מחקר זה מציג מסגרת של תאום דיגיטלי מודע-בקרה (control-aware digital twin) לניטור ואופטימיזציה של מערכות נפט וגז באמצעות למידת מכונה ומודלים מבוססי פיזיקה, אשר הוערכה על גבי מערכי נתונים סימולטיביים ומערכי נתוני ייחוס.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
פיתוח מסגרת תאום דיגיטלי מודע-בקרה לניטור ואופטימיזציה בזמן אמת של מערכות הפקת נפט וגז
במאמר זה
סיכום
תקציר
במאמר זה מוצעת מסגרת של תאום דיגיטלי מודע-בקרה למעקב ושיפור של מערכות ייצור נפט וגז. השיטה משלבת רשתות נוירונים גרפיות מרחביות-זמניות, הטמעת נתונים בשיטת neural 4D-Var, בקרה מבוססת למידת חיזוק, ואופרטורים נוירונליים מונחי-פיזיקה (FNO ומודל Neural operator). כדי להעריך את המסגרת, נעשה שימוש במערכי נתונים של מערכות סייבר-פיזיות להשוואה (SWaT ו-WADI) ובמערך נתונים סימולטיבי של נפט וגז. התוצאות, שאושרו באמצעות מספר הרצות עצמאיות תוך שימוש במדדי ממוצע, מראות ביצועים משופרים בהערכת מצב, זיהוי חריגות ואופטימיזציה של הבקרה. עם זאת, ההערכה מוגבלת למערכי נתונים להשוואה ולנתונים סימולטיביים; נדרש תיקוף נוסף באמצעות נתונים תעשייתיים ממשיים כדי לאמת את הישימות המעשית.
מבוא
הצורך ברשתות הובלה בטוחות ויעילות של נפט וגז עלה בעקבות הדרישה הגוברת לאנרגיה בעולם. עם זאת, השמירה על אמינות צינורות ההובלה נפגעת קשות עקב התדרדרות התשתיות ומורכבות גוברת של המערכות. בהקשר זה, טכנולוגיית התאום הדיגיטלי (DT) עוררה עניין כאסטרטגיה לניהול מחזור חיים מונחית נתונים, המאפשרת הערכת סיכונים, תחזוקה חזויה ואופטימיזציה של מערכות בסביבות תעשייתיות1,2,3,4,5. המעבר מתחזוקה ריאקטיבית לקבלת החלטות חכמה המונחית נתונים, במסגרת הטרנספורמציה הדיגיטלית במערכות תעשייתיות, הגביר את זיהוי האנומליות, ניבוי כשלים ואמינות המערכת6,7,8. יישומים של DT באופטימיזציה של תהליכים, תחזוקה חזויה וייצור חכם היוו נושא למחקרים רבים. לדוגמה, הוצעו מודלים מבוססי DT לניתוח כשלים חזוי10 ולהערכה של ביצועים ירוקים11, וכן לאופטימיזציה של הייצור המבוססת על למידה עמוקה. תאומים דיגיטליים שימשו בתעשיית הנפט והגז לשיפור הניטור וזיהוי אנומליות באמצעות מידול מערכת, הערכת ביצועים ושילוב נתונים ממספר חיישנים12,13,14,15.
למרות התפתחויות אלו, מרבית טכניקות ה-DT הנוכחיות מתמקדות במאפיינים נפרדים כמו ניטור, מידול או זיהוי חריגות, עם שילוב מועט של סנכרון ובקרה בזמן אמת. מערכות רבות חסרות אינטראקציה דו-כיוונית ויכולות למידה אדפטיביות, ומתפקדות כצללים דיגיטליים עם זרימת נתונים חד-כיוונית. במערכות נפט וגז, שבהן תנאים דינמיים ותבניות תקלות מורכבות מחייבים למידה ובקרה מתמשכות, מגבלה זו היא משמעותית במיוחד. בנוסף, בקרה במעגל סגור בזמן אמת בתהליכים תעשייתיים מורכבים אינה נתמכת על ידי טכניקות נוכחיות של מערכות סייבר-פיזיות, המוגבלות לרוב לניתוח לא מקוון (offline)16. יתרה מכך, כדי לתאר אינטראקציות של חיישנים מפוזרים, גישות נוכחיות מסתמכות בעיקר על טכניקות מסורתיות של למידת מכונה וסינון, עם שימוש מועט במודלים מתוחכמים כמו רשתות עצביות גרפיות מרחביות-זמניות (spatio-temporal graph neural networks). בנוסף, קיים מחסור במחקר על שימוש בטכניקות למידת אופרטורים כדי ללכוד דינמיקה פיזיקלית לא ליניארית, במיוחד במערכות ייצור נפט וגז17. בשל כך, מערכות DT קיימות אינן מסוגלות לשלב הטמעת נתונים בזמן אמת ובקרה אדפטיבית תוך מידול קשרים מרחביים-זמניים מורכבים.
