Questo studio presenta un framework di gemello digitale consapevole del controllo per il monitoraggio e l'ottimizzazione dei sistemi petroliferi e del gas mediante modelli basati su apprendimento automatico e modelli informati dalla fisica, valutato su dataset simulati e di riferimento.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Sviluppo di un framework di Digital Twin consapevole del controllo per il monitoraggio e l'ottimizzazione in tempo reale dei sistemi di produzione di petrolio e gas
In questo articolo
Sommario
Abstract
In questo articolo viene proposto un framework basato sul gemello digitale consapevole del controllo per il monitoraggio e il miglioramento dei sistemi di produzione petrolifera e gassosa. Il metodo combina reti neurali grafiche spaziotemporali, assimilazione di dati neurale 4D-Var, controllo basato su apprendimento per rinforzo e operatori neurali informati dalla fisica (FNO e modello di operatore neurale). Il framework viene valutato utilizzando dataset di sistemi cibernetico-fisici di riferimento (SWaT e WADI) e un dataset simulato relativo al settore petrolifero e gassoso. I risultati, confermati da diverse esecuzioni indipendenti mediante misure medie, dimostrano un miglioramento delle prestazioni nella stima dello stato, nel rilevamento di anomalie e nell'ottimizzazione del controllo. Tuttavia, la valutazione si limita a dataset di riferimento e simulati; ulteriori convalidhe mediante dati reali del settore sono necessarie per verificare l'applicabilità pratica.
Introduzione
La necessità di reti sicure ed efficienti per il trasporto di petrolio e gas è aumentata a causa della crescente domanda energetica mondiale. Tuttavia, il mantenimento dell'affidabilità dei gasdotti è fortemente ostacolato dal degrado delle infrastrutture e dalla crescente complessità del sistema. A questo proposito, la tecnologia del gemello digitale (DT) ha suscitato interesse come strategia di gestione del ciclo di vita basata sui dati, che consente la valutazione del rischio, la manutenzione predittiva e l'ottimizzazione del sistema in ambienti industriali1,2,3,4,5. Dalla manutenzione reattiva alla decisione intelligente basata sui dati, la trasformazione digitale nei sistemi industriali ha migliorato il rilevamento delle anomalie, la previsione dei guasti e l'affidabilità del sistema6,7,8. Le applicazioni dei gemelli digitali nell'ottimizzazione dei processi, nella manutenzione predittiva e nella produzione intelligente sono state oggetto di numerose ricerche. Ad esempio, sono stati proposti modelli basati su gemelli digitali per l'analisi predittiva dei guasti10 e la valutazione delle prestazioni verdi11, nonché l'ottimizzazione della produzione basata sull'apprendimento profondo. I gemelli digitali sono stati utilizzati nel settore del petrolio e del gas per migliorare il monitoraggio e l'identificazione delle anomalie attraverso la modellazione del sistema, la valutazione delle prestazioni e l'integrazione dei dati provenienti da più sensori12,13,14,15.
Nonostante questi sviluppi, la maggior parte delle attuali tecniche di gemello digitale (DT) si concentra su caratteristiche discrete come monitoraggio, modellazione o rilevamento di anomalie, con scarsa integrazione della sincronizzazione e del controllo in tempo reale. Molti sistemi mancano di interazione bidirezionale e di capacità di apprendimento adattivo, funzionando come ombre digitali con flusso unidirezionale di dati. Nei sistemi petroliferi e del gas, dove le condizioni dinamiche e i modelli complessi di guasto richiedono un apprendimento e un controllo continui, questo limite risulta particolarmente significativo. Inoltre, le attuali tecniche di sistemi ciber-fisici non supportano il controllo in tempo reale a ciclo chiuso nei processi industriali complessi, limitandosi prevalentemente ad analisi offline16. Per descrivere le interazioni tra sensori distribuiti, gli approcci attuali si basano principalmente su tecniche tradizionali di machine learning e filtri, con scarso ricorso a modelli sofisticati come le reti neurali grafiche spaziotemporali. Inoltre, vi è una carenza di studi sull'uso di tecniche di apprendimento per operatori al fine di catturare dinamiche fisiche non lineari, specialmente nei sistemi di produzione petrolifera e del gas17. Di conseguenza, i sistemi DT esistenti non sono in grado di integrare assimilazione dati in tempo reale e controllo adattivo durante la modellazione di complesse relazioni spaziotemporali.
