石油・ガス生産システムのリアルタイムモニタリングおよび最適化に向けた制御認識型デジタルツインフレームワークの開発

サマリー

本研究では、機械学習と物理モデルに基づいた、石油およびガスシステムのモニタリングと最適化のための制御対応デジタルツインフレームワークを提示し、シミュレーションおよびベンチマークデータセットを用いて評価しています。

要約

本論文では、石油およびガス生産システムの追跡と改善を目的とした、制御を考慮したデジタルツインフレームワークを提案します。本手法は、時空間グラフニューラルネットワーク、ニューラル4D-Varデータ同化、強化学習ベースの制御、および物理情報ニューラルオペレーター（FNOおよびニューラルオペレーターモデル）を組み合わせています。本フレームワークの評価には、ベンチマークとなるサイバーフィジカルシステムデータセット（SWaTおよびWADI）と、シミュレーションによる石油・ガスデータセットを使用しました。平均値を用いた複数の独立した実行によって確認された結果は、状態推定、異常検知、および制御最適化における性能の向上を示しています。ただし、評価はベンチマークおよびシミュレーションデータセットに限定されており、実用的な適用性を検証するためには、実際の産業データを用いたさらなる検証が必要です。

概要

世界的なエネルギー需要の増大に伴い、安全で効率的な石油・ガス輸送ネットワークの必要性が高まっています。しかし、インフラの老朽化とシステムの複雑化により、パイプラインの信頼性を維持することが極めて困難になっています。この点において、デジタルツイン（DT）技術は、産業現場におけるリスク評価、予知保全、およびシステム最適化を可能にするデータ駆動型のライフサイクル管理戦略として注目を集めています^1,2,3,4,5。産業システムにおけるデジタルトランスフォーメーションは、事後保全からインテリジェントなデータ駆動型意思決定へと移行することで、異常検知、故障予測、およびシステムの信頼性を向上させてきました^6,7,8。プロセス最適化、予知保全、およびスマート製造におけるDTの応用は、多くの研究の対象となってきました。例えば、故障の予知分析¹⁰や環境性能評価¹¹、またディープラーニングに基づく生産最適化のために、DTベースのモデルが提案されています。石油・ガス業界では、システムモデリング、性能評価、およびマルチセンサデータの統合を通じて、監視能力と異常特定能力を向上させるためにDTが活用されています^12,13,14,15。

これらの進展にもかかわらず、現在のDT技術の大部分はモニタリング、モデリング、あるいは異常検知といった個別の機能に集中しており、リアルタイムの同期と制御の統合はほとんどなされていない。多くのシステムでは双方向の相互作用や適応学習機能が不足しており、単方向のデータフローを持つデジタルシャドウとして機能している。動的な状況や複雑な故障パターンにより継続的な学習と制御が必要となる石油・ガスシステムにおいて、この制約は特に重要である。さらに、現在のサイバーフィジカルシステムの手法は主にオフライン分析に限定されており¹⁶、複雑な工業プロセスにおけるリアルタイムのクローズドループ制御はサポートされていない。また、分散センサー間の相互作用を記述するために、現在の手法は主に従来の機械学習やフィルタリング技術に依存しており、時空間グラフニューラルネットワークのような高度なモデルの利用は少ない。さらに、特に石油・ガス生産システムにおいて、非線形な物理ダイナミクスを捉えるためのオペレーター学習技術の利用に関する研究も不足している¹⁷。そのため、既存のDTシステムでは、複雑な時空間的な相関関係をモデリングしつつ、リアルタイムのデータ同化と適応制御を組み込むことができていない。

SWaTやWADIなどのベンチマークデータセットは、産業用制御設定を模倣しているため、サイバー物理システムにおけるDTベースの手法の検証に頻繁に利用されています¹⁸。さらに、DTは、産業プロセス全体を通じた生産性の向上、知識交換の改善、および安全なデータ転送といった、より汎用的なメリットを提供します^19,20。特に石油・ガス産業のような高リスク業界においては^21,22,23、安全管理、リアルタイムモニタリング、および産業オートメーションにおけるその潜在能力がより広く認識されるようになっています。それにもかかわらず、実用的な導入には、モデリング、モニタリング、および制御機能を統合した、より完全で統合的なソリューションが依然として必要です。^24,25で引用されているような評価研究は、運用効率の向上と意思決定プロセスの改善におけるDTの用途と利点を実証することで、その基礎を築きました。表 1に、石油・ガスの製造および制御管理に関する既存手法の比較を示します^26,27,28,29。石油・ガス生産システムの運用リスクが高く、ダイナミクスが複雑であるため、従来のメンテナンス手法では、迅速な異常検知および対応に不十分であることが頻繁にあります^30,31,32,33。近年、安全管理やリモートモニタリングは向上していますが、リアルタイムで継続的にセンシング、学習、および制御ができるインテリジェントシステムが依然として求められています。

本論文では、これらの困難を克服するために、時空間グラフニューラルネットワーク、ニューラル4D-Varデータ同化、物理情報ニューラルオペレーター、および強化学習ベースの制御を組み合わせた、制御認識デジタルツインアーキテクチャを提案します。提案システムにより、データ収集、状態推定、異常検知、および制御最適化のための単一のパイプラインが構築されます。時空間グラフニューラルネットワークが分散センサー間の相互作用を記録する一方で、フーリエニューラルオペレーターやDeep Operator Network（ニューラルオペレーターモデル）などの物理情報ニューラルオペレーターを用いて、複雑な非線形システムダイナミクスを表現します。ニューラルデータ同化によって状態推定の精度が向上し、強化学習によって適応的なクローズドループ制御が可能になります。提案手法の産業現場における汎用性は、サイバー物理システムのベンチマークデータセット（SWaTおよびWADI）およびシミュレーションによる石油・ガスデータを用いて評価することで実証されています。本研究は、モデリング、学習、および制御を統合フレームワークにまとめることで、現在のDTシステムの大きな欠点を克服し、石油・ガス生産システムにおけるリアルタイム監視および最適化のための、スケーラブルで適応性の高いソリューションを提供します。

プロトコル

本研究では、ヒトの被験者および動物実験は含まれていません。使用したデータセット（SWaTおよびWADI）は公開されているベンチマークデータセットであり、機密情報や個人情報は含まれていません。

