التجريبي في الجدول 11. علاوة على ذلك، تم تقييم القابلية للتوسع والكفاءة الحسابية من حيث زمن استجابة الاستدلال، واستغلال وحدة معالجة الرسومات (GPU)، والجدوى في الوقت الفعلي للمنهج المقترح في الجدول 12.
يمكن مقارنة التوأم الرقمي المقترح بشكل شامل مع طرق أخرى مثل طريقة المزامنة القائمة على الفيزياء، ونموذج LSTM ونموذج GNN من حيث دقة المراقبة، والقدرة على المزامنة، وكشف الشذوذ، وأداء التحكم، كما هو موضح في الجدول 13. وتعتبر التوائم الرقمية الفيزيائية أقل تكيفاً ولديها هامش خطأ أعلى بناءً على النهج الساكنة. أما النهج العصبية، مثل LSTM وGNN، فهي أفضل ولكنها لا تدمج الفيزياء والمزامنة والتحكم بشكل فعال. وقد حقق التوأم الرقمي المقترح أفضل قيمة بلغت 0.20 في RMSE، و72.2% في تقليل الانجراف، و0.94 في AUROC، و0.92 في F1-Score، و95.5 في المكافأة التراكمية. وتشير النتائج المذكورة أعلاه بوضوح إلى أن الدمج الفعال للمشغلات العصبية المستنيرة بالفيزياء، ونمذجة الرسوم البيانية للمكان والزمان، واستيعاب البيانات العصبية، والتعلم التعزيزي يمكن أن يؤدي إلى تحسين نظام توأم رقمي دقيق وقوي ومدرك للتحكم بشكل كبير.
الشكل 7: تكلفة التدريب واستخدام الموارد لمكونات مختلفة من النظام المقترح، بما في ذلك FNO، ونموذج المؤثر العصبي (Neural operator model)، و GNN، ووحدة RL، والإطار العام للنظام. تشمل المقاييس وقت التدريب (ساعات) واستخدام ذاكرة GPU (GB). تمثل القيم متوسط النتائج عبر عدة تجارب مستقلة (n = 5). تشير أشرطة الخطأ إلى SD، بينما تمثل أشرطة الخطأ المتراكبة الأرق وأرق SEM = SD/√n، مما يعكس التباين بين التجارب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
في الشكل 7، يتم عرض تكلفة التدريب واستهلاك الموارد للنهج المقترح وفقاً لمكوناته الرئيسية. ويلاحظ أن نماذج المؤثرات العصبية، مثل FNO ونموذج Neural operator، تتطلب تكاليف تدريب واستهلاكاً لذاكرة GPU بشكل كبير مقارنة بالنظام ككل. وتعود تكلفة التدريب المرتفعة إلى قدرة المؤثرات على التعلم عالي الأبعاد. كما وُجد أن وحدات الشبكة العصبية الرسومية والتعلم التعزيزي لها تكلفة تدريب أقل، إلا أنها تظل أساسية لتعلم التبعيات المكانية والتحكم التكيفي. وعلى الرغم من أن النظام المقترح يتطلب تكاليف تدريب أعلى، إلا أن زمن الاستنتاج وُجد أنه فعال. ومقارنة بالطرق المرجعية مثل نماذج LSTM أو GNN المستقلة، يتسبب النظام المقترح في تكلفة تدريب أعلى بسبب تكامل الوحدات المتعددة، ولكنه يحقق دقة ومتانة محسنة، كما هو موضح في الجدول 13.
بشكل عام، يجمع هيكل التوأم الرقمي المقترح عدة عناصر، يعالج كل منها مشكلة متميزة في نمذجة والتحكم في الأنظمة الصناعية المعقدة. وبخلاف الحلول العددية التقليدية، التي غالباً ما تكون مكلفة حاسوبياً وأقل ملاءمة للتطبيقات في الوقت الفعلي، تُستخدم مؤثرات عصبية مستنيرة بالفيزياء (physics-informed neural operators)، مثل Fourier Neural Operator و Deep Operator Network، لالتقاط ديناميكيات النظام غير الخطية وعالية الأبعاد بشكل أكثر فعالية. ويمكن استخدام نماذج تعلم آلي أبسط، مثل الشبكات العصبية ذات التغذية الأمامية أو الشبكات العصبية المتكررة، إلا أنها عادةً لا تتعلم المؤثرات الفيزيائية الأساسية ولا يمكنها التعميم عبر تكوينات النظام المختلفة. كما يتم نمذجة التبعيات بين المستشعرات الموزعة، المرتبطة جوهرياً في أنظمة إنتاج النفط والغاز، باستخدام الشبكة العصبية الرسومية المكانية والزمانية (spatio-temporal graph neural network). وقد تؤدي الطرق التقليدية، مثل نماذج السلاسل الزمنية المستقلة أو البنى المتكررة البسيطة، إلى دقة أقل في تقدير الحالة وكشف الشذوذ لأنها لا تعكس الروابط المكانية بشكل صريح. ويسمح التحكم التكيفي، الذي يستفيد من وحدة التعلم التعزيزي، للنظام بتحسين الخيارات التشغيلية في البيئات الديناميكية وغير المؤكدة. ومن ناحية أخرى، تتسم استراتيجيات التحكم القائمة على القواعد أو التحكم الاستاتيكي بالصلابة وعدم القدرة على التكيف مع ظروف النظام المتغيرة أو الاضطرابات غير المتوقعة. وبينما توجد بدائل أقل تعقيداً، إلا أنها عادةً ما تتعامل مع أجزاء معينة من المشكلة فقط وغير كافية لتحقيق حل متكامل يدمج النمذجة الدقيقة والمراقبة في الوقت الفعلي والتحكم التكيفي. ومن خلال ضمان مساهمة كل جزء في الأداء العام للنظام، يعزز التصميم النمطي المقترح الدقة والقابلية للتوسع والمتانة في البيئات الصناعية الصعبة.