Poiché imitano le configurazioni di controllo industriale, set di dati di riferimento come SWaT e WADI sono frequentemente utilizzati per convalidare tecniche basate sui gemelli digitali (DT) nei sistemi cyber-fisici18. Inoltre, i gemelli digitali offrono vantaggi più generali, come un aumento della produttività, un migliore scambio di conoscenze e un trasferimento sicuro dei dati lungo i processi industriali19,20. In particolare nei settori ad alto rischio come quello del petrolio e del gas21,22,23, il loro potenziale nella gestione della sicurezza, nel monitoraggio in tempo reale e nell'automazione industriale sta ricevendo un riconoscimento sempre più ampio. Tuttavia, per un'implementazione pratica, sono ancora necessarie soluzioni più complete e integrate che uniscano capacità di modellazione, monitoraggio e controllo. Studi di valutazione come quelli citati in24,25 hanno gettato le basi, dimostrando gli utilizzi e i benefici dei gemelli digitali nel migliorare l'efficienza operativa e i processi decisionali. Tabella 1 mostra il confronto tra i metodi esistenti relativi alla produzione e alla gestione del controllo nel settore del petrolio e del gas26,27,28,29. A causa dei rischi operativi elevati e della complessa dinamica dei sistemi di produzione di petrolio e gas, i metodi tradizionali di manutenzione spesso risultano inadeguati per l'individuazione tempestiva e la reazione alle anomalie30,31,32,33. Sebbene la gestione della sicurezza e il monitoraggio remoto siano migliorati recentemente, permangono la necessità di sistemi intelligenti in grado di rilevare, apprendere e controllare continuamente in tempo reale.
Questo articolo propone un'architettura di gemello digitale consapevole del controllo, che combina reti neurali grafiche spaziotemporali, assimilazione di dati neurale 4D-Var, operatori neurali fisicamente informati e controllo basato sul rinforzo dell'apprendimento per superare tali difficoltà. Il sistema proposto stabilisce una singola pipeline per la raccolta di dati, la stima dello stato, il rilevamento di anomalie e l'ottimizzazione del controllo. Mentre le reti neurali grafiche spaziotemporali registrano le interazioni tra sensori distribuiti, gli operatori neurali fisicamente informati, come l'operatore neurale di Fourier e la rete profonda di operatori (modello di operatore neurale), vengono utilizzati per rappresentare dinamiche di sistema non lineari complesse. L'apprendimento per rinforzo consente un controllo adattivo in ciclo chiuso, mentre l'assimilazione di dati neurali migliora l'accuratezza della stima dello stato. La generalizzabilità del metodo proposto in diversi contesti industriali è dimostrata valutandolo mediante set di dati di riferimento per sistemi ciberfisici (SWaT e WADI) e dati simulati del settore petrolifero e del gas. Questo lavoro supera carenze significative dei sistemi DT attuali e offre una soluzione scalabile e adattabile per il monitoraggio e l'ottimizzazione in tempo reale nei sistemi di produzione petrolifera e del gas, integrando modellazione, apprendimento e controllo in un framework unificato.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio non coinvolge partecipanti umani né soggetti animali. I dataset utilizzati (SWaT e WADI) sono dataset di riferimento pubblicamente disponibili e non contengono dati sensibili o personali.
L'approccio proposto stabilisce un gemello digitale consapevole del controllo, che permette l'integrazione di algoritmi avanzati di deep learning, assimilazione dei dati e valutazione continua e ottimizzazione dei sistemi di estrazione e controllo di petrolio e gas. In primo luogo, vengono raccolti e modellati dati in tempo reale provenienti da sensori multimediali distribuiti geograficamente nell'infrastruttura produttiva, utilizzando una struttura a grafo che definisce le connessioni e le interazioni tra i componenti produttivi. Successivamente, vengono sfruttati operatori neurali informati dalla fisica per costruire approssimazioni a livello di operatore delle equazioni fondamentali che governano il flusso multifase non lineare, facilitando simulazioni scalabili all'interno del gemello digitale. Nella ricerca, il termine ‘modello operatore neurale’ è stato utilizzato per indicare la rete operatore profonda (Deep Operator Network). Al fine di incorporare le dipendenze spaziali e temporali tra le risorse produttive distribuite geograficamente, vengono addestrate reti neurali grafiche spaziotemporali all'interno delle rappresentazioni informate dalla fisica. Viene applicato un approccio differenziabile di assimilazione dei dati basato sul neurale 4DVAR per mantenere le previsioni della simulazione del gemello digitale coerenti e sincronizzate con i dati di monitoraggio in tempo reale, anche in presenza di misurazioni rumorose e irregolari dal punto di vista spaziale. Sulla base del gemello digitale sincronizzato in tempo reale, viene addestrato uno strumento di ottimizzazione guidato dall'apprendimento per rinforzo per il controllo in tempo reale. Infine, il gemello digitale rimane predisposto per l'aggiornamento continuo dei modelli e per una scalabilità adattata nel tempo, basata su aggiornamenti continui derivanti da nuove misurazioni disponibili.