提案されたアプローチでは、最先端のディープラーニングアルゴリズム、データ同化、および石油・ガス抽出システムとその制御の継続的な評価と最適化の組み込みを可能にする、制御意識型のデジタルツインを構築します。まず、地理的に分散した生産インフラからのリアルタイム・マルチモーダルセンサーデータを収集し、生産コンポーネント間の接続性と相互作用を定義するグラフ構造を用いてモデル化します。次に、物理情報ニューラルオペレーターを活用して、非線形多相流を支配する支配方程式のオペレーターレベルの近似を構築し、デジタルツイン内でのスケーラブルなシミュレーションを促進します。本研究では、「Neural operator model」という用語をDeep Operator Networkを指すものとして使用しています。地理的に分散した生産資産間の空間的および時間的な依存関係を組み込むため、物理情報表現を用いて時空間グラフニューラルネットワークを学習させます。また、ニューラル4DVARを活用した微分可能なデータ同化アプローチを適用することで、ノイズを含み空間的に不規則な測定値がある場合でも、デジタルツインのシミュレーション予測をリアルタイム監視データと一致させ、同期させます。リアルタイムで同期されたデジタルツインの上に、リアルタイム制御のための強化学習駆動型最適化ツールを学習させます。最終的に、このデジタルツインは、新たに利用可能となった測定値からの継続的なリフレッシュに基づき、モデルの継続的な更新と長期的な適応スケーラビリティを備えた状態を維持します。

提案されたデジタルツインアーキテクチャは、従来のデジタルツインアーキテクチャにインテリジェンス、適応性、および制御認識を追加することで機能を強化しています。パイプライン全体は、(i) データ収集/グラフ構築、(ii) ニューラルオペレータおよびST-GNNによる状態推定、(iii) 残差ベースの解析による異常検知、(iv) 強化学習ベースの制御、という4つのモジュールで構成されています。

図 1: 制御認識型デジタルツインの全体アーキテクチャ。提案された制御認識型デジタルツインモデルには、石油およびガス生産システムのための異常検知、時空間グラフニューラルネットワーク、ニューラル4D-Var同期、物理情報ニューラルオペレータ、および強化学習に基づくクローズドループ制御がすべて統合されている。こちらのリンクをクリックして、この図の拡大版を表示してください。

図 1は、クローズドループのサイバーフィジカルシステムとしての、石油・ガス生産制御を意識したデジタルツインの機能プロセスを示しています。この機能プロセスは石油・ガス生産システムのレベルから始まり、井戸、パイプライン、バルブ、処理装置に配置されたさまざまなセンサーが、ある一瞬における圧力、流量、温度、および制御に関するデータを取得します。さまざまなセンサーが多様な形式でデータを取得し、そのデータがデジタルツインに送信されることで、その時点における組織的な状況把握の基盤が構築されます。

提案された手法には、以下の一連のステップが含まれます：

データ収集

石油およびガス生産環境から、圧力、流量、温度、および制御入力に関するセンサーからのリアルタイム情報を取得します。堅牢性と汎化能力を検証するため、SWATやWADIなどの他の利用可能なベンチマークデータセットを使用します。再現性を確保するため、提案する手法の各ステップを技術的詳細を用いて規定します。

[データセットの生成およびシミュレーションについては、補足ファイル (S1)をご参照ください。]

産業用制御システムの研究領域から、2つの公開産業用制御システムベンチマークデータセットを用いて、複雑で高次元な時系列データおよび異常イベントに対する概念的デジタルツインの能力を実証します。使用したデータセットは、Secure Water Treatment (SWaT) および Water Distribution (WADI) ベンチマークデータセット³⁴です。どちらのデータセットも、現実的なサイバーフィジカルテストベッドから派生しており、これらのシステムで発生した正常および異常/攻撃シナリオの両方における、多変量のセンサおよびアクチュエータの動作データが含まれています。SWaTおよびWADIデータセットを使用することで、クロスドメイン試験が可能となり、サイバーフィジカルテストベッドを超えて、場所および時間に依存関係を持つより広範な分散産業システムへの汎用性を証明できます。データセットの説明は表2に示されています。

提案された研究では、開発したデジタルツイン手法の広範な評価を行うため、Table 2に示す3つの異なるデータセットを使用しています。ベースデータセットは、石油・ガス製造における生産組織に関連するシミュレーションデータで構成されており、システムによって検知された実際の運転測定値、および制御または故障条件を再現することを目的としています。さらに、縮小スケールの物理システムの例として、Secure Water Treatment (SWaT) データセットを導入します。これには、正常状態および人為的に作成されたアノマリや攻撃を含む、約11日間にわたる51個のセンサとアクチュエータからの測定値が含まれています。このデータセットは、研究における標準的なベンチマークとして広く認められています。もう一つのセットは Water Distribution (WADI) データセットであり、その測定値は、さまざまな攻撃と正常な運転条件を含む、16日間にわたる約123個の変数からなる縮小スケール配水システムの挙動を捉えたものです。このデータセットには、合計15種類の異なる攻撃が含まれています。上記の2つのデータセットは、主に産業用制御システムに見られるような、時間的な高次元系列と空間的な関係性を中心としています。

データの前処理

モデルのトレーニング前に、データの品質、一貫性、および再現性を保証するため、すべてのデータセットに対して徹底的な前処理手順が行われます。前処理の手順には、欠損値の管理、ノイズフィルタリング、正規化、および特徴量のスケーリングが含まれます。詳細な前処理パイプラインについては、補足ファイル (S2)に記載されています。

システムグラフの構築

提案された手法において、石油およびガスの物理的な生産システムはグラフ形式で表現されます。このグラフは、資産間の空間的相関と、時間の経過に伴うシステムの状態のダイナミクスを記述するための数学的構造として機能します（システムグラフ構築式については、補足ファイル (S3) を参照してください）。

ニューラルオペレータを用いた物理学習

多相流システムの非線形および多次元的な特性を正確に表現するため、本アプローチでは、Fourier Neural Operator (FNO) および Neural operator モデルの形式による物理情報に基づくオペレータを使用しています。ニューラルネットワークを点ごとのマッピングとして表現する従来の手法とは異なり、オペレータの概念を用いることで、異なる境界条件に対する汎用化が可能になります。物理現象が連続的に発生するため、この特徴により、本手法は石油およびガスの生産に用いられる多相流システムにおいてより適切となります。ニューラルオペレータの数式については、補足ファイル (S4) を参照してください。

物理学に基づくニューラルオペレーターの妥当性をさらに評価するため、異なる流れの状態および制御入力の下で非線形オペレーターマッピングを近似する能力を評価するための追加実験を行った。その結果、これらのオペレーターが非線形オペレーターのマッピングを正確に近似できることが示され、特に高次元の場合においても、他のソルバーよりも低い計算コストでシステムのダイナミクスを正確にモデル化できる能力が検証された。オペレーター学習の精度の定量的な評価は、予測されたシステム状態とシミュレーションされたシステム状態との平均二乗誤差を用いて行われ、異なる流れの条件下で一貫した近似性能が実証された。

