Este estudio presenta un marco de gemelo digital consciente del control para el monitoreo y la optimización de sistemas de petróleo y gas mediante modelos informados por física y aprendizaje automático, evaluado en conjuntos de datos simulados y de referencia.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Desarrollo de un marco de gemelo digital consciente del control para la monitorización y optimización en tiempo real de sistemas de producción de petróleo y gas
En este artículo
Resumen
Resumen
Se propone en este artículo un marco de gemelo digital con conciencia de control para el seguimiento y mejora de los sistemas de producción de petróleo y gas. El método combina redes neuronales gráficas espacio-temporales, asimilación de datos mediante 4D-Var neuronal, control basado en aprendizaje por refuerzo y operadores neuronales informados por la física (FNO y modelo de operador neuronal). Se utilizan conjuntos de datos de sistemas ciberfísicos de referencia (SWaT y WADI) y un conjunto de datos simulado de petróleo y gas para evaluar el marco. Los resultados, confirmados mediante varias ejecuciones independientes usando medidas promedio, demuestran un rendimiento mejorado en la estimación de estados, detección de anomalías y optimización del control. Sin embargo, la evaluación se limita a conjuntos de datos de referencia y simulados; se requiere una validación adicional mediante datos reales de la industria para verificar la aplicabilidad práctica.
Introducción
La necesidad de redes seguras y eficaces para el transporte de petróleo y gas ha aumentado debido al creciente demanda energética mundial. Sin embargo, mantener la confiabilidad de las tuberías se ve gravemente obstaculizada por la infraestructura deteriorada y la creciente complejidad del sistema. En este sentido, la tecnología de gemelo digital (DT) ha llamado la atención como una estrategia de gestión del ciclo de vida basada en datos que permite la evaluación de riesgos, el mantenimiento predictivo y la optimización del sistema en entornos industriales1,2,3,4,5. Desde el mantenimiento reactivo hasta la toma de decisiones inteligente basada en datos, la transformación digital en los sistemas industriales ha incrementado la detección de anomalías, la predicción de fallos y la confiabilidad del sistema6,7,8. Las aplicaciones de los gemelos digitales en la optimización de procesos, el mantenimiento predictivo y la fabricación inteligente han sido objeto de numerosas investigaciones. Por ejemplo, se han propuesto modelos basados en gemelos digitales para el análisis predictivo de fallos10 y la evaluación del desempeño ambiental11, así como la optimización de la producción basada en aprendizaje profundo. Los gemelos digitales se han utilizado en la industria del petróleo y el gas para mejorar el monitoreo y la identificación de anomalías mediante la modelización del sistema, la evaluación del desempeño y la integración de datos de múltiples sensores12,13,14,15.
A pesar de estos avances, la mayoría de las técnicas actuales de gemelos digitales se centran en características discretas como el monitoreo, la modelización o la detección de anomalías, con escasa integración de la sincronización y el control en tiempo real. Muchos sistemas carecen de interacción bidireccional y de capacidades de aprendizaje adaptativo, funcionando como sombras digitales con flujo unidireccional de datos. En los sistemas de petróleo y gas, donde las condiciones dinámicas y los patrones de falla complejos requieren un aprendizaje y control continuos, esta limitación es especialmente importante. Además, las técnicas actuales de sistemas ciberfísicos no permiten el control en tiempo real en bucle cerrado en procesos industriales complejos, ya que se limitan principalmente al análisis fuera de línea16. Asimismo, para describir las interacciones de sensores distribuidos, los enfoques actuales dependen principalmente de técnicas tradicionales de aprendizaje automático y filtros, con escaso uso de modelos sofisticados como las redes neuronales gráficas espacio-temporales. Además, existe una escasez de investigaciones sobre la aplicación de técnicas de aprendizaje de operadores para capturar dinámicas físicas no lineales, especialmente en los sistemas de producción de petróleo y gas17. Debido a esto, los sistemas actuales de gemelos digitales no pueden incorporar la asimilación de datos en tiempo real y el control adaptativo al tiempo que modelan relaciones espacio-temporales complejas.