L'architettura del gemello digitale proposta migliora l'architettura convenzionale del gemello digitale aggiungendovi intelligenza, adattabilità e consapevolezza del controllo. L'intera pipeline è composta da quattro moduli: (i) acquisizione dei dati/costruzione del grafo, (ii) stima dello stato mediante operatori neurali e ST-GNN, (iii) rilevamento delle anomalie mediante analisi basata sui residui, e (iv) controllo basato sull'apprendimento per rinforzo.
Figura 1: Architettura complessiva del digital twin consapevole del controllo. Il modello proposto di digital twin consapevole del controllo integra rilevamento delle anomalie, reti neurali grafiche spaziotemporali, sincronizzazione neurale 4D-Var, operatori neurali informati dalla fisica e controllo in ciclo chiuso basato sull'apprendimento per rinforzo per i sistemi di produzione petrolifera e del gas. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 1 rappresenta il processo funzionale di un gemello digitale con consapevolezza del controllo della produzione di petrolio e gas come sistema cibernetico-fisico in ciclo chiuso. Il processo funzionale ha inizio a livello del sistema di produzione di petrolio e gas, in cui diversi sensori distribuiti su pozzi, tubazioni, valvole e unità di trattamento acquisiscono dati su pressione, portata, temperatura e controlli in un determinato istante. I vari sensori acquisiscono dati in formati diversi, e i dati vengono inviati al gemello digitale, costituendo così la base della consapevolezza organizzativa in quell'istante.
La metodologia proposta prevede i passaggi successivi:
Raccolta dei dati
Vengono acquisite informazioni in tempo reale da sensori riguardanti pressione, portata, temperatura e input di controllo provenienti da ambienti di produzione petrolifera e gassiera. Altri set di dati di riferimento disponibili, come SWAT e WADI, vengono utilizzati per valutare le capacità di robustezza e generalizzazione. Per garantire la riproducibilità, ogni passaggio della metodologia proposta è specificato utilizzando dettagli tecnici.
[Si rimanda al File Supplementare (S1) per la Generazione del Dataset e la Simulazione.]
Per dimostrare le capacità del digital twin concettuale rispetto a dati temporali complessi e ad alta dimensionalità, nonché a eventi insoliti, vengono utilizzati due dataset pubblici di riferimento per sistemi di controllo industriale provenienti dal settore della ricerca: i dataset di riferimento Secure Water Treatment (SWaT) e Water Distribution (WADI)34. Entrambi i dataset derivano da testbed cibernetico-fisici realistici e includono dati operativi multivariati di sensori e attuatori relativi a scenari normali e anomali/attaccati attivati su tali sistemi. Utilizzando i dataset SWaT e WADI, è possibile effettuare test cross-domain e dimostrare la generalizzabilità oltre i testbed cibernetico-fisici, estendendola a sistemi industriali distribuiti più ampi, caratterizzati da dipendenze spaziali e temporali. La descrizione del dataset è riportata nella Tabella 2.