| دراسة / عمل | التقنيات المستخدمة | النتائج | محددات الدراسة |
| المعامل العصبي العميق للتوأم الرقمي26 | المؤثر العصبي DeepONet كنموذج بديل | تنبؤ في الوقت الفعلي؛ أسرع بعدة رتب مقدارية من محاكيات الفيزياء | يتطلب الأمر وضعاً دقيقاً للمستشعرات؛ كما تحتاج طرق التقييم إلى تحسين. |
| توأم رقمي مُمكَّن بالاستشعار الافتراضي باستخدام DeepONet27 | المستشعرات الافتراضية لشبكة DeepONet في التوأم الرقمي (DT) | تنبؤات سريعة؛ استدلال في الوقت الفعلي؛ تقدير شامل للحالة | يؤثر الانحياز الطيفي على الظواهر عالية التردد؛ مما يستدعي الحاجة إلى النمذجة الهجينة |
| التوأم الرقمي باستخدام التعلم التعزيزي العميق (DRL) والتحكم التنبئي بالنموذج غير الخطي (NMPC) في التحكم28 | التعلم التعزيزي العميق & تكامل التحكم التنبئي بالنماذج غير الخطي | تحسين أداء التحكم؛ تقليل خطأ التتبع وتحديثات التوأم التكيفية | يقتصر التطبيق على الأوعية؛ وهناك حاجة لمزيد من التطبيق على أنظمة الإنتاج |
| التوأم الرقمي القائم على الذكاء الاصطناعي في الأتمتة الصناعية29 | تعلم الآلة الخاضع للإشراف/غير الخاضع للإشراف (LSTM، CNN، RF، وغيرها) | دقة عالية في التنبؤ بالأعطال & مراقبة | تعتمد بشكل أساسي على تعلم الآلة التقليدي؛ وتفتقر إلى النماذج العميقة المتقدمة للمكان والزمان |
| زيت & مراجعة للتوأم الرقمي للغاز16 | مختلف تقنيات الذكاء الاصطناعي وتعلم الآلة & النمذجة الميكانيكية | تصنيف شامل لاستراتيجيات النمذجة | مفاهيمي في غالبيته؛ مع تطبيقات عملية محدودة باستخدام التعلم العميق المتقدم |
الجدول 1: تحليل مقارن لإنتاج النفط والغاز وإدارة التحكم مع الطرق الحالية. نظرة عامة على استراتيجيات التوأم الرقمي والتحكم ذات الصلة، مع التركيز على الطرق المستخدمة، والنتائج التي تم تحقيقها، والعيوب الجوهرية.
| اسم مجموعة البيانات | المجال / النظام | عدد السمات | المدة & الحجم | خصائص البيانات |
| زيت محاكى & بيانات إنتاج الغاز | زيت & نظام إنتاج الغاز (محاكاة) | متعدد المتغيرات (الضغط، التدفق، درجة الحرارة، إلخ) | صُمم خصيصاً لهذا البحث | مستشعر محاكى في الوقت الفعلي & إشارات التحكم، طبيعية & حالات الخطأ |
| نظام اختبار المياه الآمن (SWaT) | نظام التحكم الفيزيائي السيبراني (CPS) الآمن لمعالجة المياه | ~51 مستشعراً ومشغلاً ميكانيكياً | ~11 أيام (~450 ألف+ عينة) | طبيعي & شذوذ (36 سيناريو هجوم) |
| وادي | النظام الفيزيائي السيبراني لتوزيع المياه | ~123 مستشعراً ومشغلاً ميكانيكياً | ~16 يوماً (~1 مليون عينة فأكثر) | طبيعي & شذوذ (15 هجوماً) |
الجدول 2: وصف مجموعة البيانات.
وصف مجموعة البيانات. ملخص لمجموعات بيانات الدراسة، بما في ذلك المجال، وعدد الميزات، والمدة، وسمات البيانات.
| مكوّن | المعلمة الفائقة | قيمة |
| شبكة عصبية رسومية زمانية-مكانية (ST-GNN) | عدد الطبقات | 3 |
| الشبكة العصبية الرسومية الزمانية-المكانية (ST-GNN) | البعد الخفي | 64 |
| شبكة عصبية تلافيفية رسومية زمانية-مكانية (ST-GNN) | طول النافذة الزمنية | 12 |
| المؤثر العصبي فوريه (FNO) | عدد أنماط فوريه | 16 |
| المؤثر العصبي الفوريه (FNO) | عدد الطبقات | 4 |
| شبكة العمليات العميقة (DeepONet) | حجم شبكة التفرعات | [128, 128] |
| شبكة المشغل العميق (DeepONet) | حجم الشبكة الجذعية | [128, 128] |
| استيعاب البيانات | نافذة التمثيل | 10 خطوات زمنية |
| المحسن | آدم | |
| معدل التعلم | 0.001 | |
| حجم الدفعة | 64 | |
| وحدة تحكم قائمة على التعلم التعزيزي | عامل الخصم (γ) | 0.99 |
| وحدة تحكم التعلم التعزيزي | طبقات شبكة السياسات | [128, 64] |
الجدول 3: بنية النموذج والمعلمات الفائقة. التكوينات البنيوية الهامة وإعدادات المعلمات الفائقة للمشغلات العصبية، واستيعاب البيانات، والتعلم التعزيزي، ومكونات الشبكة العصبية الرسومية المكانية والزمانية.
| المعلمة | الوصف |
| منصة المحاكاة | Python (v3.10) مع PyTorch (v2.1) |
| المكتبات الداعمة | NumPy (v1.24), SciPy (v1.10), Pandas (v1.5) |
| الأجهزة (Hardware) | NVIDIA RTX series GPU (على سبيل المثال RTX 3090, 24 GB VRAM), Intel Core i7/i9 CPU, 32–128 GB RAM |
| تسريع وحدة معالجة الرسومات (GPU acceleration) | CUDA Toolkit (v11.8), cuDNN (v8.x) |
| نظام التشغيل | Linux (Ubuntu 20.04) / Windows 10 |
| بيئة التطوير | Jupyter Notebook / VS Code |
| فاصل أخذ العينات | 1–10 ثوانٍ (قابل للضبط للمحاكاة في الوقت الفعلي) |
| نمذجة ضوضاء المستشعر | ضوضاء غاوسية (σ = 0.01–0.05) |
| سيناريوهات الأعطال | أعطال المستشعرات، واضطرابات التدفق، وشذوذ التحكم |
| وضع التقييم | محاكاة في الوقت الفعلي قائمة على النافذة المنزلقة (Sliding window) |
| توافر الكود | سيتم توفير رابط المستودع عند الطلب / النشر لضمان إمكانية إعادة الإنتاج |
الجدول 4: بيئة المحاكاة. معلومات حول تكوين الأجهزة، ومنصة البرمجيات، وفترة أخذ العينات، ونمذجة الضوضاء، وسيناريوهات الأعطال في الإعداد التجريبي.
| مجموعة البيانات | خطأ الحالة الأولية | خطأ الحالة النهائية | نسبة خفض الانجراف (%) |
| زيت محاكى & غاز | 0.9 | 0.25 | 72.2 |
| فريق التكتيكات الخاصة والأسلحة والتعامل مع الحالات الخطرة (SWAT) | 1.1 | 0.4 | 63.6 |
| وادي | 1.3 | 0.55 | 57.7 |
الجدول 5: النتيجة التجريبية لمزامنة التوأم الرقمي. تقييم كمي لأداء المزامنة يوضح انخفاض انحراف التنبؤ عبر مجموعات البيانات، وأخطاء تقدير الحالة الأولية والنهائية.