מכיוון שהם מדמים הגדרות בקרה תעשייתיות, מערכי נתונים של ייחוס (benchmark datasets) כגון SWaT ו-WADI משמשים לעיתים קרובות לתיקוף טכניקות מבוססות תאומי דיגיטליים (DT) במערכות סייבר-פיזיות18. בנוסף, תאומי דיגיטליים מספקים יתרונות כלליים יותר, כגון הגברת הפרודוקטיביות, חילופי ידע טובים יותר והעברת נתונים בטוחה לאורך תהליכים תעשייתיים19,20. במיוחד בתעשיות בסיכון גבוה כמו נפט וגז21,22,23, הפוטנציאל שלהם בניהול בטיחות, ניטור בזמן אמת ואוטומציה תעשייתית זוכה להכרה רחבה יותר. עם זאת, עדיין נדרשים פתרונות מלאים ואינטגרטיביים יותר המשלבים יכולות מידול, ניטור ובקרה לצורך פריסה מעשית. מחקרי הערכה, כגון אלו המצוטטים ב-24,25, הניחו את היסודות על ידי הדגמת השימושים והיתרונות של תאומי דיגיטליים בשיפור היעילות בתפעול ובאופן קבלת ההחלטות. טבלה 1 מציגה השוואה של שיטות קיימות בנוגע לייצור נפט וגז וניהול בקרה26,27,28,29. בשל הסיכונים התפעוליים הגבוהים והדינמיקה המורכבת של מערכות ייצור נפט וגז, שיטות תחזוקה מסורתיות אינן מספקות לעיתים קרובות לצורך זיהוי ותגובה מהירים לאנומליות30,31,32,33. למרות שניהול הבטיחות והניטור מרחוק השתפרו לאחרונה, עדיין דרושות מערכות חכמות המסוגלות לחוש, ללמוד ולבקר באופן רציף ובזמן אמת.
מאמר זה מציע ארכיטקטורת תאום דיגיטלי המודעת לבקרה, המשלבת רשתות נוירונים גרפיות מרחביות-זמניות (spatiotemporal graph neural networks), අסimilציה של נתונים באמצעות neural 4D-Var, מפעילים נוירוניים מונחי-פיזיקה (physics-informed neural operators) ובקרה מבוססת למידת חיזוק, כדי להתגבר על קשיים אלו. המערכת המוצעת מבססת צינור עבודה (pipeline) יחיד לאיסוף נתונים, אומדן מצב, זיהוי חריגות ואופטימיזציה של הבקרה. בעוד שרשתות נוירונים גרפיות מרחביות-זמניות מתעדות אינטראקציות בין חיישנים מפוזרים, מפעילים נוירוניים מונחי-פיזיקה, כגון Fourier Neural Operator ו-Deep Operator Network (מודל מפעיל נוירוני), משמשים לייצוג דינמיקה מורכבת ולא לינארית של המערכת. למידת חיזוק מאפשרת בקרה אדפטיבית בלולאה סגורה, בעוד שאסimilציה נוירונית של נתונים משפרת את דיוק אומדן המצב. היכולת של השיטה המוצעת להכללה על פני סביבות תעשייתיות מוכחת באמצעות הערכה באמצעות מאגרי נתונים של מערכות סייבר-פיזיות המשמשים כנקודת ייחוס (SWaT ו-WADI) ונתונים סימולטיביים של נפט וגז. עבודה זו מתגברת על חסרונות מרכזיים של מערכות DT נוכחיות ומציעה פתרון בר-הרחבה וגמיש לניטור ואופטימיזציה בזמן אמת במערכות ייצור נפט וגז, על ידי שילוב של מידול, למידה ובקרה לכדי מסגרת מאוחדת.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
מחקר זה אינו כולל משתתפים אנושיים או חיות ניסוי. מערכי הנתונים שנעשה בהם שימוש (SWaT ו-WADI) הם מערכי נתונים סטנדרטיים (benchmark) הזמינים לציבור, ולא נעשה שימוש בנתונים רגישים או אישיים.
הגישה המוצעת מבססת תאום דיגיטלי מודע-בקרה המאפשר שילוב של אלגוריתמי למידה עמוקה מתקדמים, אסמילציה של נתונים, והערכה ואופטימיזציה רציפה של מערכות השליטה וההפקה של נפט וגז. ראשית, נתונים רב-מודאליים מחיישנים בזמן אמת מתשתיות ייצור המפוזרות גיאוגרפית נאספים וממודלים באמצעות מבנה גרף המגדיר קישוריות ואינטראקציות בין רכיבי הייצור. לאחר מכן, נעשה שימוש באופרטורים עצביים מונחי-פיזיקה כדי לבנות קירובים ברמת אופרטור של המשוואות השולטות בזרימה רב-פאזית לא-ליניארית, מה שמאפשר סימולציה ניתנת להרחבה (scalable) בתוך התאום הדיגיטלי. במחקר זה, המונח ‘Neural operator model’ שימש להתייחסות ל-Deep Operator Network. כדי לשלב תלויות מרחביות וזמניות בין נכסי ייצור המפוזרים גיאוגרפית, רשתות עצביות גרפיות מרחביות-זמניות מאומנות בתוך הייצוגים המונחי-פיזיקה. גישת אסמילציה של נתונים דיפרנציאבילית המנצלת neural 4DVAR מיושמת כדי לשמור על תחזיות הסימולציה של התאום הדיגיטלי עקביות ומסונכרנות עם נתוני ניטור בזמן אמת, גם במקרה של מדידות רועשות ולא סדירות מבחינה מרחבית. מעל התאום הדיגיטלי המסונכרן בזמן אמת, מאומן כלי אופטימיזציה מונחה למידת חיזוק לצורך בקרה בזמן אמת. לבסוף, התאום הדיגיטלי נשאר מצויד ליכולת עדכון רציף של מודלים והתאמת סקליביליות לאורך זמן ממושך, בהתבסס על רענונים רציפים ממדידות חדשות הזמינות.