図2: 物理情報を付加したニューラルオペレータ（physics-informed neural operator）フレームワークのワークフロー。物理情報を付加したニューラルオペレータのワークフローの例において、制御入力、センサデータ、および境界条件を用いて非線形多相流力学を学習し、オペレータレベルでの迅速なシステム予測を生成する方法が示されている。 この図の拡大版を表示するには、ここをクリックしてください。

図2に示されるPINOのワークフローでは、石油およびガスプロセスにおける物理的に複雑な非線形多相流の学習プロセスが連続的に行われます。これは、モデルが物理的に進化するシステムに関する不均一なデータを受信する入力層から始まります。この入力は、圧力、温度、速度などの境界条件に加え、石油・ガスシステム内に配置されたセンサーからのリアルタイムデータ、およびバルブの開度、ポンプの速度、チョークの開度などの制御変数という形態をとります。これらすべての入力によって、物理的に進化するシステムの動作が定義されます。

このワークフローにおける主要なコンポーネントは、FNOおよびNeural operatorモデルを通じて実現されるPINOです。提案手法は、入力と出力の点ごとのマッピングに焦点を合わせがちな従来のニューラルネットワークとは異なり、関数空間間のオペレータを学習するためにニューラルオペレータを使用するという点で、独自かつ明確に異なります。このレベルにおいて、FNOはフーリエ領域を用いてグローバルな空間関係を捉えることができ、Neural operatorモデルはブランチネットワークとトランクネットワークの両方を用いてオペレータ表現を学習することができます。学習されたモデルは、予測されるダイナミクスが多相流において期待通りに動作することを保証するために、物理的制約によって導かれます。ニューラルオペレータの結果は、全生産ネットワークにおける圧力、流量、相分布などの重要な物理変数の連続場解として出力されます。さらに、出力値はセンサーのような特定の地点で測定されるのではなく、井戸、パイプライン、およびその他の接続ユニットを含むフィールド全体に対して正確です。このように、ニューラルオペレータの出力は、偏微分方程式を必ずしも解くことなく、その解を近似できる非常に高精度なシミュレーションを迅速に生成する機能を提供します。この解が、デジタルツインにおける高速解として機能します。

ニューラルオペレーターの学習プロセスでは、石油およびガスの生産プロセスから抽出された関数レベルおよびシステムレベルの特徴量を使用します。これらの特徴量は主に、連続場である温度、流量、圧力、および油・ガス・水の相分率といった、石油・ガス生産における物理的な状態変数で構成されています。また、特徴量には、入口圧力、流量、およびバルブ位置を含む境界条件も含まれます。異なる運用シナリオにおける応答を予測するために、チョークバルブの位置やポンプ速度などの制御入力も考慮されます。ニューラルオペレーターモデルは、物理的特徴量と制御パラメータを受け取り、これらはトランクネットワークおよびブランチネットワークによって処理されます。これらの特徴量は、高速なデジタルツインシミュレーションのために、物理的プロセスと運用要因の両方に依存する正確なオペレーター関係をニューラルオペレーターが予測するために十分な情報を提供します。

フーリエニューラルオペレーター (FNO)

本研究では、石油およびガス生産システムの非線形多相流ダイナミクスを記述するオペレーターマッピングを効果的に推定するために、フーリエニューラルオペレーター（FNO）³⁶を使用しています。特定の点集合に対する入出力マッピングを近似する従来のニューラルネットワークとは異なり、提案されたFNOは関数空間間のマッピングを近似するため、システムのさまざまなスケールや構成にわたる汎化が可能になります。本手法において、FNOはシステムの状態表現を元の空間からフーリエドメインに移動させることで機能し、そこではスペクトル畳み込みを効果的に適用して、システム内に存在するグローバルな空間依存性を捉えることができます。この際、入力状態表現は高次元の潜在空間に投影され、フーリエ変換、スペクトルカーネル、および活性化関数を用いて、変換と活性化が反復的に適用されます。フーリエニューラルオペレーターの数学的な評価については、補足ファイル (S4.1)をご参照ください。

ニューラルオペレーターモデル

ニューラルオペレーターモデル³⁷は、石油およびガスの生産ダイナミクスを定義する非線形物理オペレーターを近似するための、ニューラルオペレータープロセスにおける代替アプローチとして機能します。ニューラルオペレーターモデルの詳細な説明は補足ファイル (S4.2)に記載されています（アルゴリズム1：デジタルツインのためのニューラルオペレーターを用いた物理学習アルゴリズムについては、補足ファイル S10を参照してください）。

したがって、ニューラルオペレータを用いる提案手法は、まず入力と出力のペア例を収集することから始まります。ここで入力とは、システム境界値、制御変数、または物理的特性の形式によるシステム条件の例です。ニューラルオペレータは、入力関数に対する応答を予測し、次いで平均二乗誤差関数を用いて予測値と実際の応答との偏差を改善するという反復フェーズにおいて学習されます。このアプローチにより、勾配に基づく最適化が行われ、ニューラルオペレータはシステムの挙動を定義するシステム物理オペレータを導き出します。これにより、学習済みシステムは異なる入力条件に対するシステム応答を効率的に予測することが可能になります。

時空間システムモデリング

提案されたデジタルツインアーキテクチャ³⁸では、石油およびガスの生産プロセスが時空間グラフによって表現されています。これは、分散された生産リソースの接続性と時間的進化プロセスの両方を概念化するために行われました。

石油およびガスの生産プロセスは、井戸、パイプラインインフラ、およびセンサーの観点から、本質的に分散的な構造を持っています。このようなプロセスの空間的・時間的関係を効率的に捉えるため、本論文で開発されたデジタルツインアプローチでは、時空間グラフニューラルネットワーク（ST-GNN）を利用しています。このアプローチでは、システムエンティティをグラフのノードとして表現し、システムの空間的・機能的な関係をグラフのエッジで示します。時間的関係は、システムの状態遷移や異常を効率的に予測するために、ウィンドウ関数を用いて表現されます。Spatio-Temporal Graph Neural Network（ST-GNN）の詳細な説明については、補足ファイル (S5) を参照してください。