Dado que imitan entornos de control industrial, conjuntos de datos de referencia como SWaT y WADI se utilizan frecuentemente para validar técnicas basadas en gemelos digitales (DT) en sistemas ciberfísicos18. Además, los gemelos digitales ofrecen beneficios más generales, como un aumento de la productividad, un mejor intercambio de conocimientos y una transferencia segura de datos a lo largo de los procesos industriales19,20. En particular, en industrias de alto riesgo como la del petróleo y el gas21,22,23, su potencial en la gestión de la seguridad, el monitoreo en tiempo real y la automatización industrial está siendo cada vez más reconocido. Sin embargo, aún se necesitan soluciones más completas e integradas que combinen capacidades de modelado, monitoreo y control para su implementación práctica. Al demostrar las aplicaciones y ventajas de los gemelos digitales para mejorar la eficiencia operativa y la toma de decisiones, estudios de evaluación como los citados en24,25 han sentado las bases. Tabla 1 muestra la comparación de métodos existentes sobre la fabricación y gestión del control en la industria del petróleo y el gas26,27,28,29. Debido a los altos riesgos operativos y a la complejidad dinámica de los sistemas de producción de petróleo y gas, los métodos tradicionales de mantenimiento suelen ser inadecuados para la detección y respuesta oportuna de anomalías30,31,32,33. Aunque recientemente se han logrado mejoras en la gestión de la seguridad y el monitoreo remoto, aún se requieren sistemas inteligentes capaces de sensar, aprender y controlar continuamente en tiempo real.
Este artículo propone una arquitectura de gemelo digital consciente del control que combina redes neuronales gráficas espacio-temporales, asimilación de datos neuronal 4D-Var, operadores neuronales con conocimiento físico y control basado en refuerzo del aprendizaje para superar estas dificultades. El sistema propuesto establece una tubería única para la recolección de datos, estimación de estado, detección de anomalías y optimización del control. Mientras que las redes neuronales gráficas espacio-temporales registran las interacciones entre sensores distribuidos, los operadores neuronales con conocimiento físico, como el Operador Neuronal de Fourier y la Red Profunda de Operadores (modelo de operador neuronal), se utilizan para representar dinámicas complejas no lineales del sistema. El aprendizaje por refuerzo permite un control adaptativo en bucle cerrado, mientras que la asimilación neuronal de datos mejora la precisión de las estimaciones de estado. La generalización del método propuesto en entornos industriales se demuestra evaluándolo mediante conjuntos de datos de referencia de sistemas ciberfísicos (SWaT y WADI) y datos simulados de petróleo y gas. Este trabajo supera deficiencias importantes de los sistemas actuales de gemelos digitales y ofrece una solución escalable y adaptable para el monitoreo y la optimización en tiempo real en sistemas de producción de petróleo y gas, al integrar modelado, aprendizaje y control en un marco unificado.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Este estudio no involucra a ningún participante humano ni sujetos animales. Los conjuntos de datos utilizados (SWaT y WADI) son conjuntos de datos de referencia disponibles públicamente, y no se incluyen datos sensibles ni personales.
El enfoque propuesto establece un gemelo digital consciente del control, que permite incorporar algoritmos de aprendizaje profundo de vanguardia, asimilación de datos y evaluación continua y optimización de los sistemas y el control de extracción de petróleo y gas. En primer lugar, se recopilan y modelan datos multimodales en tiempo real procedentes de infraestructuras de producción distribuidas geográficamente, utilizando una estructura de grafos que define la conectividad y las interacciones entre los componentes de producción. Luego, se aprovechan operadores neuronales basados en principios físicos para construir aproximaciones a nivel de operador de las ecuaciones que rigen el flujo multifásico no lineal, facilitando así simulaciones escalables dentro del gemelo digital. En esta investigación, el término «modelo de operador neuronal» se utiliza para referirse a la red profunda de operadores (Deep Operator Network). Con el fin de incorporar dependencias espaciales y temporales entre activos de producción distribuidos geográficamente, se entrenan redes neuronales gráficas espacio-temporales dentro de representaciones basadas en principios físicos. Se aplica un enfoque diferenciable de asimilación de datos que utiliza la red neuronal 4DVAR para mantener las predicciones de simulación del gemelo digital coherentes y sincronizadas con los datos de monitoreo en tiempo real, incluso en presencia de mediciones ruidosas e irregulares en el espacio. Sobre la base del gemelo digital sincronizado en tiempo real, se entrena una herramienta de optimización basada en aprendizaje por refuerzo para el control en tiempo real. Finalmente, el gemelo digital permanece preparado para la actualización continua de modelos y una escalabilidad adaptada durante períodos prolongados, basándose en actualizaciones continuas a partir de nuevas mediciones disponibles.