ארכיטקטורת התאום הדיגיטלי המוצעת משפרת את ארכיטקטורת התאום הדיגיטלי הקונבנציונלית על ידי הוספת אינטליגנציה, סתגלנות ומודעות-בקרה. כל תהליך העבודה מורכב מארבעה מודולים: (i) רכישת נתונים/בניית גרף, (ii) הערכת מצב באמצעות אופרטורים עצביים ו-ST-GNN, (iii) זיהוי חריגות באמצעות ניתוח מבוסס שאריות, ו-(iv) בקרה מבוססת למידת חיזוק.
איור 1: ארכיטקטורת תאום דיגיטלי כוללת מודעת-בקרה. זיהוי חריגות, רשתות נוירונים גרפיות מרחביות-זמניות, סנכרון neural 4D-Var, מפעילים נוירוניים מבוססי פיזיקה ובקרה בלולאה סגורה המבוססת על למידה עם חיזוק עבור מערכות ייצור נפט וגז, כולם משולבים במודל התאום הדיגיטלי המודע-בקרה המוצע. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 1 מציג את התהליך התפקודי של תאום דיגיטלי מודע לבקרת ייצור נפט וגז כמערכת סייבר-פיזית במעגל סגור. התהליך התפקודי מתחיל ברמת מערכת ייצור הנפט והגז, שבה חיישנים שונים הפזורים בבארות, בצינורות, בשסתומי בקרה וביחידות עיבוד לוכדים נתונים על לחץ, קצב זרימה, טמפרטורה ובקרות ברגע נתון. החיישנים השונים לוכדים נתונים בפורמטים שונים, והנתונים נשלחים לתאום הדיגיטלי, דבר המהווה את הבסיס למודעות ארגונית באותו רגע.
המתודולוגיה המוצעת כוללת את השלבים הבאים:
איסוף נתונים
מידע בזמן אמת מחיישנים בנוגע ללחץ, קצב זרימה, טמפרטורה וקלטי בקרה נלקח מסביבות של ייצור נפט וגז. מערכי נתונים ייחוס (benchmark) זמינים אחרים, כגון SWAT ו-WADI, משמשים לבחינת יכולות החוסן וההכללה. כדי להבטיח שחזור, כל שלב במתודולוגיה המוצעת מפורט באמצעות פרטים טכניים.
[אנא עיינו בקובץ המשלים (S1) עבור יצירת מערכי הנתונים והסימולציה.]
שני מאגרי נתונים ציבוריים המשמשים כנקודת ייחוס (benchmark) למערכות בקרה תעשייתיות מתחום המחקר של מערכות בקרה תעשייתיות, משמשים להוכחת יכולתו של התאום הדיגיטלי המושגי ביחס לנתוני סדרות עתיות מורכבות ובעלות ממדיות גבוהה, וכן ביחס לאירועים חריגים: מאגרי הנתונים Secure Water Treatment (SWaT) ו-Water Distribution (WADI).34שני מערכי הנתונים נגזרים מסביבות בדיקה (testbeds) ריאליסטיות של מערכות סייבר-פיזיות, והם כוללים נתוני תפעול רב-משתני של חיישנים ואקטואטורים עבור תרחישים תקינים ותרחישי חריגה/מתקפה שהופעלו במערכות אלו. באמצעות שימוש במערכי הנתונים SWaT ו-WADI, ניתן לבצע בדיקות חוצות-דומיינים ולהוכיח יכולת הכללה מעבר לסביבות בדיקה סייבר-פיזיות למערכות תעשייתיות מבוזרות רחבות יותר, בעלות תלויות הקשורות למיקום ולזמן. תיאור מערכי הנתונים מוצג ב- טבלה 2.