Neural 4D VARを用いたデジタルツインの同期

デジタルツインの同期とは、リアルタイムのセンサ読み取り値に基づき、絶えず変化する物理的な石油およびガス生産環境と仮想ツインを継続的に同期させることと定義できます。実際には、デジタルツインは物理システムのダイナミクスに関する理解に基づき、圧力、流量、温度などのシステム状態を予測します。しかしながら、不確実性やセンサノイズがあるため、予測値と測定値の間には必然的に乖離が生じます。そのため、予測を実際の測定値と同期させるために、本研究では予測を物理的な測定値と自己整合させる「データ同化」として知られる別の手法を導入しています。ノイズが多くまばらなセンサ観測の間、物理プロセスとデジタルツインの同期を確実にするため、ニューラル4D-Varデータ同化法が組み込まれています。この追加コンポーネントは、同化ウィンドウ内でのセンサ測定値とモデル予測値の間のギャップを低減することを目的としています。微分可能性を利用することで、ニューラル4D-Var法はエンドツーエンドの学習を提供し、デジタルツインの状態をオンラインで補正することを可能にします（ニューラル4D-Varデータ同化についてはSupplementary File (S6)を、アルゴリズム2：ニューラル4D-Varを用いたデジタルツイン同期についてはSupplementary File (S10)を、ハイパーパラメータおよびトレーニングの詳細についてはSupplementary File (S11)を参照してください）。

異常検知および診断

シミュレートされた石油およびガスデータセットにおいて、15%を超える圧力低下、異常な流量スパイク、およびバルブの故障などの制御された摂動を導入することで、アノマリーを注入しました。設定された閾値を上回るか、ベースラインの統計分布から逸脱したデータポイントをアノマリーとして特定します。アノマリー検出フレームワークの数学的定式化については、(補足ファイル S7)をご参照ください。

クローズドループ最適化および制御

提案されたシステムでは、調和的なDT（デジタルツイン）と最適化のための強化学習モジュールを組み込むことで、クローズドループ制御を実現できます。デジタルツインのパートでは、さまざまなバルブの位置、ポンプ速度、または流量制御などのさまざまな条件下での石油・ガス生産プロセスの将来の挙動を予測します。これにより、制御エージェントが、実世界のプロセスで実際に実行することなく、目的のアクションの結果を評価できる安全領域を構築することが可能になります。したがって、デジタルツインが提供する予測を活用することで、強化学習モジュールはプロセスの制約に制限されることなく、プロセスの効率、エネルギー消費、およびプロセスの安定性を含む運用目標を最適化できます。クローズドループ最適化および制御の数学的記述については、Supplementary File (S8)をご参照ください。

継続的な学習と適応

産業システムは、設備の老朽化、時間的に変化する運転条件、および予期せぬ外乱を伴う非定常な環境に直面しています。これに対応するアプローチを設計するため、提案されたデジタルツインモデルには、インクリメンタル学習に基づいてニューラルオペレーター、グラフモデル、およびポリシーを更新する継続学習コンポーネントが含まれています。重大な変動や未特定パターンの観測に基づき、新しいデータを取り込み、デジタルツインモデルに関連するパラメータを調整することで、学習が促進されます。

継続的な学習は、システムが新しい、あるいは斬新な行動パターンを特定するのに役立つため、制御ポリシーと異常検知の両方の堅牢性を向上させます。制御結果の異常から得られたフィードバックは、モデルの調整と強化学習ポリシーの最適化に適用され、システムが変化し進化し続ける中で効果的な意思決定プロセスを保証します。この適応的な学習プロセスにより、デジタルツインは単なる受動的なオブザーバーから、厳格で効果的な技術インフラ環境を用いて、複雑な石油・ガス生産システムのリアルタイム最適化プロセスを長期的に維持できるインテリジェントなシステムへと変化します。表3に、モデルアーキテクチャとハイパーパラメータを示します。

継続学習適応の数式については、補足ファイル (S9)をご参照ください。

データ前処理モジュールは、生のセンサーデータを、後続の学習モジュールに適した構造化および正規化された入力に変換する役割を担います。具体的には、履歴センサー測定値を集約し、ノイズを除去し、特徴量を標準化することで、一貫したデータ品質を確保します。処理されたデータは、境界条件および制御入力とともに、物理情報に基づいたニューラルオペレーターモジュール（FNO/Neural operator model）への入力として提供され、このモジュールが潜在的な非線形物理関係を学習し、連続的なシステム状態推定値を生成します。この推定されたシステム状態は、その後、制御最適化モジュールによって利用され、動的な方法で制御戦略を更新します。最適化された制御出力は意思決定モジュールに転送され、そこで結果が解釈され、システム運用のための実行可能な決定が生成されます。新しく観測されたデータに基づいてシステムを継続的に更新するためのフィードバック機構が組み込まれており、これにより時間の経過とともに適応性と性能が向上します。明確さと再現性を高めるため、モジュール間の相互作用を示すシステムレベルのアーキテクチャを提示します。提案するシステムは、データ前処理、物理情報に基づいたニューラルオペレーターモデリング、制御最適化、および意思決定という4つの主要コンポーネントで構成されています。これらのモジュールは、明確に定義された入出力インターフェースを通じて相互に接続されており、デジタルツインシステム全体におけるシームレスなデータフロー、反復学習、および協調動作を実現しています。

図3: システムレベルの全体的な制御最適化アーキテクチャのフローチャート。提案手法の全体的なシステムアーキテクチャを示している。こちらをクリックして、この図の拡大版を表示してください。

システムアーキテクチャは、石油およびガス生産システムにおける複雑な非線形物理ダイナミクスのモデリングと最適化に使用可能なモデルの全体像を示しています。まず、シミュレーションに使用されるパラメータと物理的環境を表現するための境界条件を含む入力データから始まります。このデータは最初にデータ前処理モジュールを通過し、そこで正規化と特徴抽出が行われます。これにより、ニューラルオペレーター（FNO）およびニューラルオペレーターモデルが使用される次のモジュールのためのデータ準備が整います。これらのモデルを用いてシステム状態を予測し、得られた情報を最適化モジュールを用いてシステムパラメータの最適化に使用します。次に、最適化された結果を意思決定モジュールを用いて意思決定に利用します。このモジュールはシステムの効率性を判断するのに役立ちます。また、このフレームワークには出力結果が含まれており、最適化プロセスの結果が図 3に示されています。さらに、出力結果の後にデータが前処理モジュールを通過するフィードバックループが含まれています。

結果

物理情報ニューラルオペレーターの妥当性を検証するため、非線形多相流システムのダイナミクスにおけるFNOとニューラルオペレーターモデルの性能を比較する追加の性能テストを実施した。その結果、FNOは全域的な空間的一貫性においてより優れた性能を示し、一方でニューラルオペレーターモデルは不均一な入力への適応性においてより優れた性能を示すことが明らかになった。