La ricerca proposta utilizza tre diversi set di dati per la valutazione approfondita della metodologia del gemello digitale sviluppata, illustrata nella Tabella 2. Il set di dati di base è composto da dati simulati relativi all'organizzazione produttiva nella produzione di petrolio e gas ed è destinato a riprodurre misurazioni operative reali rilevate dal sistema, nonché condizioni di controllo e/o di guasto. Inoltre, il set di dati Secure Water Treatment (SWaT) viene introdotto come esempio di un sistema fisico in scala ridotta, comprendente misurazioni provenienti da 51 sensori e attuatori nell'arco di circa 11 giorni, inclusi sia comportamenti normali che anomalie e attacchi creati artificialmente. Questo set di dati è ampiamente considerato come il benchmark standard per la ricerca. Un altro set è il set di dati Water Distribution (WADI), i cui dati catturano il comportamento di un sistema di distribuzione dell'acqua in scala ridotta, comprendente circa 123 variabili nell'arco di 16 giorni, inclusi diversi attacchi e condizioni operative normali. Il set di dati contiene complessivamente 15 attacchi differenti. I due set di dati sopra menzionati riguardano principalmente serie ad alta dimensionalità nel tempo e relazioni spaziali, come nei sistemi di controllo industriale.
Preelaborazione dei dati
Prima dell'addestramento del modello, tutti i set di dati subiscono un'accurata procedura di pretrattamento per garantire qualità, coerenza e riproducibilità dei dati. Tra le procedure di preelaborazione figurano la gestione dei valori mancanti, il filtraggio del rumore, la normalizzazione e la riduzione delle caratteristiche. La descrizione dettagliata della pipeline di preelaborazione è riportata nel File Supplementare (S2).
Costruzione del grafo del sistema
Nella metodologia proposta, il sistema produttivo fisico per petrolio e gas è rappresentato sotto forma di grafo, che funge da struttura matematica per la descrizione delle correlazioni spaziali tra le risorse insieme alla dinamica dello stato del sistema nel tempo (si rimanda al File Supplementare (S3) per le Formulazioni della Costruzione del Grafo del Sistema).
Apprendimento della fisica mediante operatori neurali
Per rappresentare correttamente le caratteristiche non lineari e multidimensionali dei sistemi di flusso multifase, l'approccio proposto utilizza operatori basati sulla fisica sotto forma di Operatori Neurali di Fourier (FNO) e modello operatore neurale. A differenza del metodo tradizionale di rappresentare le reti neurali come mappe puntuali, il concetto di operatori consente una generalizzazione in termini di diverse condizioni al contorno. Questa caratteristica rende questo metodo più adatto ai sistemi di flusso multifase utilizzati nella produzione di petrolio e gas, poiché i fenomeni fisici avvengono in modo continuo. Si rimanda al File Supplementare (S4) per le equazioni matematiche degli operatori neurali.
Per valutare ulteriormente la validità degli operatori neurali basati sulla fisica, sono stati eseguiti esperimenti aggiuntivi per analizzarne la capacità di approssimare mappe operatorie non lineari in diverse condizioni di flusso e input di controllo. I risultati mostrano che tali operatori possono approssimare con precisione la mappa dell'operatore non lineare, confermando quindi la loro capacità di modellare accuratamente la dinamica del sistema, specialmente in presenza di elevata dimensionalità e a un costo computazionale inferiore rispetto ad altri risolutori. La valutazione quantitativa dell'accuratezza nell'apprendimento degli operatori è stata effettuata utilizzando l'errore quadratico medio tra gli stati del sistema predetti e quelli simulati, dimostrando prestazioni di approssimazione coerenti in diverse condizioni di flusso.
Figura 2: Flusso di lavoro del framework basato su operatore neurale guidato dalla fisica. Un esempio del flusso di lavoro dell'operatore neurale guidato dalla fisica illustra come gli input di controllo, i dati dei sensori e le condizioni al contorno vengano utilizzati per apprendere la dinamica del flusso multifase non lineare e produrre previsioni rapide del sistema a livello di operatore. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Nel processo operativo del PINO presentato in Figura 2, il processo di apprendimento relativo a flussi multifase non lineari e fisicamente complessi nei processi petroliferi e del gas avviene in modo continuo. Questo inizia dallo strato di ingresso, dove il modello riceve dati eterogenei sul sistema in evoluzione fisica. Tale ingresso assume la forma di condizioni al contorno, che includono pressione, temperatura e velocità, nonché dati in tempo reale provenienti da sensori posizionati all'interno del sistema petrolifero e del gas, oltre a variabili di controllo come l'apertura delle valvole, la velocità delle pompe o l'apertura dei riduttori di pressione. Tutti questi ingressi definiscono il funzionamento del sistema in evoluzione fisica.