המחקר המוצע משתמש בשלוש מערכי נתונים שונים לצורך הערכה נרחבת של מתודולוגיית התאום הדיגיטלי שפותחה, כפי שמוצג בטבלה 2. מערך הנתונים הבסיסי מורכב מנתונים סימולטיביים המתייחסים לארגון ייצור בתעשיית הנפט והגז, ומטרתו לשחזר מדידות תפעוליות ממשיות שנמדדו על ידי המערכת, וכן תנאי בקרה ו/או תקלות. בנוסף, מערך הנתונים Secure Water Treatment (SWaT) מוצג כדוגמה למערכת פיזיקלית בקנה מידה מצומצם, הכוללת מדידות מ-51 חיישנים ואקטואטורים לאורך כ-11 ימים, כולל אנימליות ומתקפות, הן נורמליות והן כאלו שנוצרו באופן מלאכותי. מערך נתונים זה נחשב באופן נרחב כבנצ'מרק הסטנדרטי למחקר. מערכה נוספת היא מערך הנתונים Water Distribution (WADI), שהמדידות בו לוכדות את התנהגותו של מערכת הפצת מים בקנה מידה מצומצם הכוללת כ-123 משתנים לאורך 16 ימים, כולל מתקפות שונות ותנאי הפעלה נורמליים. מערך הנתונים מכיל סך הכל 15 מתקפות שונות. שני מערכי הנתונים לעיל עוסקים בעיקר בסדרות רב-ממדיות לאורך זמן ובמערכות יחסים מרחביות, כפי שקיים במערכות בקרה תעשייתיות.
עיבוד מקדים של נתונים
לפני אימון המודל, כל מערכי הנתונים עוברים הליך קדם-טיפול יסודי כדי להבטיח את איכות הנתונים, העקביות והשחזוריות שלהם. נהלי העיבוד המקדים כוללים ניהול ערכים חסרים, סינון רעשים, נורמליזציה ונרמול מאפיינים (feature scaling). הפינליין (Pipeline) המפורט של העיבוד המקדים מתואר ב- קובץ נלווה (S2).
בניית גרף המערכת
במתודולוגיה המוצעת, מערכת הייצור הפיזית של נפט וגז מיוצגת בצורת גרף, המשמש כמבנה מתמטי לתיאור מתאמים מרחביים בין נכסים, יחד עם הדינמיקה של מצב המערכת לאורך זמן (ראו את ה- קובץ נלווה (S3) עבור ניסוחי בניית גרף מערכת).
למידת פיזיקה באמצעות אופרטורים עצביים
למען ייצוג נכון של המאפיינים הבלתי-ליניאריים והרב-ממדיים של מערכות זרימה רב-מופזית, הגישה המוצעת משתמשת באופרטורים מבוססי פיזיקה בצורת אופרטורים עצביים של פורייה (FNO) ומודל אופרטור עצבי. בניגוד לשיטה המסורתית המייצגת רשתות עצביות כמיפויים נקודתיים, מושג האופרטורים מאפשר הכללה ביחס לתנאי שפה שונים. מאפיין זה הופך שיטה זו למתאימה יותר עבור מערכות זרימה רב-מופזית המשמשות בהפקת נפט וגז, מאחר שהתופעות הפיזיקליות מתרחשות באופן רציף. אנא עיינו ב- קובץ נלווה (S4) עבור המשוואות המתמטיות של אופרטורים עצביים.
כדי להעריך בהמשך את התקפותם של האופרטורים העצביים מבוססי הפיזיקה (physics-informed neural operators), בוצעו ניסויים נוספים לבחינת יכולתם לבצע קירוב של מיפויים של אופרטורים לא-ליניאריים תחת מצבי זרימה וקלטים של בקרה שונים. התוצאות מראות כי האופרטורים יכולים לקרב במדויק את המיפוי של האופרטור הלא-ליניארי, ובכך לתקף את יכולתם של האופרטורים למדל במדויק את הדינמיקה של המערכת, במיוחד בנוכחות של ממדיות גבוהה, וזאת בעלות חישובית נמוכה יותר מאשר פותרים (solvers) אחרים. הערכה כמותית של דיוק למידת האופרטור בוצעה באמצעות שגיאה ריבועית ממוצעת (mean squared error) בין מצבי המערכת החזויים למצבי המערכת הסימולטיביים, דבר המדגים ביצועי קירוב עקביים תחת תנאי זרימה שונים.
איור 2: תהליך העבודה של מסגרת האופרטור העצבי מונחה-פיזיקה. דוגמה לתהליך העבודה של האופרטור העצבי מונחה-פיזיקה מדגימה כיצד נעשה שימוש בקלטי בקרה, נתוני חיישנים ותנאי שפה כדי ללמוד דינמיקת זרימה רב-מופזית לא-ליניארית ולהפיק תחזיות מערכת מהירות ברמת האופרטור. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.
בתהליך העבודה של PINO המוצג ב-איור 2, תהליך הלמידה של זרימות רב-פאזיות לא-ליניאריות מורכבות פיזיקלית בתהליכי נפט וגז מתבצע באופן רציף. תהליך זה מתחיל בשכבת הקלט, שבה המודל מקבל נתונים הטרוגניים על המערכת המתפתחת פיזיקלית. קלט זה מגיע בצורת תנאי שפה, החל מלחץ, טמפרטורה ומהירות, וכן נתונים בזמן אמת מחיישנים המוצבים בתוך מערכת הנפט והגז, כמו גם משתני בקרה כגון פתיחת שסתומים, מהירות משאבות או פתיחת צמיטים (chokes). כל הקלטים הללו מגדירים את פעולתה של המערכת המתפתחת פיזיקלית.