提案したデジタルツインフレームワークの効果的なトレーニングおよび評価を保証するため、すべての実験はハイパフォーマンスコンピューティング環境で実施されました。実装の主要なプログラミング言語としてPythonが使用されました。物理情報を付与したニューラルオペレーター、時空間グラフニューラルネットワーク、および強化学習モジュールなどの深層学習モデルを構築するために、CUDAによるGPU加速を有効にした一般的な深層学習フレームワークと、最適化された深層ニューラルネットワークライブラリが使用されました。大規模な多変量時系列データの処理およびモデルトレーニングを容易にするため、テストはマルチコアCPU、専用メモリを搭載した高性能グラフィックスプロセッシングユニット（GPU）、および少なくとも64 GBのシステムメモリを備えたワークステーションで実施されました。深層学習エコシステムとの互換性を確保するため、オペレーティングシステムの環境はLinuxディストリビューションに基づいて構築されました。

モデルの学習にはミニバッチ勾配ベースの最適化を用い、統計的信頼性を確保するために実験を多数独立して実施した。提供された計算構成により、提案された手法は同等のハイパフォーマンスコンピューティング環境で再現可能である。

反復試行を通じて結果を検証するため、すべての実験は異なるランダム初期化値を用いて、複数の独立したランダム実行で繰り返されました。シミュレーションデータを使用した実験の場合、モデルを(N)回の独立した試行で実行し、平均性能と標準偏差を値として報告しています。ベンチマークデータであるSWATおよびWADIを使用した実験の場合、テストデータに基づいて評価指標であるMAE、RMSE、F1 Score、およびAUROCを算出し、結果の統計的な堅牢性を確保するために反復実験全体で平均化しました。これは、モデルの性能の信頼できる推定値を得ること、および性能の向上が単一の実験によるものではないことを確認するために行われました。

それにもかかわらず、物理情報に基づく学習、時空間モデリング、およびデータ同化技術を統合的なデジタルツインシステムに統合することで、評価した条件下において、従来の手法と比較してモニタリング性能の一貫した向上、収束の高速化、およびリアルタイムでの最適な意思決定が実現されることが検証されました。表 4に、提案手法のシミュレーション環境を示します。

シミュレーション環境は、産業界におけるリアルタイム運用を正確に再現するようにモデル化されています。ストリームデータ環境を表現するために、センサーからのデータは短い間隔で取得され、堅牢性を検証するために制御された量のノイズが加えられています。異常検知および制御能力をテストするため、さまざまな故障および外乱ケースがシミュレートされています。評価にはスライディングウィンドウ方式が採用されており、提案されたデジタルツインによる予測、状態同期、および制御アクションの生成のための動的な更新に適した、連続的なリアルタイム運用を表現しています。

制御認識デジタルツインモデルの設計において、同時評価のために考慮すべき複数の評価基準があります。まず、デジタルツインアーキテクチャのモニタリングおよび状態予測能力については、平均絶対誤差（MAE）、平均二乗誤差平方根（RMSE）、および平均絶対パーセント誤差（MAPE）などの回帰基準が用いられます。MAEおよびMAPEは、圧力、流量、温度などの主要なシステムパラメータに対するニューラルオペレータおよび時空間グラフモデルの精度を算出するものであり、石油・ガス生産プロセスで使用されるセンサの連続的な多変量データに対して有効です。

次に、状態推定誤差および予測ドリフトの除去に関する、デジタルツイン自体の同期プロセスの評価を行います。状態推定誤差は、実際のスキームの状態と同期したデジタルツインの状態との間の誤差の程度を測定するものであり、開発されたニューラル4D-Varモジュールが、実際のシステム状態の観測値をいかに効果的に利用してシステムダイナミクスの予測を改善できているかを示す指標となります。最後に、予測ドリフトの低減は、ノイズを含む、あるいは疎なシステム観測値に対する耐性を備えていることから、提案手法が非同期のデジタルツインシステムに対してどの程度の性能向上を実現したかを示します。

第三に、異常検知および故障診断においては、Precision（適合率）、Recall（再現率）、F1スコア、およびROC曲線下面積（AUC）などの分類指向の評価パラメータが用いられます。Recallは、見落としなく実際の誤差を正確に診断できる能力を指し、Precisionは、認識された異常の妥当性の指標とみなすことができます。また、F1スコアを用いることで、性能を適切に測定することが可能です。これらの評価パラメータは、一般的にSWATおよびWADIシステムで採用されています。

表5は、3つのデータセットを用いて、物理モデルとサイバーモデル間の予測ドリフトを低減するための提案手法であるニューラル4D-Var同期モジュールの有効性を評価したものである。初期状態誤差は同期なしの状態でのモデル間の誤差に対応し、最終状態誤差は同期適用後のモデル誤差に対応する。3つのデータセットすべてにおいて状態誤差に大幅な改善が見られ、特にシミュレーションによる石油・ガスシステムモデルでは、SWAT (63.6%) や WADI (57.7%) と比較して相対的に単純であるため、最大の改善率 (72.2%) を示した。これらの結果は、それぞれの複雑さと「ノイズ」のレベルと一致している。シミュレーションによる石油・ガスデータセットでドリフト低減率が高かった理由は、SWATやWADIのような他の現実的なサイバー物理システムと比較して、シミュレーション環境は一般的にノイズレベルが低く、ランダムな摂動が少なく、システム挙動が明確に定義されているためであると考えられる。ただし、この議論は仮説として扱うべきであり、本研究の結果に基づいて定量的に証明されたものではない。今後の研究では、エントロピー、ノイズ分散、システム次元数などの複雑性指標を用いて、この議論を検証することができるだろう。

図4： 異なるデータセット（Simulated Oil and Gas、SWAT、WADI）におけるパフォーマンスのモニタリング。誤差指標MAE、RMSE、MAPE（%）を用いて評価した。バーは複数回の独立した試行（n = 5）から得られた平均値を表す。エラーバーは 標準偏差 (SD), 一方、重ね合わされた細いエラーバーは、〜を表しています。 平均標準誤差 (SEM = SD/√n). 各指標のSD（標準偏差）およびSEM（標準誤差）の値は、凡例に明記されています。統計的有意性は、ベースラインデータセット（Simulated Oil and Gas）に対する独立t検定を用いて評価し、対応する pp値はバーの上に表示されています。 こちらの図の拡大版を表示するには、ここをクリックしてください。

Simulated Oil and Gas、SWAT、およびWADIなどのデータセットを用いて、提案されたデジタルツインモデルによるモニタリングプロセスの性能分析を行い、評価基準としてMAE、RMSE、およびMAPEを考慮した結果を図4に示します。Simulated Oil and Gasデータセットは、すべての基準において最も低い誤差値を示しており、システムパラメータが正確にモデル化されたシミュレーション環境におけるシステム状態モニタリングの正確性を明確に示しています。SWATおよびWADIデータセットでは、シミュレーションシステムには見られない、実システムの複雑さに加え、固有のノイズや非線形性があるため、システムモニタリングにおける誤差が徐々に増大しています。しかしながら、MAEおよびRMSEの誤差値のわずかな上昇は、このような状況下においてもデジタルツインモデルのシステム性能が安定していることを裏付けています。