Il componente chiave all'interno del flusso di lavoro è il PINO, realizzato attraverso FNO e il modello di operatore neurale. Il metodo proposto si differenzia e distingue in quanto utilizza operatori neurali per apprendere operatori tra spazi funzionali, a differenza delle reti neurali tradizionali, che tendono a concentrarsi su mappe puntuali tra ingressi e uscite. A questo livello, l'FNO è in grado di catturare le relazioni spaziali globali utilizzando il dominio di Fourier, mentre il modello di operatore neurale è in grado di apprendere rappresentazioni di operatori sfruttando sia reti di tipo branch che trunk. Il modello appreso è guidato da vincoli fisici per garantire che la dinamica predetta si comporti come previsto nel flusso multifase. L'output dell'operatore neurale assume la forma di una soluzione in campo continuo delle principali variabili fisiche, come pressione, portate e distribuzione delle fasi per l'intera rete produttiva. Inoltre, i valori in uscita sono accurati per l'intero campo, inclusi pozzi, condotte e altre unità collegate, piuttosto che essere misurati in punti specifici come i sensori. In questo modo, l'output dell'operatore neurale consente di produrre rapidamente simulazioni altamente accurate, in grado di approssimare la soluzione di equazioni differenziali parziali senza doverle necessariamente risolvere. Questa soluzione funge da soluzione rapida nel gemello digitale.
Il processo di apprendimento dell'operatore neurale utilizza caratteristiche a livello di funzione e a livello di sistema, estratte dai processi di produzione di petrolio e gas. Tali caratteristiche consistono principalmente nelle variabili di stato fisico della produzione di petrolio e gas, ovvero campi continui, temperatura, portata, pressione e frazioni di fase per petrolio, gas e acqua. Le caratteristiche comprendono inoltre le condizioni al contorno, quali pressioni in ingresso, portate e posizioni delle valvole. Gli ingressi di controllo, che includono le posizioni delle valvole di strozzamento e la velocità delle pompe, sono anch'essi considerati al fine di prevedere le risposte in diversi scenari operativi. Il modello di operatore neurale riceve le caratteristiche fisiche e i parametri di controllo, che vengono elaborati dalle reti trunk e branch. Queste caratteristiche forniscono informazioni sufficienti agli operatori neurali per prevedere relazioni operative accurate, dipendenti sia dai processi fisici sia dai fattori operativi, necessarie per simulazioni rapide di gemelli digitali.
Operatore neurale di Fourier (FNO)
In questa ricerca, un operatore neurale di Fourier (FNO)36 viene utilizzato per stimare in modo efficace le corrispondenze operatoriali che descrivono la dinamica non lineare del flusso multifase nei sistemi di produzione di petrolio e gas. A differenza delle reti neurali tradizionali, che approssimano le corrispondenze tra ingresso e uscita per un insieme specifico di punti, l'FNO proposto approssima corrispondenze tra spazi funzionali, consentendo così una generalizzazione su diverse scale e configurazioni di un sistema. In questo caso, l'FNO opera trasferendo le rappresentazioni dello stato del sistema dallo spazio originale al dominio di Fourier, dove le convoluzioni spettrali possono essere applicate efficacemente al fine di catturare le dipendenze spaziali globali presenti all'interno dei sistemi. La rappresentazione dello stato in ingresso viene proiettata in uno spazio latente di dimensione superiore, e le trasformazioni e le attivazioni vengono applicate in modo iterativo mediante trasformate di Fourier, kernel spettrali e funzioni di attivazione. Si rimanda al File Supplementare (S4.1) per le valutazioni matematiche dell'operatore neurale di Fourier.
Modello di operatore neurale
Il modello di operatore neurale37 funge da approccio alternativo all'interno del processo di operatore neurale per approssimare un operatore fisico non lineare che definisce la dinamica di produzione di petrolio e gas. La descrizione dettagliata del modello di operatore neurale è riportata nel File Supplementare (S4.2) (si rimanda al File Supplementare S10 per l'Algoritmo 1: Apprendimento della Fisica con Operatori Neurali per l'Algoritmo del Gemello Digitale).
