Diese Studie stellt einen steuerungsbewussten digitalen Zwillingsansatz zur Überwachung und Optimierung von Öl- und Gassystemen mithilfe maschinellen Lernens und physikbasierten Modellen vor, der an simulierten und Referenzdatensätzen evaluiert wurde.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Entwicklung eines steuerungsbewussten Digital-Twin-Frameworks zur Echtzeitüberwachung und Optimierung von Öl- und Gasproduktionssystemen
In diesem Artikel
Zusammenfassung
Zusammenfassung
In diesem Artikel wird ein steuerungsbewusstes Framework für digitale Zwillinge zur Verfolgung und Verbesserung von Öl- und Gasförderanlagen vorgeschlagen. Die Methode kombiniert räumlich-zeitliche graphenbasierte neuronale Netze, neuronale 4D-Var-Datenassimilation, steuerungsbasiertes Verstärkungslernen und physikinformierte neuronale Operatoren (FNO und Neural-Operator-Modell). Zur Bewertung des Frameworks werden Benchmark-Cyber-Physical-System-Datensätze (SWaT und WADI) sowie ein simulierter Öl- und Gasdatensatz verwendet. Die Ergebnisse, die durch mehrere unabhängige Durchläufe mit durchschnittlichen Maßen bestätigt wurden, zeigen eine verbesserte Leistung bei der Zustandsschätzung, Anomalieerkennung und Steuerungsoptimierung. Die Bewertung beschränkt sich jedoch auf Benchmark- und simulierte Datensätze; eine zusätzliche Validierung anhand tatsächlicher Industriedaten ist erforderlich, um die praktische Anwendbarkeit zu überprüfen.
Einleitung
Der Bedarf an sicheren und effizienten Transportnetzen für Öl und Gas ist aufgrund des weltweit steigenden Energiebedarfs gewachsen. Die Aufrechterhaltung der Zuverlässigkeit von Pipelines wird jedoch erheblich durch eine alternde Infrastruktur und zunehmende Systemkomplexität beeinträchtigt. In diesem Zusammenhang hat die Digital-Twin-(DT-)Technologie als datengetriebene Strategie für das Lebenszyklusmanagement Interesse geweckt, die Risikobewertung, vorausschauende Wartung und Systemoptimierung in industriellen Anwendungen ermöglicht1,2,3,4,5. Der digitale Wandel in industriellen Systemen hat – vom reaktiven Wartungsansatz hin zu intelligenter, datenbasierter Entscheidungsfindung – die Anomalieerkennung, Ausfallvorhersage und Systemzuverlässigkeit verbessert6,7,8. DT-Anwendungen in der Prozessoptimierung, vorausschauenden Wartung und intelligenten Fertigung waren Gegenstand zahlreicher Forschungsarbeiten. Beispielsweise wurden DT-basierte Modelle für die vorausschauende Ausfallanalyse10 und die Bewertung der ökologischen Leistung11 sowie die produktionsoptimierungsbasierte Tiefenlernverfahren vorgeschlagen. Digitale Zwillinge wurden in der Öl- und Gasindustrie eingesetzt, um die Überwachung und Identifizierung von Anomalien durch Systemmodellierung, Leistungsbewertung und Integration von Multisensordaten zu verbessern12,13,14,15.
Trotz dieser Entwicklungen konzentrieren sich die meisten derzeitigen DT-Methoden auf diskrete Funktionen wie Überwachung, Modellierung oder Anomalieerkennung, wobei eine Integration von Echtzeit-Synchronisation und -Steuerung kaum erfolgt. Viele Systeme weisen keine bidirektionale Interaktion und adaptive Lernfähigkeit auf und funktionieren lediglich als digitale Schatten mit einseitigem Datenfluss. In Öl- und Gassystemen, in denen dynamische Bedingungen und komplexe Fehlermuster ein kontinuierliches Lernen und eine aktive Steuerung erfordern, ist diese Einschränkung besonders bedeutsam. Zudem unterstützen aktuelle Ansätze für cyber-physikalische Systeme keine echtzeitfähige Regelung in komplexen industriellen Prozessen, da sie hauptsächlich auf Offline-Analysen beschränkt sind16. Außerdem basieren bestehende Verfahren zur Beschreibung der Wechselwirkungen verteilter Sensoren überwiegend auf traditionellen maschinellen Lernverfahren und Filtertechniken, während fortschrittliche Modelle wie räumlich-zeitliche Graph-Neuronale-Netzwerke kaum eingesetzt werden. Darüber hinaus fehlt es an Forschung zum Einsatz von Operator-Lernverfahren zur Erfassung nichtlinearer physikalischer Dynamiken, insbesondere in Systemen zur Ölförderung und Gasproduktion17. Aus diesem Grund sind bestehende DT-Systeme nicht in der Lage, komplexe räumlich-zeitliche Beziehungen abzubilden, während sie gleichzeitig eine Echtzeit-Datenassimilation und adaptive Regelung integrieren.