図5: F1スコアおよびAUCを用いて評価した、各データセット（Simulated Oil and Gas、SWAT、およびWADI）における異常検知性能。棒グラフは複数回の独立した試行（n = 5）から得られた平均値を示す。エラーバーはSDを示し、重ねられた細いエラーバーはSEM = SD/√nを示す。こちらのリンクから、この図の拡大版をご覧いただけます。

図 5 は、3つのデータセットにおけるF1-scoreおよびAUCに基づいた、提案する異常検知システムの評価分析を示しています。シミュレーションデータセットであるOil and Gasデータセットは、F1-scoreとAUCが最も高く、最高の性能を示しています。性能は緩やかに低下していますが、データセットの複雑さに応じてわずかな変動はあるものの、すべてのデータセットにおいて高いAUC性能を達成しています。3つのデータセットにおけるF1-scoreとAUCの両方の曲線の整合性は、最適な打点を示しており、良好なトレードオフが実現され、提案システムが早期故障検知および侵入検知のための信頼性の高いシステムであることがわかります。提案システムは、これら3つのデータセットの異常認識において極めて優れた性能を発揮しています。

提案されたデジタルツインモデルによる異なるデータセット上の異常検知における適合率（Precision）、再現率（Recall）、およびF1スコアを以下の表6に示す。高い適合率は、特定された関心領域のほとんどが実際に真の関心領域であることを示し、高い再現率は、重要な地点を逃すことなく、実際の関心領域の大部分が正しく特定されていることを示す。石油・ガス分野のデモンストレーション環境では最高のF1スコア0.94を記録したが、SWATおよびWADIで結果がわずかに低下したのは、センサーのノイズレベルや相互依存性、および攻撃パターンの複雑さがより高いためと考えられる。しかしながら、高いF1スコアが得られたことは、異常検知のための堅牢な時空間グラフモデリングと同期が達成されたことを裏付けている。

図 6: Simulated Oil and Gas、SWAT、および WADI データセットにおける異常検知の受信者動作特性（ROC）曲線。性能は曲線下面積（AUC）を用いて評価されている。各データセットの凡例には、AUC 値の標準偏差（SD）および平均標準誤差（SEM = SD/√n, n = 5）が含まれている。対角線の破線はランダムな分類性能を示す。ここをクリックして、この図の拡大版を表示してください。

図6に、3つの異なるデータセットに対する受信者動作特性（ROC）曲線と、それに伴うAUROC尺度を示しており、閾値の選択に依存しない異常検知精度を評価しています。シミュレーションによるOil and GasデータセットのROCでは、曲線が原点に非常に近づいており、AUROC 0.99を達成していることから、ほぼ完璧な分類能力があることが確認されます。SWATおよびWADIデータセットの場合、AUROC値はそれぞれ0.97および0.95であり、より高い不確実性が存在するにもかかわらず、良好な分類能力を有することが示されています。ROC曲線がランダムな分類を示す線から大きく離れていることは、開発したデジタルツインモデルが、正確な異常検知において偶然レベルよりも著しく優れた性能を発揮することを保証しています。図6の受信者動作特性（ROC）曲線は、3つのデータセットにおける提案されたデジタルツインモデルの異常検知性能を示しています。AUROCスコアは、Oil and Gasシミュレーションデータセットで0.99、SWATデータセットで0.97、WADIデータセットで0.95であり、シミュレーションおよびベンチマークの産業制御システムの双方において、モデルが高い識別能力を持つことを示しています。

表 7に、デジタルツインと統合された閉ループ制御用強化学習モジュールの累積報酬および制約違反に関する簡潔な説明を示します。得られた累積報酬は、運用目標に基づく総合的な制御性能を表し、制約違反は運用中の総違反回数を表します。制約違反がゼロの場合の累積報酬は、当社の石油・ガスモデル環境において最高値（96.5）となっており、最適な制御および運用性能が確立されていることを示しています。

SWaTおよびWADIデータセットでは、累積報酬がわずかに低く、一部で制約違反が見られたものの、運用コスト削減における全体的な改善により、提案したデジタルツインフレームワークが動的な環境における安全かつ最適な制御に有効であることが示されました。

提案された強化学習（RL）駆動制御システムのリアルタイムでの実現可能性を、システム内で使用されるすべての計算モジュールのエンドツーエンド推論レイテンシを分析することで評価した。表8の実験的な観察結果から、ニューラルオペレータモジュール（FNO/ニューラルオペレータモデル）および時空間グラフニューラルネットワーク（ST-GNN）モジュールは、プロセス中に使用される時間的特徴量により、中程度の計算オーバーヘッドがあることが示されている。一方で、強化学習ポリシー決定モジュールの計算オーバーヘッドは非常に小さい。提案システム内で使用される全モジュールの累積エンドツーエンド推論時間は、一般的な産業用制御サイクルの範囲内にある。具体的には、平均エンドツーエンド推論レイテンシは1制御サイクルあたり50–150 milliseconds以内であることが観察されており、これは標準的な産業用制御要件と互換性がある。このことは、提案システムがリアルタイムおよびニアリアルタイムのアプリケーションに使用可能であることを示している。ただし、エンドツーエンドの推論時間は使用するハードウェアによって変動する場合があることに留意されたい。この点において、提案システムはリアルタイムアプリケーションへの適用が可能である。

物理情報ニューラルオペレーター（physics-informed neural operators）の有効性をさらに立証するため、FNO、ニューラルオペレーターモデル、および従来の数値ソルバーや現在のオペレーター学習手法などのベースラインアプローチとの定量的な比較を行った。表9による評価では、各モデルがシステムの動態および非線形ダイナミクスをどの程度正確に捉えているかに焦点を当てている。パフォーマンスの評価には、期待されるシステム状態とグランドトゥルース（正解）との間の平均二乗誤差（MSE）、平均絶対誤差（MAE）、および相対誤差を含む標準的な指標を用いた。実験結果によると、FNOとニューラルオペレーターモデルはともに、誤差値を低減させることで、複雑な多相ダイナミクスのモデリングにおいてベースラインアプローチを上回る性能を示した。具体的には、ニューラルオペレーターモデルは異なる入力条件下での非線形オペレーターマッピングを正常に捉え、一方でFNOはグローバルな空間依存性の学習において優れた性能を発揮した。