La arquitectura de gemelo digital propuesta mejora la arquitectura convencional de gemelo digital al incorporar inteligencia, adaptabilidad y conciencia del control. La canalización completa consta de cuatro módulos: (i) adquisición de datos/construcción del grafo, (ii) estimación del estado mediante operadores neuronales y ST-GNN, (iii) detección de anomalías mediante análisis basado en residuos, y (iv) control basado en aprendizaje por refuerzo.
Figura 1: Arquitectura general del gemelo digital consciente del control. El modelo propuesto de gemelo digital consciente del control integra la detección de anomalías, redes neuronales gráficas espacio-temporales, sincronización neuronal mediante 4D-Var, operadores neuronales informados por principios físicos y control en bucle cerrado basado en aprendizaje por refuerzo para sistemas de producción de petróleo y gas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 1 representa el proceso funcional de un gemelo digital con conocimiento del control de producción de petróleo y gas como un sistema ciberfísico en bucle cerrado. El proceso funcional comienza a nivel del sistema de producción de petróleo y gas, en el que diferentes sensores distribuidos en pozos, tuberías, válvulas y unidades de procesamiento capturan datos sobre presión, caudal, temperatura y controles en un instante determinado. Los diversos sensores capturan los datos en distintos formatos, y esta información se envía al gemelo digital, lo que constituye la base del conocimiento organizacional en ese instante.
La metodología propuesta incluye los siguientes pasos:
Recolección de datos
Se obtiene información en tiempo real de sensores sobre presión, caudal, temperatura y entradas de control procedentes de entornos de producción de petróleo y gas. Se utilizan otros conjuntos de datos de referencia disponibles, como SWAT y WADI, para evaluar las capacidades de robustez y generalización. Para garantizar la reproducibilidad, cada paso de la metodología propuesta se especifica utilizando detalles técnicos.
[Consulte el Archivo Suplementario (S1) para la Generación del Conjunto de Datos y la Simulación.]
Se utilizan dos conjuntos de datos industriales de referencia públicos del ámbito de investigación para sistemas de control industrial con el fin de demostrar la capacidad del gemelo digital conceptual frente a datos temporales complejos y de alta dimensionalidad, así como frente a eventos inusuales: los conjuntos de datos de referencia Secure Water Treatment (SWaT) y Water Distribution (WADI)34. Ambos conjuntos de datos se derivan de bancos de pruebas ciberfísicos realistas e incluyen datos multivariantes de sensores y actuadores correspondientes a operaciones normales y anomalías/ataques provocados en dichos sistemas. Mediante el uso de los conjuntos de datos SWaT y WADI, es posible realizar pruebas interdominio y demostrar la generalización más allá de los bancos de pruebas ciberfísicos hacia sistemas industriales distribuidos más amplios, con dependencias relacionadas con la ubicación y el tiempo. La descripción del conjunto de datos se muestra en Tabla 2.