הרכיב המרכזי בתהליך העבודה הוא ה-PINO, המיושם באמצעות FNO ומודל Neural operator. השיטה המוצעת היא שונה ומובחנת בכך שהיא משתמשת באופרטורים נוירונליים (neural operators) כדי ללמוד אופרטורים בין מרחבי פונקציות, בניגוד לרשתות נוירונים מסורתיות, הנוטות להתמקד במיפוי נקודתי בין קלטים לפלטים. ברמה זו, FNO מסוגל ללכוד קשרים מרחביים גלובליים באמצעות המישור הפוריארי (Fourier domain), ומודל ה-Neural operator מסוגל ללמוד ייצוגי אופרטורים באמצעות רשתות branch ו-trunk. המודל הנלמד מודרך על ידי אילוצים פיזיקליים כדי להבטיח שהדינמיקה החזויה תתנהג כמצופה בזרימה רב-פאזית. תוצאת האופרטור הנוירונלי מקבלת את הצורה של פתרון שדה רציף עבור משתנים פיזיקליים חשובים כגון לחץ, ספיקות והתפלגות פאזות עבור רשת הייצור כולה. יתרה מכך, ערכי הפלט מדויקים עבור השדה כולו, כולל הבארים, צינורות ההולכה ויחידות מחוברות אחרות, במקום להימדד בנקודות ספציפיות כמו חיישנים. באופן זה, הפלט של האופרטור הנוירונלי מספק את היכולת להפיק במהירות סימולציות מדויקות ביותר שיכולות לקרב את הפתרון למשוואות דיפרנציאליות חלקיות מבלי להצטרך לפתור אותן בהכרח. פתרון זה משמש כפתרון המהיר בתאום הדיגיטלי (digital twin).
תהליך הלמידה של המפעיל העצבי (neural operator) משתמש במאפיינים ברמת הפונקציה וברמת המערכת, שהם נתונים שהופקו מתהליכי ייצור של נפט וגז. המאפיינים מורכבים בעיקר ממשתני מצב פיזיקליים של ייצור נפט וגז, שהם שדות רציפים של טמפרטורה, קצב זרימה, לחץ וחלקי פאזה של נפט, גז ומים. המאפיינים כוללים גם תנאי שפה, הכוללים לחצי כניסה, קצבי זרימה ומיקומי שסתומים. קלטים של בקרה, הכוללים מיקומים של שסתומי חניקה ומהירות משאבה, נלקחים בחשבון גם הם לצורך חיזוי תגובות תחת תרחישים תפעוליים שונים. מודל המפעיל העצבי מקבל את המאפיינים הפיזיקליים ואת פרמטרי הבקרה, המעובדים על ידי רשתות הגזע (trunk) והענף (branch). המאפיינים מספקים מידע מספיק למפעילים העצביים כדי לחזות קשרי מפעיל מדויקים התלויים הן בתהליכים פיזיקליים והן בגורמים תפעוליים, לצורך סימולציות מהירות של תאום דיגיטלי (digital twin).
אופרטור עצבי פורייה (FNO)
במחקר זה, מפעיל עצבי פורייה (Fourier Neural Operator - FNO)36 משמש להערכה יעילה של מיפויי האופרטורים המתארים את הדינמיקה של זרימה רב-מופזית לא-ליניארית במערכות הפקה של נפט וגז. בניגוד לרשתות עצביות מסורתיות, המקרבות מיפויי קלט-פלט עבור קבוצה ספציפית של נקודות, ה-FNO המוצע מקרב מיפויים בין מרחבי פונקציות, ובכך מאפשר הכללה על פני קנה מידה ותצורות שונות של מערכת. במקרה זה, ה-FNO פועל על ידי העברת ייצוגי מצב המערכת מהמרחב המקורי למישור פורייה, שבו ניתן להחיל קונבולוציות ספקטרליות ביעילות לצורך לכידת התלויות המרחביות הגלובליות הקיימות בתוך המערכות. במקרה זה, ייצוג מצב הקלט מושלך למרחב חבוי רב-ממדי, והטרנספורמציות וההפעלות מיושמות באופן איטרטיבי באמצעות התמרות פורייה, גרעינים ספקטרליים ופונקציות הפעלה. נא לעיין קובץ נלווה (S4.1) עבור הערכות מתמטיות של מפעיל עצבי פורייה (Fourier neural operator).
מודל אופרטור עצבי
מודל אופרטור עצבי37 משמש כגישה חלופית במסגרת תהליך האופרטור העצבי לקירוב אופרטור פיזיקלי לא-ליניארי המגדיר את הדינמיקה של הפקת נפט וגז. תיאור מפורט של מודל האופרטור העצבי מופיע בקובץ נלווה (S4.2) (עיין בקובץ נלווה S10 עבור אלגוריתם 1: למידה פיזיקלית עם אופרטורים עצביים עבור אלגוריתם תאום דיגיטלי).