Da sie industrielle Steuerungsszenarien nachahmen, werden Benchmark-Datensätze wie SWaT und WADI häufig zur Validierung DT-basierter Verfahren in cyber-physischen Systemen verwendet18. Darüber hinaus bieten digitale Zwillinge allgemeinere Vorteile, wie etwa gesteigerte Produktivität, verbesserten Wissensaustausch und sicheren Datentransfer entlang industrieller Prozesse19,20. Insbesondere in risikoreichen Branchen wie der Öl- und Gasindustrie21,22,23 wird ihr Potenzial in der Sicherheitsverwaltung, Echtzeitüberwachung und industriellen Automatisierung zunehmend anerkannt. Dennoch werden für eine praktische Implementierung weiterhin umfassendere und integriertere Lösungen benötigt, die Modellierungs-, Überwachungs- und Steuerungsfunktionen kombinieren. Evaluationsstudien wie die in24,25 zitierten haben durch die Darstellung der Anwendungen und Vorteile digitaler Zwillinge bei der Verbesserung der betrieblichen Effizienz und der Entscheidungsfindung Grundlagen geschaffen. Tabelle 1 zeigt den Vergleich bestehender Methoden im Bereich Öl- und Gasproduktion und -kontrollmanagement26,27,28,29. Aufgrund der hohen Betriebsrisiken und komplexen Dynamik von Ölgewinnungs- und Fördersystemen sind herkömmliche Wartungsmethoden häufig nicht ausreichend, um Anomalien zeitnah zu erkennen und darauf zu reagieren30,31,32,33. Obwohl die Sicherheitsverwaltung und Fernüberwachung in jüngster Zeit verbessert wurden, werden weiterhin intelligente Systeme benötigt, die kontinuierlich erfassen, lernen und in Echtzeit steuern können.
Dieser Artikel schlägt eine steuerungsbewusste Digital-Twin-Architektur vor, die räumlich-zeitliche Graph-Neuronale-Netzwerke, neuronale 4D-Var-Datenassimilation, physikbasierte neuronale Operatoren und verstärkendes lernbasiertes Regelungssystem kombiniert, um diese Schwierigkeiten zu überwinden. Das vorgeschlagene System etabliert eine einheitliche Pipeline für Datenerfassung, Zustandsschätzung, Anomalieerkennung und Regelungsoptimierung. Während räumlich-zeitliche Graph-Neuronale-Netzwerke Wechselwirkungen zwischen verteilten Sensoren erfassen, werden physikbasierte neuronale Operatoren wie der Fourier-Neuronale-Operator und das Deep-Operator-Netzwerk (Neural operator model) verwendet, um komplexe nichtlineare Systemdynamiken abzubilden. Durch Verstärkendes Lernen wird adaptive, geschlossene Regelung ermöglicht, während die neuronale Datenassimilation die Genauigkeit der Zustandsschätzung verbessert. Die Generalisierbarkeit der vorgeschlagenen Methode über verschiedene industrielle Anwendungen hinweg wird durch die Bewertung anhand von Benchmark-Datensätzen cyber-physikalischer Systeme (SWaT und WADI) sowie simulierter Öl- und Gasdaten demonstriert. Diese Arbeit überwindet wesentliche Schwächen bestehender DT-Systeme und bietet eine skalierbare und anpassungsfähige Lösung für die Echtzeitüberwachung und -optimierung in Öl- und Gasförderanlagen, indem Modellierung, Lernen und Regelung in einem einheitlichen Rahmen zusammengeführt werden.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Diese Studie beinhaltet keine menschlichen Teilnehmer oder Tierproben. Die verwendeten Datensätze (SWaT und WADI) sind öffentlich verfügbare Benchmark-Datensätze, und es werden keine sensiblen oder personenbezogenen Daten verwendet.
Der vorgeschlagene Ansatz schafft einen steuerungsbewussten digitalen Zwilling, der die Integration modernster Deep-Learning-Algorithmen, die Datenassimilation sowie die kontinuierliche Bewertung und Optimierung von Öl- und Gasförderanlagen und deren Steuerung ermöglicht. Zunächst werden Echtzeit-Multimodal-Sensordaten aus geografisch verteilten Produktionsanlagen erfasst und mithilfe einer Graphstruktur modelliert, die die Konnektivität und Wechselwirkungen zwischen den Produktionseinheiten definiert. Anschließend werden physikbasierte neuronale Operatoren zur Erstellung operatorbasierter Näherungen der Gleichungen verwendet, die die nichtlineare Mehrphasenströmung beschreiben, wodurch eine skalierbare Simulation innerhalb des digitalen Zwillings ermöglicht wird. In der Studie wurde der Begriff „Neuraler Operatorenmodell“ verwendet, um sich auf das Deep Operator Network zu beziehen. Um räumliche und zeitliche Abhängigkeiten zwischen geografisch verteilten Produktionsanlagen einzubeziehen, werden räumlich-zeitliche Graph-Neural-Networks innerhalb der physikbasierten Darstellungen trainiert. Ein differenzierbarer Ansatz zur Datenassimilation, der auf dem neuronalen 4DVAR-Verfahren basiert, wird angewendet, um sicherzustellen, dass die Simulationsergebnisse des digitalen Zwillings stets mit den Echtzeit-Monitoringdaten übereinstimmen und synchronisiert bleiben, auch bei verrauschten und räumlich unregelmäßigen Messungen. Aufbauend auf dem Echtzeit-synchronisierten digitalen Zwilling wird ein durch Verstärkendes Lernen gesteuerter Optimierungsansatz für die Echtzeit-Steuerung trainiert. Schließlich bleibt der digitale Zwilling für eine kontinuierliche Modellaktualisierung und angepasste Skalierbarkeit über einen längeren Zeitraum hinweg gerüstet, basierend auf fortlaufenden Aktualisierungen durch neu verfügbare Messdaten.