| مجموعة البيانات | الدقة | الاسترجاع | مقياس F1 (F1-Score) |
| زيت محاكى & غاز | 0.95 | 0.93 | 0.94 ± 0.01 |
| فرقة التدخل السريع (SWAT) | 0.9 | 0.88 | 0.92 ± 0.02 |
| وادي | 0.87 | 0.85 | 0.90 ± 0.02 |
الجدول 6: أداء كشف الشذوذ. نتائج كشف الشذوذ في مجموعات بيانات النفط والغاز المحاكية، وSWAT، وWADI، بما في ذلك الدقة (precision)، والاستدعاء (recall)، ومقياس F1 (F1-score).
| مجموعة البيانات | المكافأة التراكمية ↑ | انتهاكات القيود ↓ | نسبة خفض التكلفة (%) ↑ |
| زيت محاكى & غاز | 96.5 ± 0.8 | 0 | 18.7 |
| فريق العمليات الخاصة والمكافحة (SWAT) | 92.1 ± 1.2 | 1 | 14.3 |
| وادي | 89.7 ± 1.5 | 2 | 11.6 |
الجدول 7: النتائج التجريبية للتحكم في الحلقة المغلقة والتحسين. تُستخدم المكافأة التراكمية، وانتهاكات القيود، وخفض التكاليف التشغيلية لتقييم أداء التحكم في الحلقة المغلقة.
| وحدة تعليمية | متوسط زمن الاستجابة (ملي ثانية) | الوصف |
| المعامل العصبي (FNO/DeepONet) | ١٨-٢٥ مللي ثانية | تعلم المؤثرات والتنبؤ بحالة النظام |
| الشبكة العصبية الرسومية المكانية الزمانية (ST-GNN) | ٢٢-٣٥ مللي ثانية | نمذجة الاعتمادية المكانية والزمانية |
| شبكة سياسة التعلم التعزيزي | 5-10 مللي ثانية | توليد قرار التحكم |
| المعالجة المسبقة للبيانات | ٨-١٢ مللي ثانية | تسوية المدخلات وتحضير السمات |
| إجمالي زمن انتقال حلقة التحكم | 55-82 ميلي ثانية | زمن تنفيذ إجراء التحكم من الطرف إلى الطرف |
الجدول 8: تقييم أداء التحكم في الوقت الفعلي. تمثل قيم زمن الاستجابة متوسط أوقات الاستنتاج المقاسة لكل خطوة تحكم تحت تكوين قياسي للأجهزة.
| نموذج | متوسط مربع الخطأ ↓ | متوسط الخطأ المطلق ↓ | الخطأ النسبي (%) ↓ | زمن الاستنتاج (ملي ثانية) ↓ | القيمة الاحتمالية (مقابل خط الأساس) |
| المحلل العددي (الأساسي) | 0.0125 ± 0.0012 | 0.089 ± 0.006 | 8.75 ± 0.54 | 120.5 ± 5.2 | — |
| نموذج تعلم آلي تقليدي | 0.0098 ± 0.0009 | 0.072 ± 0.005 | 6.42 ± 0.48 | 85.3 ± 4.7 | 0.021 |
| تعلم المؤثرات القائمين | 0.0076 ± 0.0007 | 0.061 ± 0.004 | 5.18 ± 0.41 | 42.8 ± 3.1 | 0.008 |
| الشبكة العصبية للمؤثر العميقة DeepONet (المقترحة) | 0.0052 ± 0.0005 | 0.044 ± 0.003 | 3.67 ± 0.32 | 18.6 ± 2.4 | < 0.001 |
| الشبكات العصبية لتحويل فوريه (مقترح) | 0.0047 ± 0.0004 | 0.039 ± 0.002 | 3.21 ± 0.28 | 15.2 ± 2.1 | < 0.001 |
الجدول 9: مقارنة بين النماذج الأساسية والمقترحة من حيث دقة التنبؤ (MSE، MAE، الخطأ النسبي) والكفاءة الحسابية (وقت الاستنتاج). تم تسجيل القيم كمتوسط ± الانحراف المعياري عبر تشغيلات متعددة. تشير القيم الأقل إلى أداء أفضل. تشير قيم p إلى الدلالة الإحصائية مقارنة بالمحلل العددي الأساسي.
| الطريقة | MAE ↓ | RMSE ↓ | F1-Score ↑ | AUC ↑ | تقليل الانزياح (%) ↑ | المكافأة التراكمية ↑ |
| Physics-based DT | 0.45 | 0.62 | 0.78 | 0.82 | 35.4 | 65.2 |
| LSTM | 0.32 | 0.48 | 0.85 | 0.88 | 48.7 | 74.5 |
| GNN | 0.28 | 0.41 | 0.88 | 0.91 | 55.3 | 81.3 |
| الإطار المقترح | 0.2 | 0.3 | 0.94 | 0.97 | 72.2 | 95.5 |
الجدول 10: مقارنة شاملة للأداء. مقارنة شاملة للأداء بين نموذج التوأم الرقمي المقترح المدرك للتحكم وبين مناهج أساسية أخرى للمراقبة، وكشف الشذوذ، والمزامنة، والتحكم. بالنسبة لدقة التنبؤ، تُفضل القيم الأدنى من MAE و RMSE. وبالنسبة لأداء كشف الشذوذ والمزامنة، تُفضل القيم الأعلى من F1-score و AUC وخفض الانزياح والمكافأة.
| مكون | مَعلَمَة | القيمة/الإعداد |
| المؤثرات العصبية (FNO/DeepONet) | العصور | 100–200 |
| حجم الدفعة | 32–64 | |
| معدل التعلم | 0.001 | |
| شبكة عصبية رسومية زمانية-مكانية (ST-GNN) | الطبقات | 3 |
| الوحدات الخفية | 64 | |
| النافذة الزمنية | 10-20 خطوة زمنية | |
| الاستيعاب البيانات رباعي الأبعاد العصبي (Neural 4D-Var) | نافذة التمثيل | ثابتة (نافذة منزلقة) |
| التحسين | النزول الاشتقاقي (Gradient Descent) | |
| التعلم التعزيزي | عامل الخصم (γ) | 0.95 |
| أوزان المكافأة (α، β، γ) | 0.6, 0.25, 0.15 | |
| تدريب عام | المُحسِّن | آدم |
| الأجهزة والمعدات | وحدة معالجة الرسوميات NVIDIA RTX |
الجدول 11: تهيئة التدريب ومعاملات التنفيذ المستخدمة لمكونات مختلفة من إطار عمل التوأم الرقمي المقترح. يقدم الجدول نظرة عامة على المعلمات الفائقة ومعاملات التدريب المختلفة المستخدمة لضمان إمكانية تكرار النظام المقترح لمختلف المكونات.