La investigación propuesta utiliza tres conjuntos de datos diferentes para la evaluación exhaustiva de la metodología de gemelo digital desarrollada que se muestra en Tabla 2. El conjunto de datos base está compuesto por datos simulados relacionados con la organización de producción en la fabricación de petróleo y gas, y tiene como objetivo reproducir mediciones operativas reales detectadas por el sistema, así como condiciones de control y/o fallos. Además, se introduce el conjunto de datos de Tratamiento Seguro de Agua (SWaT) como ejemplo de un sistema físico a escala reducida, que comprende mediciones de 51 sensores y actuadores durante aproximadamente 11 días, incluyendo tanto condiciones normales como anomalías y ataques creados artificialmente. Este conjunto de datos es ampliamente considerado como el punto de referencia estándar para la investigación. Otro conjunto es el conjunto de datos de Distribución de Agua (WADI), cuyas mediciones capturan el comportamiento del sistema de distribución de agua a escala reducida, que comprende aproximadamente 123 variables durante un período de 16 días, incluyendo diferentes ataques y condiciones normales de operación. El conjunto de datos contiene un total de 15 ataques diferentes. Los dos conjuntos de datos anteriores giran principalmente en torno a series de alta dimensionalidad a lo largo del tiempo y relaciones espaciales, como en los sistemas de control industrial.
Preprocesamiento de datos
Antes del entrenamiento del modelo, todos los conjuntos de datos pasan por un procedimiento exhaustivo de pretratamiento para garantizar la calidad, consistencia y reproducibilidad de los datos. Entre los procedimientos de preprocesamiento se incluyen la gestión de valores ausentes, el filtrado de ruido, la normalización y la escalación de características. La descripción detallada de la tubería de preprocesamiento se encuentra en el Archivo Suplementario (S2).
Construcción del grafo del sistema
En la metodología propuesta, el sistema de producción física de petróleo y gas se representa en forma de grafo, que sirve como una estructura matemática para describir las correlaciones espaciales entre los activos junto con la dinámica del estado del sistema a lo largo del tiempo (véase el Archivo Suplementario (S3) para las Formulaciones de Construcción del Grafo del Sistema).
Aprendizaje de la física mediante operadores neuronales
Para la representación correcta de las características no lineales y multidimensionales de los sistemas de flujo multifásico, el enfoque propuesto utiliza operadores basados en principios físicos en forma de Operadores Neuronales de Fourier (FNO) y modelo de operador neuronal. A diferencia del método tradicional de representar redes neuronales como aplicaciones puntuales, el concepto de operadores permite la generalización en términos de diferentes condiciones de contorno. Esta característica hace que este método sea más adecuado para sistemas de flujo multifásico utilizados en la producción de petróleo y gas, ya que los fenómenos físicos ocurren de manera continua. Consulte el Archivo Suplementario (S4) para ver las ecuaciones matemáticas de los operadores neuronales.
Para evaluar más a fondo la validez de los operadores neuronales informados por la física, se realizaron experimentos adicionales para evaluar su capacidad de aproximar aplicaciones operadoras no lineales bajo diferentes estados de flujo y entradas de control. Los resultados muestran que los operadores pueden aproximar con precisión la aplicación del operador no lineal, validando así su capacidad para modelar con exactitud la dinámica del sistema, especialmente en presencia de alta dimensionalidad y con un costo computacional menor que otros solucionadores. La evaluación cuantitativa de la precisión del aprendizaje del operador se realiza mediante el error cuadrático medio entre los estados del sistema predichos y simulados, demostrando un rendimiento de aproximación consistente en diferentes condiciones de flujo.
Figura 2: Flujo de trabajo del marco de trabajo del operador neuronal informado por la física. Un ejemplo del flujo de trabajo del operador neuronal informado por la física muestra cómo se utilizan las entradas de control, los datos de sensores y las condiciones de contorno para aprender la dinámica de flujo multifásico no lineal y generar predicciones rápidas del sistema a nivel de operador. Haga clic aquí para ver una versión más grande de esta figura.
En el proceso de trabajo de PINO presentado en la Figura 2, el proceso de aprendizaje de flujos multifásicos no lineales físicamente complejos en procesos de petróleo y gas tiene lugar de manera continua. Esto comienza en la capa de entrada, donde el modelo recibe datos heterogéneos sobre el sistema físicamente cambiante. Esta entrada adopta la forma de condiciones de contorno, que incluyen presión, temperatura y velocidad, así como datos en tiempo real procedentes de sensores ubicados dentro del sistema de petróleo y gas, además de variables de control como la apertura de válvulas, la velocidad de las bombas o la apertura de estranguladores. Todas estas entradas definen el funcionamiento del sistema físicamente cambiante.