Die vorgeschlagene digitale Zwilling-Architektur verbessert die herkömmliche Architektur für digitale Zwillinge, indem Intelligenz, Anpassungsfähigkeit und Steuerungsawareness hinzugefügt werden. Die gesamte Pipeline besteht aus vier Modulen: (i) Datenerfassung/Graph-Konstruktion, (ii) Zustandsschätzung mittels neuronaler Operatoren und ST-GNN, (iii) Anomalieerkennung mittels residualbasierter Analyse und (iv) verstärkungslernbasierte Steuerung.
Abbildung 1: Übergreifende steuerungsorientierte Architektur des digitalen Zwillings. Anomalieerkennung, räumlich-zeitliche graphenbasierte neuronale Netze, neuronale 4D-Var-Synchronisation, physikbasierte neuronale Operatoren und eine auf Verstärkendem Lernen basierende Regelung im geschlossenen Kreislauf für Ölförder- und Gassysteme sind alle in das vorgeschlagene steuerungsorientierte Modell des digitalen Zwillings integriert. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 1 zeigt den funktionalen Prozess eines steuerungsorientierten digitalen Zwillings für die Öl- und Gasförderung als geschlossenes cyber-physikalisches System. Der funktionale Prozess beginnt auf der Ebene des Ölförder- und Gassystem, in dem verschiedene Sensoren an Bohrlöchern, Rohrleitungen, Ventilen und Verarbeitungseinheiten Daten zu Druck, Durchflussrate, Temperatur und Steuerzuständen zu einem bestimmten Zeitpunkt erfassen. Die verschiedenen Sensoren erfassen die Daten in unterschiedlichen Formaten, und diese werden an den digitalen Zwilling übermittelt, wodurch die Grundlage für die organisationsweite Wahrnehmung zu diesem Zeitpunkt geschaffen wird.
Die vorgeschlagene Methodik umfasst die folgenden Schritte:
Datenerfassung
Echtzeitinformationen von Sensoren bezüglich Druck, Durchflussrate, Temperatur und Steuereingaben werden aus der Öl- und Gasförderung gewonnen. Andere verfügbare Benchmark-Datensätze wie SWAT und WADI werden zur Überprüfung der Robustheit und Generalisierungsfähigkeit verwendet. Um die Reproduzierbarkeit sicherzustellen, wird jeder Schritt der vorgeschlagenen Methodik mit technischen Details spezifiziert.
[Bitte beachten Sie die Zusatzdatei (S1) für die Datensatzerstellung und -simulation.]
Zwei öffentliche Benchmark-Datensätze aus dem Forschungsbereich für industrielle Steuerungssysteme werden verwendet, um die Fähigkeit des konzeptionellen digitalen Zwillings hinsichtlich komplexer und hochdimensionaler Zeitreihendaten sowie ungewöhnlicher Ereignisse nachzuweisen: die Secure Water Treatment (SWaT) und die Water Distribution (WADI) Benchmark-Datensätze34. Beide Datensätze stammen aus realistischen cyber-physikalischen Testumgebungen und enthalten multivariate Sensoren- und Aktorendaten zum Betrieb unter normalen sowie anomalen/Angriffsszenarien, die in solchen Systemen ausgelöst wurden. Durch die Nutzung der SWaT- und WADI-Datensätze ist es möglich, tests über Domänen hinweg durchzuführen und die Übertragbarkeit über cyber-physikalische Testumgebungen hinaus auf breitere verteilte industrielle Systeme mit orts- und zeitbezogenen Abhängigkeiten zu belegen. Die Beschreibung des Datensatzes ist in Tabelle 2 dargestellt.