提案されたニューラルオペレーターモデルの有効性は、表9に示す定量的な比較結果によって示されています。ベースラインとなる数値ソルバーおよび現在のオペレーター学習手法と比較して、FNOとニューラルオペレーターモデルはともに、著しく低い誤差指標を達成しています。特に、FNOは相対誤差と平均二乗誤差が最も低く、複雑な非線形システムのダイナミクスを捉える優れた能力を実証しています。さらに、ニューラルオペレーターモデルは、特に異なる条件下での非線形オペレーターマッピングの学習において、大幅な向向を改善しています。 統計的有意性の評価には独立t検定を用いており、p値が0.05未満であることは、ベースライン数値ソルバーに対する大幅な改善を意味します。提案された両モデルで得られたp値は0.001未満であり、観察された性能向上は統計的に有意であり、偶然の結果ではないことが示されました。さらに、提案手法は推論時間が大幅に短縮されており、リアルタイムのデジタルツインアプリケーションへの適用可能性が示されています。

提案した制御認識デジタルツインモデルの実験的評価の明確性をさらに高めるため、提案手法と他の手法との包括的な定量比較を統合的な表形式で提供する。平均絶対誤差（MAE）、平均二乗誤差平方根（RMSE）、F1スコア、曲線下面積（AUC）、予測ドリフトの低減量、および累積報酬などのさまざまな性能パラメータを比較することで、Table 10において、各手法のモニタリング精度、異常検知能力、同期効率、および制御性能の統合的な評価が可能となる。さらに、実験的評価の透明性を向上させるため、バッチサイズ、学習率、エポック数、およびモジュールごとの学習構成などの学習手順に関するさまざまなパラメータをTable 11に明記する。加えて、推論レイテンシ、GPU利用率、およびリアルタイム性の観点からの提案手法のスケーラビリティと計算効率についても、Table 12で評価する。

提案されたデジタルツインは、モニタリング精度、同期能力、異常検知、および制御性能の観点から、物理ベースの同期法、LSTM、GNNモデルなどの他の手法と包括的に比較することができ、その詳細は～に示されている。 表13. 物理学的なデジタルツインは、静的なアプローチに基づいているため適応性に欠け、誤差範囲が大きくなる傾向があります。LSTMやGNNなどのニューラルアプローチはより優れていますが、物理学、同期、および制御を効果的に組み合わせることができていません。提案されたデジタルツインは、RMSEで0.20、ドリフト低減率で72.2%、AUROCで0.94、F1スコアで0.92、累積報酬で95.5という最良の数値を達成しました。以上の結果は、物理情報ニューラル演算子、時空間のグラフモデリング、ニューラルデータ同化、および強化学習を効果的に組み合わせることで、高精度で堅牢かつ制御対応のデジタルツインシステムを大幅に改善できることを明確に示しています。

図 7: 提案システムの各コンポーネント（FNO、ニューラルオペレーターモデル、GNN、RLモジュール、およびフレームワーク全体）におけるトレーニングコストとリソース利用状況。指標にはトレーニング時間（hours）とGPUメモリ使用量（GB）が含まれる。値は複数回の独立した試行（n = 5）の平均結果を示す。エラーバーはSD（標準偏差）を示し、重なり合う細いエラーバーは試行間のばらつきを反映するSEM = SD/√n（標準誤差）を示す。こちらのリンクから、この図の拡大版を表示できます。

図7に、提案手法の学習コストとリソース利用状況を主要コンポーネント別に示します。FNOやNeural operator modelなどのニューラルオペレーターモデルは、システム全体と比較して、学習コストとGPUメモリ利用率が非常に高いことが分かります。この大きな学習コストは、オペレーターの高い次元学習能力に起因します。グラフニューラルネットワークおよび強化学習モジュールは、学習コストは低いものの、空間的依存関係の学習および適応制御において重要な役割を果たしています。提案システムは学習コストが高くなりますが、推論時間は効率的であることが確認されました。単体のLSTMやGNNモデルなどのベースライン手法と比較して、提案システムはマルチモジュール統合により学習コストは増大しますが、表13に示すように、精度と堅牢性の向上を実現しています。

全体として、提案されたデジタルツイン構造は、複雑な産業システムのモデリングと制御における個別の課題に対処する複数の要素を組み合わせています。計算コストが高く、リアルタイムアプリケーションには不適切なことが多い従来の数値ソルバーとは対照的に、Fourier Neural OperatorやDeep Operator Networkなどの物理情報ニューラルオペレーターを用いることで、非線形かつ高次元のシステムダイナミクスをより効果的に捉えることができます。フィードフォワードニューラルネットワークや回帰ニューラルネットワークのようなより単純な機械学習モデルを採用することも可能ですが、これらは通常、基本的な物理オペレーターを学習できず、異なるシステム構成への汎化能力もありません。また、石油およびガス生産システムにおいて本質的に結びついている分散センサー間の依存関係は、時空間グラフニューラルネットワークを用いてモデル化されています。独立した時系列モデルや単純な回帰アーキテクチャなどの従来手法では、空間的な連携が明示的に反映されないため、状態推定や異常検知の精度が低下する可能性があります。強化学習モジュールを活用した適応制御により、動的で不確実な環境においてシステムが運用上の選択を最適化することが可能になります。対照的に、ルールベースや静的な制御戦略は硬直的であり、変化するシステム条件や予期せぬ混乱に適応することができません。より複雑性の低い代替案もありますが、それらは通常、問題の一部にしか対処できず、精密なモデリング、リアルタイムモニタリング、および適応制御を組み込んだ統合的なソリューションを実現するには不十分です。提案されたモジュール設計は、各構成要素がシステム全体のパフォーマンスに寄与することを保証することで、困難な産業環境における精度、スケーラビリティ、およびロバスト性を向上させます。

研究 / 実務	使用された技術	結果	限界点
デジタルツインのための深層ニューラルオペレータ26	サロゲートモデルとしてのDeepONetニューラルオペレータ	リアルタイム予測；物理シミュレーターよりも数桁高速	慎重なセンサー配置が必要である。また、評価方法の改善が必要である。
DeepONetを用いたバーチャルセンシング対応デジタルツイン27	DTにおけるDeepONet仮想センサ	高速予測、リアルタイム推論、包括的な状態推定	スペクトルバイアスが高周波現象に影響を及ぼすため、ハイブリッドモデリングが必要である
制御におけるDRLとNMPCを併用したデジタルツイン28	深層強化学習 & 非線形MPCの統合	制御性能の向上、追従誤差の低減、および適応的なツインの更新	適用範囲は容器に限定されており、製造システムへのさらなる適用が必要である
産業自動化におけるAI駆動型デジタルツイン29	教師あり/教師なし機械学習 (LSTM, CNN, RF など)	故障予測における高い精度 & モニタリング	主に古典的な機械学習であり、高度な時空間深層モデルを欠いている
オイル & ガスのデジタルツインに関するレビュー16	多様なAI/ML & メカニスティックモデリング	モデリング戦略の包括的なタクソノミー	大部分が概念的であり、高度なディープラーニングを用いた実践的な実装は最小限である。