| مكون | وقت التدريب (ساعة) | زمن استجابة الاستدلال (ملي ثانية) | نسبة استخدام وحدة معالجة الرسومات (%) | القابلية للتوسع |
| المؤثرات العصبية | 6–8 | 25–40 | 80–90 | عالي |
| شبكة عصبية رسومية مكانية-زمانية (ST-GNN) | 3–4 | 15–25 | 60–70 | مرتفع |
| الاستيعاب البيانات رباعي الأبعاد العصبي (Neural 4D-Var) | 2–3 | 20–30 | 65–75 | متوسط |
| وحدة تحكم قائمة على التعلم التعزيزي | 1–2 | 10–20 | 50–60 | مرتفع |
| النظام العام | 12–16 | <١٠٠ مللي ثانية | 70–85 | قابل للتوسع |
الجدول 12: تحليل الأداء الحسابي وقابلية التوسع لنموذج التوأم الرقمي المقترح لمكونات مختلفة. يُستخدم زمن الاستجابة (Latency) لتمثيل أداء الاستدلال في الوقت الفعلي، وتُستخدم وحدة معالجة الرسوميات (GPU) لتمثيل الأداء الحسابي، بينما تمثل قابلية التوسع قدرة النموذج المقترح على الاستخدام في التطبيقات ذات النطاق الصناعي.
| الطريقة | مراقبة جذر متوسط مربع الخطأ (RMSE) | تقليل انزياح المزامنة (%) | المساحة تحت منحنى خصائص تشغيل المستقبل (AUROC) | مقياس F1 (F1-Score) | المكافأة التراكمية |
| التوأم الرقمي القائم على الفيزياء | 0.45 | 28.6 | 0.78 | 0.74 | 42.3 |
| نموذج قائم على الذاكرة طويلة قصيرة المدى (LSTM) | 0.31 | 41.2 | 0.86 | 0.83 | 61.7 |
| نموذج قائم على الشبكات العصبية الرسومية (GNN) | 0.26 | 53.4 | 0.91 | 0.88 | 74.5 |
| التوأم الرقمي المقترح | 0.2 | 72.2 | 0.94 | 0.92 | 95.5 |
الجدول 13: تقييم مقارن للعمل المقترح مع الطرق الحالية. تتم مقارنة أداء نموذج التوأم الرقمي المقترح من حيث مقاييس المراقبة والمزامنة وكشف الشذوذ والتحكم مقابل النهج المرجعية والنهج القائمة على التعلم.
| تكوين النموذج | مراقبة الخطأ (جذر متوسط مربع الخطأ) | كشف الشذوذ (F1) | أداء التحكم (المكافأة) |
| النموذج الكامل (جميع الوحدات) | 0.2 | 0.92 | 95.5 |
| – بدون استيعاب البيانات | 0.29 | 0.88 | 89.2 |
| – بدون الشبكة العصبية الرسومية المكانية الزمانية (ST-GNN) | 0.27 | 0.85 | 87.1 |
| – بدون التعلم المعزز | 0.21 | 0.9 | 78.4 |
| – بدون التعلم المستمر | 0.23 | 0.91 | 92.3 |
الجدول 14: النتائج التجريبية ودراسة الاستئصال. دراسة استئصال تبحث في كيفية مساهمة كل جزء من نموذج التوأم الرقمي المقترح في الأداء العام للنظام.
| السيناريو | توافر البيانات | جذر متوسط مربع الخطأ | الدقة | معالجة الفجوات في الملاحظات |
| طبيعي | 100% | منخفض | مرتفع | مستقر |
| فقدان جزئي | 50–70% | متوسط | عالي | الاستكمال القوي (Robust interpolation) |
| فقدان شديد | 20–30% | متزايد | متوسط | التدهور التدريجي الممنهج |
| فشل المستشعر | 0% حسب المنطقة | أعلى | متوسط | التعميم المكاني |
الجدول 15: تحليل المتانة في ظل ندرة البيانات. يوضح الجدول التالي أداء إطار عمل neural 4D-Var المقترح في حالات مختلفة من توافر البيانات. ويشير الجدول إلى متانة النموذج من خلال إظهار كيفية تغير الأخطاء في حالات الفقدان الجزئي، والندرة العالية، والفقدان الكلي لبيانات المستشعرات.
المناقشة
تُظهر نتائج هذا البحث فعالية التوأم الرقمي المطور والواعي بالتحكم من حيث قدرته على تحسين المراقبة في الوقت الفعلي، والكشف، وتحسين التحكم لمجموعة واسعة من الأنظمة الفيزيائية السيبرانية (CPS). وبالمقارنة مع النماذج التقليدية للمراقبة، فإن الجمع بين PINO والشبكات العصبية الرسومية (graph neural networks) أكثر فعالية من حيث دقة تقدير الحالة، حتى في الأنظمة التي تعاني من الضوضاء. وتعود هذه النتيجة إلى أن نموذج تعلم الآلة المتقدم في التوأم الرقمي يكون أكثر فعالية من حيث التنبؤ والكشف في النظام39.
بالمقارنة مع الحلول الحالية للكشف عن الشذوذ، مثل كاشفات شذوذ التوأم الرقمي التي تعتمد على التعلم المنهجي أو نماذج التمثيل السببية، يمكن ملاحظة أن الطريقة المقترحة يمكنها تحقيق أداء تنافسي عند مقارنة النتائج التي تم الحصول عليها في الأدبيات العلمية. فعلى سبيل المثال، مكنت كاشفات الشذوذ القائمة على التوأم الرقمي والتي تستخدم التعلم المنهجي من تحقيق تحسين متوسط في مقياس F1-score لمنصات اختبار الأنظمة الفيزيائية السيبرانية (CPS)، مما يشير إلى أن نماذج التعلم يمكن أن تؤثر على كفاءة عمليات الكشف40. وفي الوقت ذاته، تركز نماذج التوأم الرقمي الشائعة حالياً بشكل قوي على الاستنتاج الفعال والحد من الإيجابيات الكاذبة عبر الاستدلال السببي، ولكن ذلك يكون على حساب زيادة تعقيد النموذج في النموذج السببي. وفي هذا الصدد، يوفر نهج التعلم التعزيزي المتزامن المقترح كلاً من تحسين التشغيل الفعال والكشف السليم عن الشذوذ ضمن إطار عمل واحد. ومع ذلك، تجدر الإشارة إلى أن مقارنة الطريقة المقترحة مع النهج الأخرى لا تستند إلى نتائج تجارب مقارنة مباشرة، بل تعتمد فقط على النتائج التي أبلغ عنها باحثون آخرون؛ لذا يجب إجراء هذه المقارنة مع أخذ هذا الاعتبار في الحسبان.