Die vorgeschlagene Forschung nutzt drei verschiedene Datensätze zur umfassenden Evaluierung der entwickelten Digital-Twin-Methodik, die in Tabelle 2Der Basissatz besteht aus simulierten Daten zur Produktionsorganisation in der Öl- und Gasindustrie und soll reale, vom System erfasste Betriebsmessungen sowie Steuerungs- und/oder Fehlerzustände nachbilden. Darüber hinaus wird der Secure Water Treatment (SWaT)-Datensatz als Beispiel eines reduzierten physikalischen Systems eingeführt, der Messungen von 51 Sensoren und Aktoren über einen Zeitraum von etwa 11 Tagen umfasst, einschließlich sowohl normaler Betriebszustände als auch künstlich erzeugter Anomalien und Angriffe. Der Datensatz gilt weithin als Standard-Benchmark für Forschungszwecke. Ein weiterer Datensatz ist der Water Distribution (WADI)-Datensatz, dessen Messungen das Verhalten eines reduzierten Wasserversorgungssystems über einen Zeitraum von 16 Tagen erfassen und etwa 123 Variablen umfassen, darunter verschiedene Angriffe und normale Betriebsbedingungen. Der Datensatz enthält insgesamt 15 verschiedene Angriffe. Die beiden oben genannten Datensätze beziehen sich hauptsächlich auf hochdimensionale zeitliche und räumliche Datenreihen wie sie in industriellen Steuerungssystemen vorkommen.
Datenvorverarbeitung
Vor dem Modelltraining durchlaufen alle Datensätze ein gründliches Vorverarbeitungsverfahren, um Datenqualität, Konsistenz und Reproduzierbarkeit sicherzustellen. Die Vorverarbeitungsschritte umfassen die Behandlung fehlender Werte, Rauschfilterung, Normalisierung und Skalierung der Merkmale. Die detaillierte Vorverarbeitungspipeline ist in der Zusatzdatei (S2) beschrieben.
Konstruktion des Systemgraphen
In der vorgeschlagenen Methodik wird das physische Fördersystem für Öl und Gas in Form eines Graphen dargestellt, der als mathematische Struktur zur Beschreibung räumlicher Korrelationen zwischen Anlagen sowie der Dynamik des Systemzustands über die Zeit dient (siehe Supplementary File (S3) für die Formulierungen zur Konstruktion des Systemgraphen).
Physiklernen mithilfe neuronaler Operatoren
Um die nichtlinearen und mehrdimensionalen Eigenschaften von Mehrphasenströmungssystemen korrekt abzubilden, verwendet der vorgeschlagene Ansatz physikbasierte Operatoren in Form von Fourier-Neural-Operatoren (FNO) und Neural-Operator-Modellen. Im Gegensatz zur traditionellen Darstellung neuronaler Netze als punktweise Abbildungen ermöglicht das Konzept der Operatoren eine Verallgemeinerung hinsichtlich unterschiedlicher Randbedingungen. Diese Eigenschaft macht die Methode besonders geeignet für Mehrphasenströmungssysteme, wie sie in der Ölgewinnung und Gasproduktion eingesetzt werden, da die physikalischen Phänomene kontinuierlich auftreten. Weitere Informationen zu den mathematischen Gleichungen der Neuralen Operatoren finden Sie in der Zusatzdatei (S4).
Um die Gültigkeit der physikgeleiteten neuronalen Operatoren weiter zu bewerten, wurden zusätzliche Experimente durchgeführt, um deren Fähigkeit zur Approximation nichtlinearer Operatormapping unter verschiedenen Strömungszuständen und Steuereingaben zu untersuchen. Die Ergebnisse zeigen, dass die Operatoren das Mapping des nichtlinearen Operators genau approximieren können, wodurch die Fähigkeit der Operatoren bestätigt wird, die Dynamik des Systems – insbesondere bei hoher Dimensionalität – mit geringeren Rechenkosten als andere Löser genau abzubilden. Die quantitative Bewertung der Genauigkeit des Operatoren-Lernens erfolgt mittels des mittleren quadratischen Fehlers zwischen vorhergesagten und simulierten Systemzuständen, wobei eine konsistente Approximationsleistung unter verschiedenen Strömungsbedingungen nachgewiesen wird.
Abbildung 2: Arbeitsablauf des physikbasierten neuronalen Operator-Frameworks. Ein Beispiel des Arbeitsablaufs veranschaulicht, wie Steuereingaben, Sensordaten und Randbedingungen genutzt werden, um die nichtlineare Mehrphasenströmungsdynamik zu lernen und schnelle, systemebenen Vorhersagen auf Operator-Ebene zu erzeugen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Im in Abbildung 2 dargestellten PINO-Arbeitsprozess erfolgt der Lernprozess physikalisch komplexer, nichtlinearer Mehrphasenströmungen in Öl- und Gassystemen kontinuierlich. Dies beginnt auf der Eingabeschicht, wo das Modell heterogene Daten über das sich physikalisch entwickelnde System erhält. Diese Eingaben bestehen aus Randbedingungen wie Druck, Temperatur und Geschwindigkeit sowie aus Echtzeitdaten von Sensoren, die im Öl- und Gassystem positioniert sind, und Steuerungsvariablen wie der Öffnung von Ventilen, der Drehzahl von Pumpen oder der Öffnung von Drosselventilen. Alle diese Eingaben definieren den Betrieb des sich physikalisch verändernden Systems.