El componente clave dentro del flujo de trabajo es el PINO, implementado mediante FNO y el modelo de operador neuronal. El método propuesto es diferente y distinto en el sentido de que utiliza operadores neuronales para aprender operadores entre espacios de funciones, a diferencia de las redes neuronales tradicionales, que suelen centrarse en mapeos puntuales entre entradas y salidas. En este nivel, el FNO es capaz de capturar las relaciones espaciales globales utilizando el dominio de Fourier, y el modelo de operador neuronal puede aprender representaciones de operadores mediante redes de tipo rama y troncal. El modelo aprendido se guía mediante restricciones físicas para asegurar que la dinámica predicha se comporte como se espera en el flujo multifásico. El resultado del operador neuronal adopta la forma de una solución de campo continuo de variables físicas importantes, como la presión, los caudales y la distribución de fases para toda la red de producción. Además, los valores de salida son precisos en todo el campo, incluyendo pozos, tuberías y otras unidades conectadas, en lugar de medirse en puntos específicos como los sensores. De este modo, la salida del operador neuronal proporciona la capacidad de generar rápidamente simulaciones altamente precisas que pueden aproximar la solución de ecuaciones diferenciales parciales sin necesidad de resolverlas explícitamente. Esta solución actúa como la solución rápida en el gemelo digital.
El proceso de aprendizaje del operador neural toma características a nivel de función y a nivel de sistema, que son extracciones de los procesos de producción de petróleo y gas. Las características consisten principalmente en variables de estado físico para la producción de petróleo y gas, que son campos continuos, temperatura, caudal, presión y fracciones de fase para petróleo, gas y agua. Las características también incluyen condiciones de contorno, que involucran presiones de entrada, caudales y posiciones de válvulas. Las entradas de control, que incluyen posiciones de válvulas estranguladoras y velocidad de bombas, también se consideran para predecir respuestas bajo diferentes escenarios operativos. El modelo de operador neural recibe las características físicas y los parámetros de control, los cuales son procesados por las redes troncal y de ramificación. Las características proporcionan información suficiente para que los operadores neuronales predigan relaciones operadoras precisas que dependen tanto de los procesos físicos como de los factores operativos, para simulaciones rápidas de gemelos digitales.
Operador neural de Fourier (FNO)
En esta investigación, se utiliza un operador neural de Fourier (FNO)36 para estimar eficazmente las aplicaciones operacionales que describen la dinámica no lineal de flujo multifásico en sistemas de producción de petróleo y gas. A diferencia de las redes neuronales tradicionales, que aproximan aplicaciones entrada-salida para un conjunto específico de puntos, el FNO propuesto aproxima aplicaciones entre espacios funcionales, lo que permite la generalización sobre diversas escalas y configuraciones de un sistema. En este caso, el FNO actúa trasladando las representaciones del estado del sistema desde el espacio original al dominio de Fourier, donde pueden aplicarse eficazmente convoluciones espectrales con el fin de capturar las dependencias espaciales globales existentes dentro de los sistemas. Aquí, la representación del estado de entrada se proyecta en un espacio latente de mayor dimensión, y las transformaciones y activaciones se aplican de forma iterativa utilizando transformadas de Fourier, núcleos espectrales y funciones de activación. Consulte el Archivo Suplementario (S4.1) para las evaluaciones matemáticas del operador neural de Fourier.
Modelo de operador neural
El modelo de operador neuronal37 actúa como un enfoque alternativo dentro del proceso de operador neuronal para aproximar un operador físico no lineal que define la dinámica de producción de petróleo y gas. La descripción detallada del modelo de operador neuronal se encuentra en el Archivo Suplementario (S4.2) (consulte el Archivo Suplementario S10 para el Algoritmo 1: Aprendizaje Físico con Operadores Neuronales para el Algoritmo del Gemelo Digital).