L'approccio proposto basato sull'uso di operatori neurali inizia quindi raccogliendo esempi accoppiati di ingressi e uscite, in cui gli ingressi sono esempi di condizioni del sistema sotto forma di valori al contorno, variabili di controllo o caratteristiche fisiche. L'operatore neurale viene addestrato in una fase iterativa che prevede la previsione delle risposte a una funzione di ingresso e il successivo miglioramento delle deviazioni tra le previsioni e le risposte effettive mediante una funzione di errore quadratico medio. Questo approccio porta a un'ottimizzazione basata sui gradienti, grazie alla quale un operatore neurale scopre operatori fisici sistematici che definiscono il comportamento del sistema. Il sistema addestrato può quindi prevedere in modo efficiente le risposte del sistema a diverse condizioni di ingresso.
Modellizzazione del sistema spazio-temporale
Nell'architettura del gemello digitale proposta38, il processo di produzione di petrolio e gas è stato rappresentato mediante un grafo spaziotemporale. Questo è stato fatto per concettualizzare sia la connettività che l'evoluzione temporale delle risorse produttive distribuite.
Il processo di produzione di petrolio e gas ha intrinsecamente una struttura distribuita in termini di pozzi, infrastrutture di oleodotti e sensori. Per catturare in modo efficiente le relazioni spaziali/temporali di tale processo, l'approccio del gemello digitale sviluppato in questo articolo fa uso di reti neurali grafiche spaziotemporali (ST-GNN). In questo approccio, le entità del sistema sono rappresentate in termini di nodi del grafo, mentre le relazioni spaziali/funzionali del sistema sono indicate da archi del grafo. Le relazioni temporali sono espresse mediante funzioni di finestra al fine di prevedere in modo efficiente le transizioni di stato del sistema e le anomalie. Si rimanda al File Supplementare (S5) per una descrizione dettagliata della Rete Neurale Grafica Spaziotemporale (ST-GNN).
Sincronizzazione del gemello digitale mediante Neural 4D VAR
La sincronizzazione del gemello digitale può essere definita come la sincronizzazione continua del gemello virtuale con un ambiente fisico di produzione petrolifera e gassosa in continua evoluzione, basata su letture in tempo reale dei sensori. In pratica, i gemelli digitali effettuano previsioni riguardo a stati di un sistema, come pressione, portata e temperatura, sulla base di una comprensione della dinamica del sistema fisico. Tuttavia, a causa di incertezze e rumore dei sensori, sorge inevitabilmente una discrepanza tra previsioni e misurazioni. Per questo motivo, al fine di sincronizzare le previsioni con le misurazioni effettive, in questo lavoro viene introdotto un ulteriore metodo noto come «assimilazione dati». Per garantire la sincronizzazione del processo fisico e del gemello digitale durante osservazioni rumorose e sparse dei sensori, viene integrato un metodo di assimilazione dati neurale 4D-Var. Il componente aggiuntivo mira a ridurre il divario tra le misurazioni dei sensori e le previsioni del modello all'interno di una finestra di assimilazione. Sfruttando la differenziabilità, il metodo neurale 4D-Var consente un apprendimento end-to-end e permette la correzione in tempo reale dello stato del gemello digitale (si rimanda al Supplementary File (S6) per l'Assimilazione Dati Neurale 4D-Var, al Supplementary File (S10) per l'Algoritmo 2: Sincronizzazione del Gemello Digitale Mediante 4D-Var Neurale e al Supplementary File (S11) per i dettagli sui parametri iperottimizzati e sull'addestramento).
Rilevamento e diagnosi delle anomalie
Nel set di dati simulati di petrolio e gas, le anomalie sono state introdotte generando perturbazioni controllate come cali di pressione superiori al 15%, picchi anomali di flusso e malfunzionamenti delle valvole. I punti dati che superano un valore soglia prestabilito o che si discostano da una distribuzione statistica di riferimento vengono identificati come anomalie. Per la formulazione matematica del framework di rilevamento delle anomalie (File Supplementare, S7).