Die Schlüsselkomponente innerhalb des Workflows ist das PINO, realisiert durch FNO und das Neural-Operator-Modell. Die vorgeschlagene Methode unterscheidet sich dadurch, dass sie neuronale Operatoren verwendet, um Operatoren zwischen Funktionsräumen zu lernen, im Gegensatz zu herkömmlichen neuronalen Netzwerken, die sich in der Regel auf punktweise Abbildungen zwischen Eingaben und Ausgaben konzentrieren. Auf dieser Ebene kann das FNO mithilfe des Fourier-Bereichs die globalen räumlichen Beziehungen erfassen, und das Neural-Operator-Modell kann Operator-Darstellungen unter Verwendung sowohl von Branch- als auch von Trunk-Netzwerken lernen. Das trainierte Modell wird durch physikalische Randbedingungen gesteuert, um sicherzustellen, dass die vorhergesagten Dynamiken sich wie erwartet bei Mehrphasenströmungen verhalten. Das Ergebnis des neuronalen Operators liegt in Form einer kontinuierlichen Feldlösung wichtiger physikalischer Variablen wie Druck, Strömungsraten und Phasenverteilung für das gesamte Fördernetzwerk vor. Darüber hinaus sind die Ausgabewerte für das gesamte Feld genau, einschließlich der Bohrlöcher, Rohrleitungen und anderen verbundenen Einheiten, anstatt nur an bestimmten Punkten wie Sensoren gemessen zu werden. Auf diese Weise ermöglicht die Ausgabe des neuronalen Operators die schnelle Erzeugung hochpräziser Simulationen, die die Lösung partieller Differentialgleichungen annähern können, ohne diese notwendigerweise lösen zu müssen. Diese Lösung fungiert als schnelle Lösung im digitalen Zwilling.
Der Lernprozess des neuronalen Operators verarbeitet Merkmale auf Funktionsebene und Systemebene, die aus den Förderprozessen von Öl und Gas extrahiert werden. Zu diesen Merkmalen zählen vor allem die physikalischen Zustandsgrößen der Ölförderung, also kontinuierliche Felder wie Temperatur, Durchflussrate, Druck sowie Phasenanteile von Öl, Gas und Wasser. Ebenfalls enthalten sind Randbedingungen wie Einlassdrücke, Durchflussraten und Ventilpositionen. Steuerungseingaben, wie Stellungen von Drosselventilen und Pumpendrehzahl, werden ebenfalls berücksichtigt, um Reaktionen unter verschiedenen Betriebsszenarien vorherzusagen. Das neuronale Operator-Modell „neural operator“ erhält die physikalischen Merkmale sowie Steuerungsparameter, die von den Trunk- und Branch-Netzwerken verarbeitet werden. Diese Merkmale liefern ausreichend Informationen, damit neuronale Operatoren genaue Operator-Beziehungen vorhersagen können, die sowohl von physikalischen Prozessen als auch von betrieblichen Faktoren abhängen, um schnelle digitale Zwillingssimulationen zu ermöglichen.
Fourier-Neural-Operator (FNO)
In dieser Studie wird ein Fourier-Neural-Operator (FNO)36 verwendet, um die Operatormappingvorschriften, die die nichtlinearen Mehrphasenströmungsdynamiken von Öl- und Gasförderanlagen beschreiben, effizient zu schätzen. Im Gegensatz zu herkömmlichen neuronalen Netzen, die Eingabe-Ausgabe-Abbildungen für eine bestimmte Punktmenge approximieren, approximiert der vorgeschlagene FNO Abbildungen zwischen Funktionenräumen, wodurch eine Verallgemeinerung über verschiedene Maßstäbe und Systemkonfigurationen ermöglicht wird. Im vorliegenden Fall verschiebt der FNO die Systemzustandsdarstellungen vom ursprünglichen Raum in den Fourier-Bereich, wo spektrale Faltungen effektiv angewendet werden können, um die innerhalb der Systeme bestehenden globalen räumlichen Abhängigkeiten zu erfassen. Dabei wird die Eingabe-Zustandsdarstellung in einen höherdimensionalen latenten Raum projiziert, und die Transformationen sowie Aktivierungen werden iterativ unter Verwendung von Fourier-Transformationen, spektralen Kernen und Aktivierungsfunktionen durchgeführt. Siehe Ergänzende Datei (S4.1) für mathematische Auswertungen des Fourier-Neural-Operators.
Neurales Operator-Modell
Das Neural-Operator-Modell37 fungiert als alternativer Ansatz im Rahmen des Neural-Operator-Verfahrens zur Approximation eines nichtlinearen physikalischen Operators, der die Dynamik der Öl- und Gasförderung beschreibt. Die detaillierte Beschreibung des Neural-Operator-Modells ist in der Zusatzdatei (S4.2) enthalten (siehe Zusatzdatei S10 für Algorithmus 1: Physikbasiertes Lernen mit Neuralen Operatoren für den Digital-Twin-Algorithmus).