Por lo tanto, el enfoque propuesto que utiliza operadores neuronales comienza con la recopilación de ejemplos emparejados de entradas y salidas, en los que las entradas son ejemplos de condiciones del sistema en forma de valores de frontera del sistema, variables de control o características físicas. El operador neuronal se entrena en una fase iterativa que consiste en predecir respuestas a una función de entrada y luego mejorar las desviaciones entre las predicciones y las respuestas reales mediante una función de error cuadrático medio. Este enfoque conduce a una optimización basada en gradientes, mediante la cual un operador neuronal descubre operadores de física sistémica que definen el comportamiento del sistema. Así, el sistema entrenado puede predecir eficientemente las respuestas del sistema a diferentes condiciones de entrada.
Modelado del sistema espacio-temporal
En la arquitectura de gemelo digital propuesta38, el proceso de producción de petróleo y gas ha sido representado mediante un grafo espacio-temporal. Esto se ha realizado para conceptualizar la conectividad, así como el proceso de evolución temporal de los recursos productivos distribuidos.
El proceso de producción de petróleo y gas tiene inherentemente una estructura distribuida en cuanto a pozos, infraestructura de tuberías y sensores. Para capturar de manera eficiente las relaciones espaciales y temporales de dicho proceso, el enfoque de gemelo digital desarrollado en este artículo utiliza redes neuronales gráficas espacio-temporales (ST-GNN). En este enfoque, las entidades del sistema se representan mediante nodos del grafo, y las relaciones espaciales o funcionales del sistema se indican mediante aristas del grafo. Las relaciones temporales se expresan mediante funciones de ventana para predecir de forma eficiente las transiciones de estado del sistema y las anomalías. Consulte el Archivo Suplementario (S5) para obtener una descripción detallada de la red neuronal gráfica espacio-temporal (ST-GNN).
Sincronización de gemelo digital mediante Neural 4D VAR
La sincronización del gemelo digital puede definirse como la sincronización continua del gemelo virtual con un entorno físico de producción de petróleo y gas en constante cambio, basada en lecturas en tiempo real de sensores. En la práctica, los gemelos digitales realizan predicciones sobre estados de un sistema, como presión, caudal y temperatura, basándose en el conocimiento de la dinámica del sistema físico. Sin embargo, debido a incertidumbres y ruido en los sensores, surge inevitablemente una discrepancia entre las predicciones y las mediciones. Por esta razón, con el fin de sincronizar las predicciones con las mediciones reales, en este trabajo se introduce otro método conocido como «asimilación de datos». Para garantizar la sincronización entre el proceso físico y el gemelo digital durante observaciones de sensores ruidosas y dispersas, se incorpora un método de asimilación de datos neural 4D-Var. El componente añadido tiene como objetivo reducir la brecha entre las mediciones de los sensores y las predicciones del modelo dentro de una ventana de asimilación. Aprovechando la diferenciabilidad, el método neural 4D-Var permite un aprendizaje de extremo a extremo y posibilita la corrección en línea del estado del gemelo digital (véase el Archivo Suplementario (S6) para la Asimilación de Datos Neural 4D-Var, el Archivo Suplementario (S10) para el Algoritmo 2: Sincronización del Gemelo Digital Usando Neural 4D-Var y el Archivo Suplementario (S11) para los hiperparámetros y detalles del entrenamiento).
Detección y diagnóstico de anomalías
En el conjunto de datos simulados de petróleo y gas, se introdujeron anomalías mediante perturbaciones controladas, como caídas de presión superiores al 15 %, picos anormales de flujo y fallos en válvulas. Los puntos de datos que superaron un valor umbral establecido o que se desviaron de una distribución estadística de referencia se identifican como anomalías. Para la formulación matemática del marco de detección de anomalías (Archivo Suplementario, S7).