علاوة على ذلك، فإن إضافة الكشف عن الشذوذ وتحسين إجراءات التحكم ضمن التوأم الرقمي المقترح يوضح الأهمية المتزايدة لقدرات دعم القرار والتشغيل التي توفرها التوائم الرقمية، وهو اتجاه حالي لأنشطة البحث والتطوير المرتبطة بأنظمة الفيزيائية السيبرانية (CPS). وتظهر الأوراق البحثية41 المتعلقة بمعايرة التوأم الرقمي باستخدام التعلم التعزيزي، مثل النهج التكيفية لتوجيه المستشعرات، أن استخدام وكلاء التعلم يمكن أن يوفر فوائد إضافية، لا سيما فيما يتعلق بالدقة والقابلية للتكيف، خاصة في الأنظمة الديناميكية. وهذا يؤكد النتائج المتعلقة بتعزيز فعالية التحسين في الحلقة المغلقة، مما يعزز الفرضية القائلة بأن التكامل الذكي يمكن أن يزيد من متانة وكفاءة أنظمة CPS. وقد صُمم هذا النهج، كما ذكر سابقاً، ليعمل في صناعة النفط والغاز، إلا أن تقييم النهج يعتمد على محاكاة لصناعة النفط والغاز، بالإضافة إلى مجموعات البيانات المرجعية لأنظمة CPS، وهي SWaT و WADI. ومع ذلك، تجدر الإشارة إلى أن التحقق الحالي لا يتضمن بيانات تشغيلية واقعية من قطاع النفط والغاز، وبالتالي يجب تفسير إمكانية التطبيق على سيناريوهات النشر الواقعية بحذر. وفي المستقبل، سيتم إجراء تقييم مقارن بين طريقة تعلم المناهج المقترحة وطريقة التوأم الرقمي القائمة على الاستدلال السببي ضمن إطار تجريبي موحد لمقارنة النهجين بطريقة منضبطة. وبالرغم من أن دمج هذه الوحدات، بما في ذلك المؤثرات العصبية والشبكات الرسومية والتعلم التعزيزي، يزيد من التكلفة الحسابية، إلا أن لكل وحدة وظيفة محددة تؤديها. كما تثبت دراسة الاستئصال أداء النهج المقترح، حيث يتدهور الأداء في حال إزالة أي من هذه الوحدات.
من الناحية النظرية، تقدم هذه الدراسة مساهمات كبيرة في إضافة الأساليب القائمة على النماذج والأساليب الموجهة بالبيانات ضمن بنية التوأم الرقمي. ويوفر دمج المشغلات العصبية المستنيرة بالفيزياء وتقنيات استيعاب البيانات العصبية في عملية تقدير الحالة نهج نمذجة هجين للأنظمة الفيزيائية السيبرانية (CPS)، مما يسد فجوة كبيرة في أدبيات أبحاث التوأم الرقمي، التي اعتمدت إما على عمليات محاكاة قائمة على الفيزياء البحتة أو نماذج الصندوق الأسود لمحاكاة الأنظمة الفيزيائية السيبرانية، ولكن ليس كليهما. ونظرياً، يتماشى هذا البحث مع تطور أبحاث التوأم الرقمي لنماذج الأنظمة الفيزيائية السيبرانية ذاتية القيادة التي يمكنها التعلم والتكيف باستمرار، وهو الأمر الذي تم التأكيد عليه في الأدبيات الحديثة.
من حيث إمكانية التطبيق، يمكن للمنهج المقترح أن يحسن بشكل كبير من عمل الأنظمة الفيزيائية السيبرانية (CPS) في البيئة الصناعية، حيث يتيح الموثوقية في الوقت الفعلي، والتحديد السريع والدقيق للشذوذ، واستراتيجيات حلقة التحكم المثلى، نتيجة للتعزيز المباشر للسلامة والكفاءة في تشغيل هذه الأنظمة. فعلى سبيل المثال، في البيئة الصناعية التي يرجح أن يصاحبها ضجيج في المستشعرات ونموذج نظام غير خطي، يضمن نهج الكشف المتزامن التحديد السريع للاختلالات مع الحد من حدوث الإنذارات الكاذبة. وبخلاف الحلول الحالية لأنظمة CPS القائمة على التوأم الرقمي والمتعلقة بالكشف عن التسلل، والتي تهدف بشكل أساسي إلى مقاييس التصنيف، يتيح المنهج المقترح أساليب التحديد والتصحيح معاً، مما يساهم في قدرة مشغلي النظام على تغيير بيئة تشغيل الـ CPS بشكل استباقي قبل حدوث فترة التوقف عن العمل. بالإضافة إلى ذلك، فإن قدرة المنهج المقترح على التطبيق الشامل في بيئات متباينة، كما ظهر من أدائه على مجموعة البيانات المرجعية، تشير إلى إمكانية التطبيق العامة لهذا المنهج في مختلف بيئات الـ CPS مثل التصنيع الذكي، ومجال الطاقة، وأنظمة إدارة شبكات البنية التحتية الحيوية.
يتم تقييم قابلية التوسع لإطار عمل التوأم الرقمي المقترح من حيث قدرته على إدارة الحجم المتزايد للنظام والتعقيد الزمني. ومن خلال تمثيل تفاعلات المستشعرات باستخدام هياكل الرسوم البيانية المتناثرة، تتوسع الشبكة العصبية الرسومية المكانية والزمانية بكفاءة مع زيادة عدد المستشعرات والمكونات المراقبة، مما يمنع النمو الأسي في التعقيد الحسابي. كما يعزز تطبيق المشغلات العصبية المستنيرة بالفيزياء من قابلية التوسع من خلال تعلم تعيينات المشغل بغض النظر عن دقة التجزئة، مما يتيح نمذجة فعالة للأنظمة واسعة النطاق دون زيادات ملحوظة في التكلفة الحسابية. ويستخدم إطار العمل طرق النافذة المنزلقة والتعلم القائم على التسلسل لإدارة التبعيات الزمنية عبر آفاق زمنية أكبر دون التضحية بجدوى الحوسبة. بالإضافة إلى ذلك، تقلل تقنيات التعلم التزايدي من الأعباء الإضافية في عمليات النشر واسعة النطاق من خلال تمكين التحديثات المستمرة دون الحاجة إلى إعادة تدريب كاملة. علاوة على ذلك، أصبح من الممكن المعالجة الفعالة في الوقت الفعلي لتدفقات البيانات عالية الأبعاد من خلال الاستفادة من الحوسبة المتوازية القائمة على GPU. وتعد البنية المقترحة مناسبة للتطبيقات الصناعية واسعة النطاق مثل أنظمة إنتاج النفط والغاز التي تحتوي على شبكات مستشعرات موزعة ومتطلبات مراقبة مستمرة، حيث صُممت لتتوسع مع كل من عدد المستشعرات ووقت التشغيل.