Der vorgeschlagene Ansatz unter Verwendung neuronaler Operatoren beginnt daher mit der Sammlung gepaarter Beispiele von Eingaben und Ausgaben, wobei die Eingaben Beispiele für Systemzustände in Form von Randwerten, Steuergrößen oder physikalischen Eigenschaften darstellen. Der neuronale Operator wird in einer iterativen Phase trainiert, die darin besteht, Reaktionen auf eine Eingabefunktion vorherzusagen und anschließend die Abweichungen zwischen Vorhersagen und tatsächlichen Reaktionen mithilfe einer mittleren quadratischen Fehlerfunktion zu verbessern. Dieser Ansatz führt zu einer Gradientenbasierten Optimierung, wodurch ein neuronaler Operator systemische physikalische Operatoren entdeckt, die das Systemverhalten definieren. Das trainierte System kann somit effizient Systemreaktionen auf unterschiedliche Eingabebedingungen vorhersagen.
Räumlich-zeitliche Systemmodellierung
In der vorgeschlagenen Digital-Twin-Architektur38 wurde der Öl- und Gasförderprozess durch einen räumlich-zeitlichen Graphen dargestellt. Dies geschah, um die Vernetzung sowie den zeitlichen Entwicklungsprozess der verteilten Produktionsressourcen zu veranschaulichen.
Der Öl- und Gasförderungsprozess weist von Natur aus eine verteilte Struktur hinsichtlich Bohrlöcher, Pipelinesinfrastruktur und Sensoren auf. Um räumliche und zeitliche Beziehungen für einen solchen Prozess effizient abzubilden, nutzt der in dieser Arbeit entwickelte Digital-Twin-Ansatz räumlich-zeitliche Graph-Neuronale-Netzwerke (ST-GNN). In diesem Ansatz werden Systementitäten als Knoten eines Graphen dargestellt, und räumliche bzw. funktionale Beziehungen des Systems werden durch Kanten des Graphen gekennzeichnet. Zeitliche Beziehungen werden mittels Fensterfunktionen ausgedrückt, um Zustandsübergänge und Anomalien des Systems effizient vorherzusagen. Eine detaillierte Beschreibung des räumlich-zeitlichen Graph-Neuronalen-Netzwerks (ST-GNN) finden Sie in der Ergänzenden Datei (S5).
Synchronisierung digitaler Zwillinge mithilfe von Neuraler 4D VAR
Die Synchronisierung digitaler Zwillinge kann definiert werden als eine kontinuierliche Abstimmung des virtuellen Zwillings mit einer sich ständig verändernden physischen Öl- und Gasförderumgebung, basierend auf Echtzeitsensorwerten. In der Praxis treffen digitale Zwillinge Vorhersagen über Zustände eines Systems, wie Druck, Durchflussrate und Temperatur, basierend auf dem Verständnis der physikalischen Systemdynamik. Aufgrund von Unsicherheiten und Sensorrauschen entsteht jedoch unvermeidlich eine Diskrepanz zwischen Vorhersagen und Messwerten. Aus diesem Grund wird eine weitere Methode, die in dieser Arbeit als „Datenassimilation“ bezeichnet wird, eingeführt, um die Vorhersagen konsistent mit den physikalischen Messungen zu machen. Um eine Synchronisierung des physikalischen Prozesses und des digitalen Zwillings auch bei verrauschten und spärlichen Sensormessungen sicherzustellen, wird eine neuronale 4D-Var-Datenassimilationsmethode integriert. Die hinzugefügte Komponente zielt darauf ab, die Differenz zwischen den Sensormessungen und den Modellvorhersagen innerhalb eines Assimilationsfensters zu verringern. Durch die Nutzung der Differenzierbarkeit ermöglicht die neuronale 4D-Var-Methode ein End-to-End-Lernen und erlaubt eine Online-Korrektur des Zustands des digitalen Zwillings (siehe Supplementary File (S6) für die neuronale 4D-Var-Datenassimilation, Supplementary File (S10) für Algorithmus 2: Synchronisierung digitaler Zwillinge mithilfe neuronaler 4D-Var sowie Supplementary File (S11) für Hyperparameter und Trainingsdetails).
Erkennung und Diagnose von Anomalien
Im simulierten Öl- und Gasdatensatz wurden Anomalien durch gezielte Störungen wie Druckabfälle von mehr als 15 %, abnormale Durchflussspitzen und Ventilfehlfunktionen eingeführt. Datenpunkte, die einen festgelegten Schwellenwert überschreiten oder von einer statistischen Basisverteilung abweichen, werden als Anomalien identifiziert. Zur mathematischen Formulierung des Anomalieerkennungs-Frameworks (Zusatzdatei, S7).