הגישה המוצעת לשימוש באופרטורים נוירוניים מתחילה, אם כן, באיסוף דוגמאות מזווגות של קלטים ופלטים, כאשר הקלטים הם דוגמאות של תנאי מערכת בצורה של ערכי גבול של המערכת, משתני בקרה או מאפיינים פיזיקליים. האופרטור הנוירוני מאומן בשלב איטרטיבי הכולל חיזוי תגובות לפונקציית קלט, עם שיפור עוקב של הסטיות בין התחזיות לתגובות בפועל באמצעות פונקציית שגיאה ממוצעת בריבוע (mean squared error). גישה זו מובילה לאופטימיזציה המבוססת על גרדיאנטים, שבה האופרטור הנוירוני מגלה אופרטורים פיזיקליים מערכתיים המגדירים את התנהגות המערכת. באופן זה, המערכת המאומנת יכולה לחזות ביעילות תגובות מערכת לתנאי קלט שונים.
מידול מערכות מרחב-זמן
בארכיטקטורת התאום הדיגיטלי המוצעת38, תהליך הפקת הנפט והגז יוצג באמצעות גרף מרחבי-זמני. הדבר נעשה כדי להמשיג את הקישוריות וכן את תהליך ההתפתחות בזמן של משאבי ההפקה המבוזרים.
לתהליך הפקת נפט וגז יש מבנה מבוזר מטבעו במונחים של בארות, תשתיות צינורות וחיישנים. כדי ללכוד ביעילות קשרים מרחביים/זמניים בתהליך כזה, גישת התאום הדיגיטלי (digital twin) שפותחה במאמר זה עושה שימוש ברשתות עצביות גרפיות מרחביות-זמניות (ST-GNN). בגישה זו, ישויות המערכת מיוצגות כצמתים בגרף, וקשרים מרחביים/פונקציונליים במערכת מסומנים על ידי מקשרי גרף. קשרים זמניים מבוטאים באמצעות פונקציות חלון כדי לחזות ביעילות מעברי מצב ואנומליות במערכת. נא לעיין קובץ נלווה (S5) עבור תיאור מפורט של רשת עצבית גרפית מרחבית-זמנית (ST-GNN).
סנכרון תאום דיגיטלי באמצעות Neural 4D VAR
ניתן להגדיר סנכרון תאום דיגיטלי כסנכרון רציף של התאום הווירטואלי עם סביבת ייצור נפט וגז פיזית המשתנה ללא הרף, בהתבסס על קריאות חיישנים בזמן אמת. בפועל, תאומים דיגיטליים מבצעים תחזיות לגבי מצבים במערכת, כגון לחץ, קצב זרימה וטמפרטורה, בהתבסס על הבנה של הדינמיקה של המערכת הפיזית. עם זאת, עקב אי-ודאויות ורעשי חיישנים, נוצר פער בלתי נמנע בין התחזיות למדידות. מסיבה זו, על מנת לסנכרן את התחזיות עם המדידות בפועל, מוצגת בעבודה זו שיטה נוספת המכונה 'asimilacion data' (הטמעת נתונים) כדי להפוך את התחזיות לעקביות עם המדידות הפיזיות. כדי להבטיח סנכרון של התהליך הפיזי והתאום הדיגיטלי במהלך תצפיות חיישנים רועשות ודלילות, שולבה שיטת הטמעת נתונים של neural 4D-Var. הרכיב שנוסף שואף לצמצם את הפער בין מדידות החיישנים לתחזיות המודל בתוך חלון הטמעה. באמצעות גזירות, שיטת ה-neural 4D-Var מספקת למידה מקצה לקצה ומאפשרת לתקן את מצב התאום הדיגיטלי באופן מקוון (עיין ב-Supplementary File (S6) עבור Neural 4D-Var Data Assimilation, ב-Supplementary File (S10) עבור Algorithm 2: Digital Twin Synchronization Using Neural 4D-Var ועיין ב-Supplementary File (S11) עבור היפר-פרמטרים ופרטי אימון).
גילוי ואבחון חריגות
בסט הנתונים הסימולטיבי של נפט וגז, הוזרקו אנומליות באמצעות הכנסת הפרעות מבוקרות, כגון ירידות בלחץ העולות על 15%, קפיצות זרימה חריגות ותקלות בשסתומים. נקודות נתונים שחרגו מערך סף שנקבע או שסטו מהתפלגות סטטיסטית בסיסית מזוהות כאנומליות. עבור הניסוח המתמטי של מסגרת זיהוי האנומליות (קובץ נלווה, S7).
אופטימיזציה ובקרה בלולאה סגורה
במערכת המוצעת, ניתן להשיג בקרה בלולאה סגורה על ידי שילוב ה-DT ההרמוני ומודול למידת חיזוק לצורך אופטימיזציה. בחלק של התאומים הדיגיטליים, התאום הדיגיטלי חוזה את ההתנהגות העתידית של תהליך הפקת הנפט והגז תחת תנאים שונים, כגון מיקום של שסתומים שונים, קצבי שאיבה או בקרת זרימה. דבר זה מאפשר פיתוח של אזור בטיחות שבו סוכן הבקרה יכול להעריך את תוצאתן של פעולות רצויות מבלי שהן יתממשו בתהליך בעולם האמיתי. כך, באמצעות ניצול התחזיות המוצעות על ידי התאום הדיגיטלי, מודול למידת החיזוק יכול למקסם יעדי תפעול, כולל את יעילות התהליך, שימוש באנרגיה ויציבות התהליך, מבלי להיות מוגבל על ידי אילוצי התהליך. אנא עיינו ב-קובץ משלים (S8) עבור התיאור המתמטי של אופטימיזציה ובקרה בלולאה סגורה.