ستساعد دراسة الاستئصال في فهم المساهمة الفردية لكل وحدة، وهي: المؤثرات العصبية، وشبكة ST-GNN، وتمثيل البيانات، والتعلم التعزيزي. وقد أُجريت دراسة استئصال لقياس مستويات المساهمة للعديد من الوحدات الرئيسية الفردية في بنية التوأم الرقمي المقترحة. وتشمل هذه الوحدات الفردية تمثيل البيانات، ونمذجة الرسوم البيانية مكانياً وزمانياً، والتعلم التعزيزي، والتعلم المستمر. كما تم فحص آثار إزالة هذه الوحدات الفردية من حيث مستويات التأثير التي تسببها في دقة المراقبة، وكشف الشذوذ، والتحكم. وتؤكد النتائج النهائية بوضوح أن استخدام البنية الشاملة هو الأفضل دائماً، وبالتالي فإن إزالة الوحدات الفردية تؤدي إلى مستويات متفاوتة من تدهور الأداء، مما يشير إلى أن المكونات المختلفة تساهم بشكل متفاوت في الأداء العام للنظام. ويظهر مستوى تأثير إزالة وحدة تمثيل البيانات بوضوح زيادة في خطأ التنبؤ ويؤثر على الموثوقية بمستوى مماثل فيما يتعلق بكشف الشذوذ. كما يظهر مستوى تأثير إزالة التعلم التعزيزي بوضوح أن التحكم قد تأثر بشكل كبير، خاصة عند النظر في المراقبة وحدها.
تظهر نتائج الاستئصال في الجدول 14 أن الوحدات المختلفة لها مساهمات متفاوتة في أداء النظام. وتُسهم وحدة استيعاب البيانات بأكبر قدر في دقة أداء المراقبة، تليها وحدة ST-GNN. أما وحدة التعلم المستمر فلها مساهمة متوسطة في دقة أداء المراقبة، بينما تمتلك وحدة التعلم التعزيزي أصغر مساهمة في دقة أداء المراقبة، على الرغم من أنها تقدم أكبر مساهمة في أداء التحكم من حيث انخفاض قيمة المكافأة من 95.5 إلى 78.4.
للتحقق من متانة إطار عمل neural 4D-Var المقترح، أُجريت تجارب في ظل ظروف رصد متدهورة بشكل متزايد. وتحديداً، شملت التجارب السيناريوهات التالية: (i) فشل جزئي في المستشعرات، حيث تراوحت نسبة البيانات المفقودة من 30% إلى 70%؛ (ii) سقوط كامل للمستشعرات في مناطق محددة؛ و(iii) تأخر في الاتصالات أدى إلى ملاحظات متباعدة زمنياً. وتُظهر النتائج التجريبية أن النموذج المقترح يتمتع بأداء قوي في ظل فقدان البيانات المتوسط، ويتدهور أداؤه تدريجياً وبشكل طفيف في حالات فقدان البيانات الشديد، مما يوضح مستواه العالي من القدرة على التكيف. ويوضح الجدول 15 نتيجة تحليل المتانة.
تتمثل إحدى محدوديات هذه الدراسة في نطاق التحقق من صحة النموذج المقترح. وتجدر الإشارة إلى أنه على الرغم من أن النموذج مخصص لأنظمة إنتاج النفط والغاز، إلا أن تقييم النموذج المقترح استند إلى قيم محاكاة للنفط والغاز ومشكلات مرجعية سيبرانية-فيزيائية مثل SWaT وWADI. ومن المهم أيضًا ملاحظة أنه على الرغم من ارتباط المشكلات المرجعية بعمليات النفط والغاز، فإن المشكلات في هذه الحالة مرتبطة بمعالجة المياه وتوزيعها.
ومع ذلك، وعلى الرغم من هذا الأداء الأمثل، إلا أن هناك بعض القيود. فعلى سبيل المثال، يتسم النظام بتعقيد حسابي أعلى مقارنة ببعض تطبيقات التوأم الرقمي، لا سيما مع دمج المشغلات العصبية، والشبكات الرسومية، والتعلم التعزيزي. وقد يشكل ذلك عائقاً رئيسياً أمام اعتماد هذه الأنظمة في المنصات ذات القدرات الحسابية المحدودة. وعلاوة على ذلك، ورغم التركيز فقط على المحاكاة ومجموعات القياس المرجعية، إلا أنها لم تتمكن من شمل مستوى التنوع الذي يتواجد في الأنظمة الفيزيائية السيبرانية (CPS) التشغيلية. ويمكن ملاحظة ذلك في مجموعات المحاكاة، مثل SWAT وWADI، المعتمدة عموماً في تقييمات الأنظمة الفيزيائية السيبرانية، حيث قد تفتقر هذه المجموعات إلى مستوى التنوع الذي يتم مواجهته في بيئات الأنظمة الفيزيائية السيبرانية في العالم الحقيقي. كما يفترض النظام توفر إمداد مناسب من بيانات المستشعرات، وهو أمر قد لا يكون ممكناً دائماً في الأنظمة الفيزيائية السيبرانية القديمة. ويتمثل القيد الرئيسي للنظام في نقص بيانات صناعة النفط والغاز من العالم الحقيقي لتقييم النظام، حيث يستند التقييم إلى محاكاة لصناعة النفط والغاز، بالإضافة إلى مجموعات البيانات المرجعية للأنظمة الفيزيائية السيبرانية، أي SWaT وWADI، والتي قد لا تعكس بدقة التعقيدات الواقعية لصناعة النفط والغاز. وقد أظهر النظام المقترح أداءً واعداً في القدرات التنبؤية، إلا أنه يتطلب تكاليف حسابية أعلى خلال عملية التدريب. وفي المستقبل، يمكن النظر في بدائل خفيفة الوزن للنظام المقترح، بما في ذلك المشغلات العصبية ذات الرتبة المختزلة، وتقليم النماذج، ونماذج الفيزياء والتعلم الآلي الهجينة.
يجب دراسة قابلية التوسع والنشر في بيئة واقعية، وتكامل هذا النظام مع البنى التحتية الحالية للأنظمة الفيزيائية السيبرانية (CPS) حيث يمكن أن تتباين كثافة أجهزة الاستشعار وجودة المعلومات المستشعرة بشكل كبير، وذلك في الأعمال البحثية المستقبلية حول تقنيات ضغط النماذج. علاوة على ذلك، قد يكون توسيع هذا النظام ليشمل القابلية للتفسير وحلقات التغذية الراجعة للمشغلين مفيداً في تحسين الشفافية وبناء الثقة في عملية اتخاذ القرار الذاتي. بالإضافة إلى ذلك، فإن دمج طرق الاستدلال السببي ضمن عمليات اكتشاف الشذوذ الحالية، على غرار تلك المستخدمة في التوائم الرقمية السببية، قد يساهم في تحسين تحليل الأسباب الجذرية وتقليل الإنذارات الكاذبة. وأخيراً، ومن أجل تحقيق المتانة، سيتطلب هذا الإطار التحققي التحقق من صحته باستخدام بيانات ميدانية فعلية.