Optimierung und Steuerung in geschlossenen Regelkreisen
In dem vorgeschlagenen System kann eine Regelung mit Rückkopplung erreicht werden, indem die harmonische DT und das Modul des verstärkenden Lernens zur Optimierung integriert werden. Im Bereich der Digitalen Zwillinge prognostiziert der digitale Zwilling das zukünftige Verhalten des Öl- und Gasförderprozesses unter verschiedenen Bedingungen, wie beispielsweise der Positionierung unterschiedlicher Ventile, Pumpgeschwindigkeiten oder Strömungsregelungen. Dies ermöglicht die Entwicklung eines Sicherheitsbereichs, in dem der Regelungsagent das Ergebnis gewünschter Maßnahmen bewerten kann, ohne diese im realen Prozess umzusetzen. Dadurch kann das Modul des verstärkenden Lernens unter Ausnutzung der vom digitalen Zwilling bereitgestellten Prognosen betriebliche Ziele – wie die Effizienz des Prozesses, den Energieverbrauch und die Prozessstabilität – optimieren, ohne durch Prozessbeschränkungen eingeschränkt zu sein. Weitere Informationen zur mathematischen Beschreibung der Regelkreis-Optimierung und -Steuerung finden Sie in der Zusatzdatei (S8).
Kontinuierliches Lernen und Anpassung
Industrielle Systeme stehen vor nichtstationären Umgebungen mit alternder Ausrüstung, zeitlich variierenden Betriebsbedingungen und unvorhergesehenen Störungen. Um einen Ansatz dafür zu entwickeln, beinhaltet das vorgeschlagene digitale Zwillingsmodell eine ständig lernende Komponente, die neuronale Operatoren, Graphmodelle und Strategien auf der Grundlage des inkrementellen Lernens aktualisiert. Bei Beobachtung wesentlicher Variationen und nicht identifizierter Muster wird das Lernen durch die Einbindung neuer Daten und die Anpassung der mit dem digitalen Zwillingsmodell verbundenen Parameter unterstützt.
Das kontinuierliche Lernen verbessert ebenfalls die Robustheit sowohl der Steuerungsstrategien als auch der Anomalieerkennung, da es dem System hilft, neue oder bisher unbekannte Verhaltensmuster zu identifizieren. Rückmeldungen aus Anomalien in den Steuerungsergebnissen werden genutzt, um Modelle anzupassen und eine Verstärkungslernstrategie zu optimieren, die auch bei sich fortwährend verändernden und weiterentwickelnden Systemen effektive Entscheidungsprozesse sicherstellt. Dieser adaptive Lernprozess verwandelt einen digitalen Zwilling von einem passiven Beobachter in ein intelligentes System, das in der Lage ist, über einen längeren Zeitraum hinweg Echtzeit-Optimierungsprozesse komplexer Ölförder- und Gaspromotionsanlagen mithilfe einer rigorosen und effektiven technologischen Infrastrukturumgebung aufrechtzuerhalten. In Tabelle 3 ist die Modellarchitektur und die Hyperparameter dargestellt.
Weitere Informationen zur mathematischen Formulierung der kontinuierlichen Lernanpassung finden Sie in der Zusatzdatei (S9).
Das Daten-Präprozessing-Modul ist dafür verantwortlich, Rohsensordaten in strukturierte und normalisierte Eingaben umzuwandeln, die für nachgeschaltete Lernmodule geeignet sind. Insbesondere aggregiert es historische Sensormessungen, entfernt Rauschen und standardisiert Merkmale, um eine konsistente Datenqualität sicherzustellen. Die verarbeiteten Daten werden zusammen mit Randbedingungen und Steuereingaben als Eingabe an das physikbasierte neuronale Operator-Modul (FNO/Neural Operator-Modell) übergeben, das die zugrundeliegenden nichtlinearen physikalischen Zusammenhänge lernt und eine kontinuierliche Schätzung des Systemzustands generiert. Dieser geschätzte Systemzustand wird anschließend vom Steuerungsoptimierungsmodul genutzt, um die Steuerungsstrategien dynamisch zu aktualisieren. Die optimierten Steuerausgaben werden danach an das Entscheidungsmodul weitergeleitet, das die Ergebnisse interpretiert und handlungsrelevante Entscheidungen für den Systembetrieb generiert. Ein Rückkoppelungsmechanismus wird integriert, um das System kontinuierlich anhand neu beobachteter Daten zu aktualisieren und so die Anpassungsfähigkeit und Leistung im Zeitverlauf zu verbessern. Zur Verbesserung der Klarheit und Reproduzierbarkeit wird eine systemebene Architektur dargestellt, die die Interaktion zwischen den Modulen veranschaulicht. Das vorgeschlagene System besteht aus vier Hauptkomponenten, nämlich Daten-Präprozessing, physikbasierte neuronale Operator-Modellierung, Steuerungsoptimierung und Entscheidungsfindung. Diese Module sind über klar definierte Ein- und Ausgabeschnittstellen miteinander verbunden, was einen nahtlosen Datenfluss, iteratives Lernen und einen koordinierten Betrieb über das gesamte digitale Zwillingsystem hinweg gewährleistet.