למידה והסתגלות מתמשכות
מערכות תעשייתיות מתמודדות עם סביבות לא-סטציונריות הכוללות ציוד מתיישן, תנאי הפעלה המשתנים עם הזמן והפרעות בלתי צפויות. כדי לתכנן גישה להתמודדות עם מצבים אלו, מודל התאום הדיגיטלי המוצע כולל רכיב למידה מתמדת המשדרג אופרטורים עצביים, מודלי גרפים ומדיניות המבוססת על למידה אינקרמנטלית. עם זיהוי שינויים משמעותיים ותבניות לא מזוהות, הלמידה מקודמת על ידי שילוב נתונים חדשים והתאמת פרמטרים הקשורים למודל התאום הדיגיטלי.
למידה רציפה משפרת גם את החסון של הן מדיניות הבקרה והן של זיהוי חריגות, שכן היא מסייעת למערכת לזהות דפוסי התנהגות חדשים או לא מוכרים. משוב מחריגות בתוצאות הבקרה מיושם כדי להתאים את המודלים ולבצע אופטימיזציה למדיניות למידה עם חיזוק (reinforcement learning), שתבטיח תהליכי קבלת החלטות יעילים ככל שהמערכת ממשיכה להשתנות ולהתפתח. תהליך למידה אדפטיבי זה הופך תאום דיגיטלי (digital twin) מצופה פסיבי למערכת אינטליגנטית המסוגלת לתמוך בתהליכי אופטימיזציה בזמן אמת של מערכות מורכבות להפקת נפט וגז לאורך תקופה ממושכת, תוך שימוש בסביבת תשתית טכנולוגית קפדנית ויעילה. טבלה 3 מציגה את ארכיטקטורת המודל ואת ההיפר-פרמטרים.
אנא עיינו בקובץ נלווה (S9) עבור הניסוח המתמטי של התאמה ללמידה רציפה (Continuous Learning Adaptation).
מודול עיבוד המקדימה של הנתונים אחראי על המרת נתוני חיישנים גולמיים לקלטים מובנים ונורמליים המתאימים למודולי למידה בהמשך התהליך. באופן ספציפי, הוא מרכז מדידות היסטוריות של חיישנים, מסיר רעשים ומבצע סטנדרטיזציה של מאפיינים כדי להבטיח איכות נתונים עקבית. הנתונים המעובדים, יחד עם תנאי השפה וקלטי בקרה, מסופקים לאחר מכן כקלט למודול האופרטור העצבי המבוסס פיזיקה (FNO/Neural operator model), הלומד את הקשרים הפיזיקליים הלא-ליניאריים הבסיסיים ומייצר הערכה רציפה של מצב המערכת. הערכה זו של מצב המערכת מנוצלת לאחר מכן על ידי מודול אופטימיזציית הבקרה כדי לעדכן אסטרטגיות בקרה באופן דינמי. פלטי הבקרה האופטימליים מועברים לאחר מכן למודול קבלת ההחלטות, המפרש את התוצאות ומייצר החלטות ברות-ביצוע להפעלת המערכת. מנגנון משוב משולב כדי לעדכן את המערכת באופן רציף על בסיס נתונים חדשים שנצפו, ובכך לשפר את יכולת ההסתגלות והביצועים לאורך זמן. כדי להגביר את הבהירות והשחזוריות, מוצגת ארכיטקטורה ברמת המערכת כדי להמחיש את האינטראקציה בין המודולים. המערכת המוצעת מורכבת מארבעה רכיבים עיקריים: עיבוד מקדימה של נתונים, מידול אופרטור עצבי מבוסס פיזיקה, אופטימיזציית בקרה וקבלת החלטות. מודולים אלו מקושרים ביניהם באמצעות ממשקי קלט-פלט מוגדרים היטב, המבטיחים זרימת נתונים חלקה, למידה איטרטיבית ותפעול מתואם בכל מערכת התאום הדיגיטלי.
איור 3: תרשים זרימה של ארכיטקטורת אופטימיזציית בקרה כוללת ברמת המערכת. התרשים מציג את ארכיטקטורת המערכת הכוללת של העבודה המוצעת. אנא לחץ כאן כדי להציג גרסה מורחבת של איור זה.