أثبت هذا البحث فكرة نموذج توأم رقمي ذكي ومدرك للتحكم، يهدف إلى تحسين قدرات مراقبة النظام في الوقت الفعلي، وكشف الشذوذ، واتخاذ القرار في الأنظمة السيبرانية الفيزيائية المعقدة. وبخلاف التوائم الرقمية التقليدية التي تعمل أساساً كمراقب سلبي وتُستخدم للمراقبة في الوقت الفعلي، يهدف هذا البحث إلى دمج المشغلات العصبية المستنيرة بالفيزياء، والشبكات العصبية الرسومية المكانية الزمانية، واستيعاب البيانات العصبي، والتحكم القائم على التعلم التعزيزي، وخوارزميات التعلم ضمن نموذج واحد لنظام التوأم الرقمي. يتم أولاً مراقبة النظام في الوقت الفعلي بواسطة نظام توأم رقمي يعتمد على نموذج تعلم مستنير بالفيزياء لنظام من المعادلات غير الخطية. ثانياً، يتم تطبيق نظام neural 4DVar لإجراء عملية استيعاب للبيانات تعمل على مزامنة النظامين الفيزيائي والافتراضي لتقليل انحراف تنبؤات النظام الناتج عن الضوضاء وتغيرات النظام. ويتم تنفيذ كشف الشذوذ بناءً على نموذج مكاني زماني إما للعلاقات المكانية أو لتطور النظام بمرور الوقت. وأخيراً، يقوم وكيل تعلم تعزيزي بإنشاء إجراءات تحكم في النظام انطلاقاً من حالة نظام متزامنة وتكون صالحة من منظور قيود سلامة النظام مع مراعاة قيود التحكم. وقد أظهرت التجارب المكثفة التي أجريت على عملية محاكاة للنفط والغاز، وسيناريوهات CPS المرجعية SWAT و WADI، الفعالية المحتملة للمنهج المقترح في ظل ظروف المحاكاة والظروف المرجعية. وقد أدى النموذج المقترح إلى تقليل أخطاء المراقبة (MAE و RMSE)، وتحقيق نتائج ممتازة في كشف الشذوذ، وسلوك متسق للتحكم في الحلقة المغلقة. وأكدت هذه النتائج أن مزامنة كشف الشذوذ والتحكم داخل التوأم الرقمي تعد عاملاً مهماً فيما يتعلق بالحفاظ على موثوقيته وكفاءة عملياته. ومن المجالات الأخرى للتطوير المحتمل لتقنية التوأم الرقمي توسيعها باستخدام الذكاء الاصطناعي والسببية. وسيتم تقييم هذا الإطار من خلال التحقق من صحته باستخدام بيانات واقعية من صناعة النفط والغاز.
من المهم التأكيد على أن الاستنتاجات المستخلصة في هذه الدراسة تستند إلى مجموعات بيانات محاكاة وبيانات مرجعية، وبالتالي يجب تفسير مدى قابليتها للتطبيق على أنظمة النفط والغاز في العالم الحقيقي بحذر.
توفّر البيانات:
تتوفر مجموعتا بيانات SWaT وWADI المستخدمتان في هذه الدراسة للعامة كبيانات لأنظمة تحكم صناعية، ويمكن الوصول إليهما عبر مستودع بيانات مختبر iTrust: https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/.
الإفصاحات
ليس لدى المؤلفين أي تضارب في المصالح.
شكر وتقدير
يقر المؤلفون بالدعم الفني والمؤسسي المقدم من شركة البيانات وقسم قيادة الإنتاج في شركة حقل شينجيانغ النفطية، CNPC، في كاراماي، الصين، أثناء إتمام هذا البحث. لم يتم تلقي أي تمويل خارجي لهذه الدراسة.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| وحدة المعالجة المركزية CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | سلسلة Xeon / Ryzen | تُستخدم لمحاكاة النظام، والمعالجة المسبقة للبيانات، والحسابات العامة |
| إطار عمل التعلم العميق (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | يُستخدم لتنفيذ الشبكات العصبية، والتحسين، ومسارات التدريب |
| مكتبة الشبكات العصبية العميقة (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | توفر بدائيات محسنة لعمليات التعلم العميق على وحدة معالجة الرسوميات GPU |
| DeepONet | غير قابل للتطبيق | https://arxiv.org/abs/1910.03193 | يُشار إليه في البرمجية باسم "neural operator model" |
| وحدة معالجة الرسوميات GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | تُستخدم لتدريب نماذج التعلم العميق بما في ذلك المؤثرات العصبية، وST-GNN، ومكونات التعلم التعزيزي |
| تسريع وحدة معالجة الرسوميات (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | يتيح الحوسبة المتوازية القائمة على GPU لتدريب النماذج عالية الأداء |
| توزيعة Linux (الإصدار 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | نظام التشغيل المستخدم لتنفيذ التجارب ونشر النماذج |
| نظام التشغيل (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | يوفر بيئة التنفيذ لجميع التجارب ونشر النماذج |
| خوارزمية التحسين (Adam Optimizer) | غير قابل للتطبيق | https://arxiv.org/abs/1412.6980 | تُستخدم لتدريب النماذج باستخدام تحسين معدل التعلم التكيفي |
| مكتبة الشبكات العصبية العميقة المحسنة (الإصدار 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | توفر بدائيات محسنة ومسرعة بواسطة GPU لعمليات الشبكات العصبية العميقة |
| لغة البرمجة (Python 3.10) | Python Software Foundation | https://www.python.org/downloads RRID:SCR_008394 | لغة البرمجة الأساسية المستخدمة في التنفيذ والتجريب |
| ذاكرة النظام (≥ 64 GB RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | تدعم التعامل مع البيانات الزمنية متعددة المتغيرات عالية الأبعاد وتدريب النماذج الكبيرة |
المراجع
- Rebello CM, Jäschke J, Nogueira IBR. Digital twin framework for optimal and autonomous decision-making in cyber-physical systems: Enhancing reliability and adaptability in the oil and gas industry. arXiv preprint arXiv:2311.12755. 2023. https://doi.org/10.48550/arXiv.2311.12755
- Priyanka EB, Thangavel S, Gao XZ, Sivakumar N. Digital twin for oil pipeline risk estimation using prognostic and machine learning techniques. J Ind Inf Integr. 2022;26:100272. https://doi.org/10.1016/j.jii.2021.100272
- Xu X, Liu B, Guo J. Asset management of oil and gas pipeline systems based on digital twin. IFAC Pap OnLine. 2020;53:715–719. https://doi.org/10.1016/j.ifacol.2020.12.123
- Shen F, Ren SS, Zhang XY. A digital twin-based approach for optimization and prediction of oil and gas production. Math Probl Eng. 2021;2021:3062841. https://doi.org/10.1155/2021/3062841
- Wanasinghe TR, et al. Digital twin for the oil and gas industry: Overview, research trends, opportunities, and challenges. IEEE Access. 2020;8:104175–104197. https://doi.org/10.1109/ACCESS.2020.2999087
- Wang B, Tao F, Fang X. Smart manufacturing and intelligent manufacturing: A comparative review. Engineering. 2021;7:738–757. https://doi.org/10.1016/j.eng.2020.07.017
- Wang C, Wang C, Wang K. Technology research and standard development of predictive maintenance for intelligent manufacturing equipment. China Standardization. 2021;2:15–21.