Ottimizzazione e controllo in ciclo chiuso
Nel sistema proposto, il controllo in ciclo chiuso può essere ottenuto integrando il gemello digitale armonioso e il modulo di apprendimento per rinforzo per l'ottimizzazione. Nella parte relativa ai gemelli digitali, il gemello digitale predice il comportamento futuro del processo di produzione di petrolio e gas in diverse condizioni, come la posizione di diverse valvole, le velocità delle pompe o il controllo del flusso. Ciò consente lo sviluppo di un'area di sicurezza in cui l'agente di controllo può valutare il risultato delle azioni desiderate senza doverle realizzare nel processo reale. Pertanto, sfruttando le previsioni offerte dal gemello digitale, il modulo di apprendimento per rinforzo può ottimizzare obiettivi operativi, tra cui l'efficienza del processo, il consumo energetico e la stabilità del processo, senza essere limitato dai vincoli del processo. Si rimanda al File Supplementare (S8) per la descrizione matematica dell'ottimizzazione e del controllo in ciclo chiuso.
Apprendimento e adattamento continui
I sistemi industriali affrontano ambienti non stazionari con apparecchiature invecchiate, condizioni operative variabili nel tempo e disturbi imprevisti. Per progettare un approccio a questo problema, il modello di gemello digitale proposto include un componente in continuo apprendimento che aggiorna operatori neurali, modelli grafici e politiche basandosi sull'apprendimento incrementale. Quando si osservano variazioni significative e schemi non identificati, l'apprendimento è facilitato dall'inclusione di nuovi dati e dall'adeguamento dei parametri associati al modello del gemello digitale.
L'apprendimento continuo sta inoltre migliorando la robustezza delle politiche di controllo e del rilevamento delle anomalie, poiché aiuta il sistema a identificare nuovi modelli o comportamenti inediti. Il feedback derivante dalle anomalie nei risultati di controllo viene utilizzato per aggiustare i modelli e ottimizzare una politica di apprendimento per rinforzo che garantisca processi decisionali efficaci mentre il sistema continua a cambiare ed evolversi. Questo processo di apprendimento adattivo trasforma il gemello digitale da semplice osservatore passivo a sistema intelligente in grado di sostenere nel tempo processi di ottimizzazione in tempo reale di complessi sistemi produttivi nel settore oil & gas, sfruttando un ambiente infrastrutturale tecnologico rigoroso ed efficace. Nella Tabella 3 è mostrata l'architettura del modello e gli iperparametri.
Si rimanda al File Supplementare (S9) per la formulazione matematica dell'adattamento nell'apprendimento continuo.
Il modulo di preelaborazione dei dati è responsabile della trasformazione dei dati grezzi provenienti dai sensori in input strutturati e normalizzati, adatti ai moduli di apprendimento successivi. In particolare, aggrega le misurazioni storiche dei sensori, rimuove il rumore e standardizza le caratteristiche al fine di garantire una qualità dati costante. I dati elaborati, insieme alle condizioni al contorno e agli input di controllo, vengono quindi forniti come input al modulo dell'operatore neurale fisicamente informato (modello FNO/operatore neurale), che apprende le relazioni fisiche non lineari sottostanti e genera una stima continua dello stato del sistema. Questo stato stimato del sistema viene successivamente utilizzato dal modulo di ottimizzazione del controllo per aggiornare dinamicamente le strategie di controllo. Gli output di controllo ottimizzati vengono quindi inviati al modulo di decisione, il quale interpreta i risultati e genera decisioni operative. È previsto un meccanismo di retroazione per aggiornare continuamente il sistema sulla base di nuovi dati osservati, migliorando così l'adattabilità e le prestazioni nel tempo. Per migliorare chiarezza e riproducibilità, viene presentata un'architettura a livello di sistema per illustrare l'interazione tra i moduli. Il sistema proposto comprende quattro componenti principali, ovvero preelaborazione dei dati, modellazione dell'operatore neurale fisicamente informato, ottimizzazione del controllo e processo decisionale. Questi moduli sono interconnessi tramite interfacce di input–output ben definite, garantendo un flusso di dati continuo, un apprendimento iterativo e un funzionamento coordinato in tutto il sistema del gemello digitale.
Figura 3: Diagramma di flusso dell'architettura per l'ottimizzazione del controllo a livello di sistema. Illustra l'architettura generale del sistema del lavoro proposto. Cliccare qui per visualizzare una versione ingrandita di questa figura.