ארכיטקטורת המערכת מציגה תמונה מלאה של המודל שניתן להשתמש בו למידול ואופטימיזציה של דינמיקה פיזיקלית לא ליניארית מורכבת במערכות הפקת נפט וגז. התהליך מתחיל בנתוני הקלט, הכוללים את הפרמטרים המשמשים לסימולציה ואת תנאי השפה המשמשים לייצוג הסביבה הפיזיקלית. נתונים אלו עוברים תחילה דרך מודול עיבוד מקדים של הנתונים, שבו מבוצעים נרמול וחילוץ מאפיינים. שלב זה מכין את הנתונים עבור המודול הבא, שבו נעשה שימוש באופרטור עצבי, FNO, ובמודל אופרטור עצבי. מודלים אלו משמשים לחיזוי מצבי המערכת, ומידע זה משמש לאופטימיזציה של פרמטרי המערכת באמצעות מודול האופטימיזציה. התוצאות שעברו אופטימיזציה משמשות לאחר מכן לקבלת החלטות באמצעות מודול קבלת ההחלטות. מודול זה מסייע בקביעת יעילות המערכת. המסגרת כוללת גם את תוצאות הפלט, שבהן מוצגות תוצאות תהליך האופטימיזציה ב-איור 3. בנוסף, נכללת לולאת משוב, שבה הנתונים עוברים דרך מודול העיבוד המקדים לאחר תוצאות הפלט.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
על מנת לבחון את תקפותם של המפעילים העצביים מבוססי הפיזיקה, נערכו מבחני ביצועים נוספים כדי להשוות בין ביצועי FNO לבין מודל המפעיל העצבי (Neural operator model) במידול הדינמיקה של מערכת זרימה רב-מופאית לא-ליניארית. התוצאות הראו כי FNO מציג ביצועים טובים יותר בעקביות מרחבית גלובלית, בעוד שמודל המפעיל העצבי מציג ביצועים טובים יותר ביכולת ההסתגלות לקלטים הטרוגניים.
כדי להבטיח אימון והערכה יעילים של מסגרת התאום הדיגיטלי המוצעת, כל הניסויים בוצעו בסביבת מחשוב בעלת ביצועים גבוהים. Python שימשה כשפת הת...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
הממצאים ממחקר זה מדגימים את יעילותו של התאום הדיגיטלי המודע-לבקרה שפותח, במונחים של יכולתו לשפר את הניטור בזמן אמת, את הגילוי ואת אופטימיזציית הבקרה עבור מגוון רחב של מערכות פיזיות-סייברנטיות (CPS). בהשוואה למודלים מסורתיים לניטור, השילוב של PINO ורשתות נוירונים גרפיות יעיל יותר מבחינת דיוק בהערכת מצב, גם עבור מערכת רועשת. ממצא זה נכון מכיוון שמודל למידת מכונה מתקדם בתאום הדיגיטלי יעיל יותר במונחים של חיזוי וגילוי במערכת39.
בהשוואה לפתרונות הנוכחיים לזיהוי חריגות, כגון ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
למחברים אין ניגודי עניינים.
תודות
המחברים מודים על התמיכה הטכנית והמוסדית שסופקה על ידי מחלקת הנתונים ומפקדת הייצור של חברת שדות הנפט של שינג'ג'יאנג, CNPC, קראמאי, סין, במהלך השלמת מחקר זה. לא התקבל מימון חיצוני עבור מחקר זה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | סדרת Xeon / Ryzen | משמש לסימולציית מערכת, עיבוד מקדים של נתונים וחישוב כללי |
| מסגרת למידה עמוקה (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | משמשת להטמעת רשתות נוירונים, אופטימיזציה ותהליכי אימון |
| ספריית רשת נוירונים עמוקה (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | מספקת פרימיטיבים מותאמים למבצעי למידה עמוקה על GPU |
| DeepONet | לא רלוונטי | https://arxiv.org/abs/1910.03193 | בסקריפט, היא מכונה "neural operator model" |
| GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | משמש לאימון מודלים של למידה עמוקה, כולל אופרטורים נוירונליים, ST-GNN ורכיבי למידה עם חיזוקים |
| האצת GPU (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | מאפשרת חישוב מקבילי מבוסס GPU לאימון מודלים בביצועים גבוהים |
| הפצת לינוקס (גרסה 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | מערכת הפעלה המשמשת להרצת ניסויים ופריסת מודלים |
| מערכת הפעלה (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | מספקת סביבת הרצה לכל הניסויים ופריסת המודלים |
| אלגוריתם אופטימיזציה (Adam Optimizer) | לא רלוונטי | https://arxiv.org/abs/1412.6980 | משמש לאימון מודלים עם אופטימיזציית קצב למידה אדפטיבי |
| ספריית רשת נוירונים עמוקה מותאמת (גרסה 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | מספקת פרימיטיבים מותאמים עם האצת GPU למבצעי רשת נוירונים עמוקה |
| שפת תכנות (Python 3.10) | Python Software Foundation | https://www.python.org/downloads RRID:SCR_008394 | שפת התכנות המרכזית המשמשת להטמעה ולניסויים |
| זיכרון מערכת (≥ 64 GB RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | תומך בטיפול בנתוני סדרות זמן רב-משתניות מממד גבוה ובאימון מודלים גדולים |
מקורות
- 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
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.