Optimización y control en bucle cerrado
En el sistema propuesto, se puede lograr un control en lazo cerrado mediante la incorporación del DT armónico y el módulo de aprendizaje por refuerzo para la optimización. En la parte de los gemelos digitales, el gemelo digital predice el comportamiento futuro del proceso de producción de petróleo y gas bajo diversas condiciones, como la posición de diferentes válvulas, tasas de bombeo o control de flujo. Esto permite el desarrollo de un área de seguridad en la que el agente de control puede evaluar el resultado de las acciones deseadas sin que estas se materialicen en el proceso real. Así, aprovechando las predicciones ofrecidas por el gemelo digital, el módulo de aprendizaje por refuerzo puede optimizar objetivos operativos, incluyendo la eficiencia del proceso, el consumo de energía y la estabilidad del proceso, sin estar limitado por restricciones del proceso. Consulte el Archivo Suplementario (S8) para la descripción matemática de la optimización y control en lazo cerrado.
Aprendizaje y adaptación continuos
Los sistemas industriales enfrentan entornos no estacionarios con equipos envejecidos, condiciones operativas variables en el tiempo y perturbaciones imprevistas. Para diseñar un enfoque para esto, el modelo de gemelo digital propuesto incluye un componente de aprendizaje continuo que actualiza operadores neuronales, modelos gráficos y políticas basadas en aprendizaje incremental. Al observar variaciones importantes y patrones no identificados, el aprendizaje se facilita mediante la incorporación de nuevos datos y el ajuste de los parámetros asociados al modelo de gemelo digital.
El aprendizaje continuo también está mejorando la robustez de las políticas de control y la detección de anomalías, ya que ayuda al sistema a identificar nuevos patrones o comportamientos novedosos. La retroalimentación proveniente de las anomalías en los resultados de control se aplica para ajustar los modelos y optimizar una política de aprendizaje por refuerzo que garantice procesos de toma de decisiones eficaces a medida que el sistema sigue cambiando y evolucionando. Este proceso de aprendizaje adaptativo transforma al gemelo digital de un mero observador pasivo a un sistema inteligente capaz de mantener procesos de optimización en tiempo real de sistemas complejos de producción de petróleo y gas durante períodos prolongados, utilizando un entorno de infraestructura tecnológica riguroso y eficaz. En Tabla 3, se muestra la arquitectura del modelo y los hiperparámetros.
Consulte el Archivo Suplementario (S9) para la formulación matemática de la adaptación del aprendizaje continuo.
El módulo de preprocesamiento de datos se encarga de transformar los datos brutos de los sensores en entradas estructuradas y normalizadas adecuadas para los módulos de aprendizaje posteriores. En concreto, agrega mediciones históricas de sensores, elimina el ruido y estandariza las características para garantizar una calidad de datos consistente. Los datos procesados, junto con las condiciones de contorno y las entradas de control, se proporcionan entonces como entrada al módulo del operador neuronal con base física (modelo FNO/operador neuronal), que aprende las relaciones físicas no lineales subyacentes y genera una estimación continua del estado del sistema. Este estado del sistema estimado es utilizado posteriormente por el módulo de optimización del control para actualizar las estrategias de control de forma dinámica. Las salidas de control optimizadas se envían entonces al módulo de toma de decisiones, el cual interpreta los resultados y genera decisiones ejecutables para la operación del sistema. Se incorpora un mecanismo de retroalimentación para actualizar continuamente el sistema según nuevos datos observados, mejorando así la adaptabilidad y el rendimiento con el tiempo. Para mejorar la claridad y la reproducibilidad, se presenta una arquitectura a nivel de sistema que ilustra la interacción entre los módulos. El sistema propuesto consta de cuatro componentes principales, a saber, preprocesamiento de datos, modelado del operador neuronal con base física, optimización del control y toma de decisiones. Estos módulos están interconectados mediante interfaces de entrada-salida bien definidas, asegurando un flujo de datos continuo, un aprendizaje iterativo y una operación coordinada en todo el sistema de gemelo digital.
Figura 3: Diagrama de flujo de la arquitectura de optimización del control a nivel del sistema. Muestra la arquitectura general del sistema del trabajo propuesto. Haga clic aquí para ver una versión más grande de esta figura.