L'architettura del sistema mostra un quadro completo del modello che può essere utilizzato per modellare e ottimizzare dinamiche fisiche non lineari complesse nei sistemi di produzione petrolifera e gassosa. Il processo inizia con i dati di input, che includono i parametri utilizzati per la simulazione e le condizioni al contorno impiegate per rappresentare l'ambiente fisico. Questi dati passano innanzitutto attraverso il modulo di preelaborazione dei dati, dove vengono effettuate normalizzazione ed estrazione delle caratteristiche. Questo prepara i dati per il modulo successivo, in cui vengono utilizzati l'operatore neurale, FNO e il modello di operatore neurale. Questi modelli vengono impiegati per prevedere gli stati del sistema, e queste informazioni vengono utilizzate per ottimizzare i parametri del sistema mediante il modulo di ottimizzazione. I risultati ottimizzati vengono quindi utilizzati per prendere decisioni tramite il modulo di decisione. Questo modulo aiuta a determinare l'efficienza del sistema. Il framework include inoltre i risultati in uscita, dove i risultati del processo di ottimizzazione sono mostrati in Figura 3. Inoltre, è presente un anello di retroazione, in cui i dati passano nuovamente attraverso il modulo di preelaborazione dopo i risultati in uscita.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Al fine di verificare la validità degli operatori neurali basati sulla fisica, sono stati condotti ulteriori test sulle prestazioni per confrontare le capacità di FNO e del modello di operatore neurale nella modellizzazione della dinamica del sistema di flusso multifase non lineare. I risultati hanno mostrato che FNO offre prestazioni migliori in termini di coerenza spaziale globale, mentre il modello di operatore neurale si distingue per una maggiore adattabilità a ingressi eterogenei.
Per ga...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
I risultati di questa ricerca dimostrano l'efficacia del gemello digitale sviluppato con consapevolezza del controllo, in termini della sua capacità di migliorare il monitoraggio in tempo reale, il rilevamento e l'ottimizzazione del controllo per un'ampia gamma di CPS. Rispetto ai modelli tradizionali per il monitoraggio, la combinazione di PINO e reti neurali grafiche risulta più efficace in termini di accuratezza nella stima dello stato, anche per un sistema rumoroso. Questo risultato è valido perché un modello avanzat...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori non hanno conflitti di interessi.
Ringraziamenti
Gli autori riconoscono il supporto tecnico e istituzionale fornito dalla Data Company e dal Production Command Department della Xinjiang Oilfield Company, CNPC, Karamay, Cina, durante il completamento di questa ricerca. Lo studio non ha ricevuto finanziamenti esterni.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | Xeon / Ryzen Series | Utilizzato per la simulazione del sistema, la pre-elaborazione dei dati e il calcolo generale |
| Framework di apprendimento profondo (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | Utilizzato per l'implementazione di reti neurali, ottimizzazione e pipeline di addestramento |
| Libreria per reti neurali profonde (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | Fornisce primitive ottimizzate per operazioni di apprendimento profondo su GPU |
| DeepONet | Non applicabile | https://arxiv.org/abs/1910.03193 | Nello script, è indicato come "modello di operatore neurale" |
| GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | Utilizzato per l'addestramento di modelli di apprendimento profondo, inclusi operatori neurali, ST-GNN e componenti di apprendimento per rinforzo |
| Accelerazione GPU (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | Consente il calcolo parallelo basato su GPU per l'addestramento di modelli ad alte prestazioni |
| Distribuzione Linux (versione 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | Sistema operativo utilizzato per l'esecuzione degli esperimenti e il deployment del modello |
| Sistema operativo (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | Fornisce l'ambiente di esecuzione per tutti gli esperimenti e il deployment del modello |
| Algoritmo di ottimizzazione (Adam Optimizer) | Non applicabile | https://arxiv.org/abs/1412.6980 | Utilizzato per l'addestramento dei modelli con ottimizzazione del tasso di apprendimento adattivo |
| libreria ottimizzata per reti neurali profonde (versione 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | Fornisce primitive accelerate da GPU ottimizzate per operazioni di reti neurali profonde |
| Linguaggio di programmazione (Python 3.10) | Fondazione Python | https://www.python.org/downloads RRID:SCR_008394 | Linguaggio di programmazione principale utilizzato per l'implementazione e la sperimentazione |
| Memoria di sistema (≥ 64 GB RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | Supporta l'elaborazione di dati multivariati ad alta dimensione e l'addestramento di modelli di grandi dimensioni |
Riferimenti
- 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
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.