Abbildung 3: Ablaufdiagramm der Gesamtsystem-Steuerungs- und Optimierungsarchitektur. Es zeigt die Gesamtarchitektur des vorgeschlagenen Ansatzes. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Die Systemarchitektur zeigt ein vollständiges Bild des Modells, das zur Modellierung und Optimierung komplexer nichtlinearer physikalischer Dynamiken in Öl- und Gassystemen verwendet werden kann. Dies beginnt mit den Eingabedaten, zu denen die für die Simulation verwendeten Parameter sowie die Randbedingungen gehören, die die physikalische Umgebung repräsentieren. Diese Daten durchlaufen zunächst das Modul zur Datenvorverarbeitung, in dem eine Normalisierung und Merkmalsextraktion durchgeführt wird. Dadurch werden die Daten für das nächste Modul vorbereitet, in dem der neuronale Operator FNO und das neuronale Operatormodell eingesetzt werden. Mit diesen Modellen werden die Systemzustände vorhergesagt, und diese Informationen werden genutzt, um die Systemparameter mithilfe des Optimierungsmoduls zu optimieren. Die optimierten Ergebnisse werden anschließend im Entscheidungsmodul zur Ableitung von Entscheidungen verwendet. Dieses Modul hilft dabei, die Effizienz des Systems zu bestimmen. Das Framework beinhaltet außerdem die Ausgabergebnisse, in denen die Ergebnisse des Optimierungsprozesses in Abbildung 3 dargestellt sind. Zusätzlich ist eine Rückkopplungsschleife enthalten, über die die Daten nach den Ausgabergebnissen erneut das Modul zur Vorverarbeitung durchlaufen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Um die Gültigkeit der physikbasierten neuronalen Operatoren zu überprüfen, wurden zusätzliche Leistungstests durchgeführt, um die Leistung von FNO und dem neuronalen Operator-Modell bei der Modellierung der Dynamik des nichtlinearen Mehrphasen-Flusssystems zu vergleichen. Die Ergebnisse zeigten, dass FNO in der globalen räumlichen Konsistenz besser abschneidet, während das neuronale Operator-Modell eine bessere Anpassungsfähigkeit an heterogene Eingaben aufweist.
Um eine effektive Schulung und...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Die Ergebnisse dieser Forschung zeigen die Wirksamkeit des entwickelten steuerungsbewussten Digitalen Zwillings hinsichtlich seiner Fähigkeit, die Echtzeitüberwachung, -erkennung und -steuerungsoptimierung für eine breite Palette von cyber-physikalischen Systemen (CPS) zu verbessern. Im Vergleich zu herkömmlichen Überwachungsmodellen ist die Kombination aus PINO und graphbasierten neuronalen Netzen hinsichtlich der Genauigkeit der Zustandsschätzung effektiver, selbst bei verrauschten Systemen. Dies gilt, da ein fortschri...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren haben keine Interessenkonflikte.
Danksagungen
Die Autoren danken der technischen und institutionellen Unterstützung durch die Data Company und die Production Command Department der Xinjiang Oilfield Company, CNPC, Karamay, China, die während der Durchführung dieser Forschung gewährt wurde. Für diese Studie wurden keine externen Mittel eingeworben.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | Xeon / Ryzen Series | Wird für Systemsimulation, Daten-Vorverarbeitung und allgemeine Berechnungen verwendet |
| Tiefes Lernframework (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | Wird zur Implementierung von neuronalen Netzen, Optimierung und Trainings-Pipelines verwendet |
| Bibliothek für tiefes neuronales Netz (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | Stellt optimierte Grundbausteine für Deep-Learning-Operationen auf GPU bereit |
| DeepONet | Nicht zutreffend | https://arxiv.org/abs/1910.03193 | Im Skript wird darauf als "neuronales Operator-Modell" Bezug genommen |
| GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | Wird zum Training von Deep-Learning-Modellen verwendet, einschließlich neuronaler Operatoren, ST-GNN und Komponenten des Verstärkungslernens |
| GPU-Beschleunigung (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | Ermöglicht parallele GPU-basierte Berechnung für leistungsstarkes Modelltraining |
| Linux-Distribution (Version 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | Betriebssystem für die Durchführung von Experimenten und die Modellbereitstellung |
| Betriebssystem (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | Bietet die Ausführungsumgebung für alle Experimente und die Modellbereitstellung |
| Optimierungsalgorithmus (Adam-Optimierer) | Nicht zutreffend | https://arxiv.org/abs/1412.6980 | Wird für das Training von Modellen mit adaptiver Lernratenoptimierung verwendet |
| optimierte Bibliothek für tiefes neuronales Netz (Version 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | Stellt optimierte, GPU-beschleunigte Grundbausteine für Operationen tiefen neuronaler Netze bereit |
| Programmiersprache (Python 3.10) | Python Software Foundation | https://www.python.org/downloads RRID:SCR_008394 | Kernprogrammiersprache für Implementierung und Experimente |
| Systemspeicher (≥ 64 GB RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | Unterstützt die Verarbeitung hochdimensionaler multivariater Zeitreihendaten und das Training großer Modelle |
Referenzen
- 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
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.