La arquitectura del sistema muestra una imagen completa del modelo que puede utilizarse para modelar y optimizar dinámicas físicas no lineales complejas en sistemas de producción de petróleo y gas. Esto comienza con los datos de entrada, que incluyen los parámetros utilizados para la simulación y las condiciones de contorno empleadas para representar el entorno físico. Estos datos primero pasan por el módulo de preprocesamiento de datos, donde se realiza la normalización y la extracción de características. Esto prepara los datos para el siguiente módulo, donde se utilizan el operador neuronal, FNO y el modelo de operador neuronal. Estos modelos se emplean para predecir los estados del sistema, y esta información se utiliza para optimizar los parámetros del sistema mediante el módulo de optimización. Los resultados optimizados se utilizan luego para tomar decisiones mediante el módulo de toma de decisiones. Este módulo ayuda a determinar la eficiencia del sistema. El marco también incluye los resultados de salida, donde se muestran los resultados del proceso de optimización en Figura 3. Además, se incluye un bucle de retroalimentación, en el cual los datos pasan nuevamente por el módulo de preprocesamiento tras los resultados de salida.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Con el fin de evaluar la validez de los operadores neuronales informados por la física, se realizaron pruebas adicionales de rendimiento para comparar el desempeño del FNO y del modelo de operador neuronal en la modelización de la dinámica del sistema de flujo multifásico no lineal. Los resultados mostraron que el FNO tiene un mejor desempeño en cuanto a consistencia espacial global, mientras que el modelo de operador neuronal presenta una mayor adaptabilidad a entradas heterogéneas.
Para gara...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Los hallazgos de esta investigación demuestran la eficacia del gemelo digital desarrollado con conciencia de control en cuanto a su capacidad para mejorar el monitoreo en tiempo real, la detección y la optimización del control para una amplia gama de CPS. En comparación con los modelos tradicionales de monitoreo, la combinación de la PINO y las redes neuronales graficas es más eficaz en términos de precisión para la estimación de estados, incluso en un sistema con ruido. Este hallazgo es válido porque un modelo avanzado ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen conflictos de intereses.
Agradecimientos
Los autores agradecen el apoyo técnico e institucional proporcionado por la Compañía de Datos y el Departamento de Comando de Producción de Xinjiang Oilfield Company, CNPC, Karamay, China, durante la realización de esta investigación. Este estudio no recibió financiamiento externo.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | Xeon / Ryzen Series | Utilizado para simulación del sistema, preprocesamiento de datos y computación general |
| Entorno de aprendizaje profundo (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | Utilizado para implementar redes neuronales, optimización y tuberías de entrenamiento |
| Biblioteca de redes neuronales profundas (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | Proporciona primitivas optimizadas para operaciones de aprendizaje profundo en GPU |
| DeepONet | No aplicable | https://arxiv.org/abs/1910.03193 | En el script, se le denomina "modelo de operador neuronal" |
| GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | Utilizada para entrenar modelos de aprendizaje profundo, incluyendo operadores neuronales, ST-GNN y componentes de aprendizaje por refuerzo |
| Aceleración GPU (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | Permite la computación paralela basada en GPU para entrenamiento de modelos de alto rendimiento |
| Distribución de Linux (versión 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | Sistema operativo utilizado para ejecutar experimentos y despliegue de modelos |
| Sistema operativo (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | Proporciona el entorno de ejecución para todos los experimentos y despliegue de modelos |
| Algoritmo de optimización (Optimizador Adam) | No aplicable | https://arxiv.org/abs/1412.6980 | Utilizado para entrenar modelos con optimización adaptativa de la tasa de aprendizaje |
| Biblioteca optimizada de redes neuronales profundas (versión 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | Proporciona primitivas aceleradas por GPU optimizadas para operaciones de redes neuronales profundas |
| Lenguaje de programación (Python 3.10) | Python Software Foundation | https://www.python.org/downloads RRID:SCR_008394 | Lenguaje de programación principal utilizado para implementación y experimentación |
| Memoria del sistema (≥ 64 GB de RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | Permite el manejo de datos multivariados de series temporales de alta dimensión y entrenamiento de modelos grandes |
Referencias
- 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
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.