- Ren S, Zhang Y, Huang B. Lifecycle big-data-driven smart manufacturing services for complex products. J Mech Eng. 2018;54:194–203.
- Li L, Lei B, Mao C. Digital twin in smart manufacturing. J Ind Inf Integr. 2022;26:100289. https://doi.org/10.1016/j.jii.2021.100289
- Grieves M, Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In: Transdisciplinary perspectives on complex systems. Cham: Springer; 2017. p. 85–113. https://doi.org/10.1007/978-3-319-38756-7_4
- Yang M, et al. A novel embedding model based on a transition system for building industry-collaborative digital twin. Appl Sci. 2022;12:553. https://doi.org/10.3390/app12020553
- Wang T, Feng K, Ling J. Pipeline condition monitoring towards digital twin systems: A case study. J Manuf Syst. 2024;73:256–274. https://doi.org/10.1016/j.jmsy.2023.12.005
- Malek NG, et al. Live digital twin for smart maintenance in structural systems. IFAC Pap OnLine. 2021;54:1047–1052. https://doi.org/10.1016/j.ifacol.2021.10.146
- Yun J, Kim S, Kim J. Digital twin technology in the gas industry: A comparative simulation study. Sustainability. 2024;16:5864. https://doi.org/10.3390/su16145864
- Bhowmik S. Digital twin for offshore pipeline corrosion monitoring: A deep learning approach. In: Proc Offshore Technology Conf. 2021. D041S049R003.
- Hamidishad N, et al. Digital twin frameworks for oil and gas processing plants: A comprehensive literature review. Processes. 2025;13:3488. https://doi.org/10.3390/pr13123488
- Homaei M, et al. Causal digital twins for cyber-physical security: A framework for robust anomaly detection in industrial control systems. arXiv. 2025.
- Ahmed CM, Palleti VR, Mathur AP. WADI: A water distribution testbed for research in secure cyber-physical systems. In: Proc Int Workshop Cyber-Physical Systems Smart Water Networks. 2017.
- Sudhakar R. Robust digital twin approach towards operational excellence and sustainability goals. In: Proc Abu Dhabi Int Petroleum Exhibition Conf. 2023.
- Knebel FP, et al. Cloud and edge computing for implementation of digital twins in oil and gas industries. Comput Ind Eng. 2023;182:109363. https://doi.org/10.1016/j.cie.2023.109363
- Daher E. Digital safety trends in oil and gas. In: Proc SPE Asia Pacific Oil and Gas Conf. 2023.
- Tao F, et al. Digital twin in industry: State-of-the-art. IEEE Trans Ind Inform. 2019;15:2405–2415. https://doi.org/10.1109/TII.2018.2873186
- Sircar A, et al. Digital twin in the hydrocarbon industry. Pet Res. 2023;8:270–278. https://doi.org/10.1016/j.ptlrs.2023.03.002
- Li G, et al. Intelligent drilling and completion: A review. Engineering. 2022;18:33–48. https://doi.org/10.1016/j.eng.2021.12.004
- Hammerschmid M, et al. Development of virtual representations for energy plants: From digital model to predictive twin. Energies. 2023;16:2641. https://doi.org/10.3390/en16062641
- Lu L, Jin P, Karniadakis GE. Deep operator network: Learning nonlinear operators for identifying differential equations. arXiv. 2019.
- Lin M, et al. Reinforcement learning-based model predictive control for discrete-time systems. IEEE Trans Neural Netw Learn Syst. 2023;35:3312–3324. https://doi.org/10.1109/TNNLS.2022.3140110
- Huang Z, et al. Survey on AI-driven digital twins in Industry 4.0. Sensors. 2021;21:6340. https://doi.org/10.3390/s21196340
- Wang Y, et al. Structural health monitoring of oil and gas pipelines. Ocean Eng. 2024;308:118293. https://doi.org/10.1016/j.oceaneng.2024.118293
- Khisty VH. SCADA systems in oil and gas: Driving innovation and efficiency. Int J Res Appl Sci Eng Technol. 2024;12:96–107.
- Ma Z, Hao Z, Zhao Z. Energy-saving scheduling algorithm of wireless monitoring sensors. Energy Inform. 2024;7:104. https://doi.org/10.1186/s42162-024-00264-4
- Aba EN, et al. Petroleum pipeline monitoring using IoT platform. SN Appl Sci. 2021;3:180. https://doi.org/10.1007/s42452-021-04180-5
- Gulzar Q, Mustafa K. Cyber-attack detection in industrial control systems. Sci Rep. 2025;15:26575. https://doi.org/10.1038/s41598-025-26575-0
- Bloemheuvel S, et al. Graph construction for spatiotemporal data in GNNs. Int J Data Sci Anal. 2024;18:157–174. https://doi.org/10.1007/s41060-024-00423-7
- Li Z, et al. Fourier neural operator for parametric PDEs. arXiv. 2020.
- Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks. arXiv. 2017.
- Wu H, et al. Review of digital twins across processes. Sensors. 2023;23:8306. https://doi.org/10.3390/s23198306
- Xu Q, Ali S, Yue T. Digital twin-based anomaly detection. ACM Trans Softw Eng Methodol. 2023;32:1867–1878. https://doi.org/10.1145/3583555
- Ogbodo CO, et al. Adaptive sensor steering using reinforcement learning. Proc R Soc A. 2026;482:2329.
- Tao F, Qi Q, Liu A, Kusiak A. Data-driven smart manufacturing. J Manuf Syst. 2018;48:157–169. https://doi.org/10.1016/j.jmsy.2018.01.006