表 1: 既存の手法を用いた石油・ガス生産および制御管理の比較分析。採用された手法、得られた結果、および重大な欠点に焦点を当てた、関連するデジタルツインおよび制御戦略の概要。

データセット名	ドメイン / システム	特徴数	所要時間 & サイズ	データの特性
模擬油 & ガス発生データ	オイル & ガス生成システム（シミュレーション）	多変数（圧力、流量、温度など）	本研究のために設計された	シミュレーションによるリアルタイムセンサ & 制御信号、正常 & 故障状態
SWaT	セキュアな水処理サイバーフィジカルシステム (CPS)	約51個のセンサーおよびアクチュエータ	約11日間（45万サンプル以上）	正常 & 異常（36種類の攻撃シナリオ）
WADI	水配分サイバー物理システム（CPS）	~123個のセンサーおよびアクチュエータ	約16日間（サンプル数 100万件以上）	正常 & 異常（15回の攻撃）

表 2: データセットの説明。
データセットの説明。ドメイン、特徴量数、期間、およびデータ属性を含む、本研究のデータセットの要約。

構成要素	ハイパーパラメータ	値
ST-GNN	レイヤー数	3
ST-GNN	隠れ次元	64
ST-GNN	時間窓幅	12
ニューラルオペレーター (FNO)	フーリエモード数	16
ニューラルオペレーター (FNO)	レイヤー数	4
DeepONet	ブランチネットワークサイズ	[128, 128]
DeepONet	トランクネットワークサイズ	[128, 128]
データ同化	同化ウィンドウ	10 time steps
最適化アルゴリズム	Adam
学習率	0.001
バッチサイズ	64
RLコントローラー	割引因子 (γ)	0.99
RLコントローラー	方策ネットワークレイヤー	[128, 64]

表 3: モデルアーキテクチャとハイパーパラメータ。ニューラルオペレーター、データ同化、強化学習、および時空間グラフニューラルネットワークコンポーネントにおける重要なアーキテクチャ構成とハイパーパラメータ設定。

パラメーター	説明
シミュレーションプラットフォーム	Python (v3.10) および PyTorch (v2.1)
サポートライブラリ	NumPy (v1.24), SciPy (v1.10), Pandas (v1.5)
ハードウェア	NVIDIA RTX シリーズ GPU (例: RTX 3090, 24 GB VRAM), Intel Core i7/i9 CPU, 32–128 GB RAM
GPU 加速	CUDA Toolkit (v11.8), cuDNN (v8.x)
オペレーティングシステム	Linux (Ubuntu 20.04) / Windows 10
開発環境	Jupyter Notebook / VS Code
サンプリング間隔	1–10 seconds (リアルタイムシミュレーション用に設定可能)
センサーノイズモデリング	ガウスノイズ (σ = 0.01–0.05)
故障シナリオ	センサー故障、流量乱れ、および制御異常
評価モード	スライディングウィンドウに基づくリアルタイムシミュレーション
コードの可用性	再現性のためのリポジトリリンクは、要求時または出版時に提供される

表 4: シミュレーション環境。実験セットアップにおけるハードウェア構成、ソフトウェアプラットフォーム、サンプリング間隔、ノイズモデリング、および故障シナリオに関する情報。

データセット	初期状態誤差	最終状態誤差	ドリフト低減率 (%)
模擬オイル & ガス	0.9	0.25	72.2
SWAT	1.1	0.4	63.6
WADI	1.3	0.55	57.7

表 5： デジタルツイン同期の実験結果。データセット全体における予測ドリフトの低減、および初期状態と最終状態の推定誤差を示す同期性能の定量評価。

データセット	精度	再現率	F1スコア
模擬油 & ガス	0.95	0.93	0.94 ± 0.01
SWAT	0.9	0.88	0.92 ± 0.02
WADI	0.87	0.85	0.90 ± 0.02

表 6: 異常検知性能。シミュレーションによる石油・ガス、SWAT、およびWADIデータセットにおける異常検知の結果であり、適合率（precision）、再現率（recall）、およびF1スコアを含む。

データセット	累積報酬 ↑	制約違反 ↓	コスト削減率 (%) ↑
模擬油 & ガス	96.5 ± 0.8	0	18.7
SWAT	92.1 ± 1.2	1	14.3
WADI	89.7 ± 1.5	2	11.6

表 7: クローズドループ制御および最適化の実験結果。クローズドループ制御の性能評価には、累積報酬、制約違反、および運用コストの削減が用いられている。

モジュール	平均レイテンシ (ms)	概要
ニューラル演算子 (FNO/DeepONet)	18-25 ms	オペレーター学習とシステム状態予測
ST-GNN	22–35 ms	時空間依存性モデリング
RLポリシーネットワーク	5–10 ms	制御意思決定の生成
データの前処理	8–12 ms	入力の正規化と特徴量の準備
全制御ループ遅延	55–82 ms	エンドツーエンドの制御動作実行時間

表 8: リアルタイム制御性能の評価。レイテンシ値は、標準的なハードウェア構成において制御ステップごとに測定された平均推論時間を表す。

モデル	平均二乗誤差 ↓	平均絶対誤差 ↓	相対誤差 (%) ↓	推論時間 (ms) ↓	p値（ベースラインとの比較）
数値ソルバー（ベースライン）	0.0125 ± 0.0012	0.089 ± 0.006	8.75 ± 0.54	120.5 ± 5.2	—
従来の機械学習モデル	0.0098 ± 0.0009	0.072 ± 0.005	6.42 ± 0.48	85.3 ± 4.7	0.021
既存のオペレーター学習	0.0076 ± 0.0007	0.061 ± 0.004	5.18 ± 0.41	42.8 ± 3.1	0.008
DeepONet（提案手法）	0.0052 ± 0.0005	0.044 ± 0.003	3.67 ± 0.32	18.6 ± 2.4	< 0.001
FNO（提案）	0.0047 ± 0.0004	0.039 ± 0.002	3.21 ± 0.28	15.2 ± 2.1	< 0.001

表 9: 予測精度（MSE、MAE、相対誤差）および計算効率（推論時間）におけるベースラインモデルと提案モデルの比較。値は複数回の実行における平均値 ± 標準偏差として報告されている。値が低いほどパフォーマンスが優れていることを示す。p値は、ベースラインの数値ソルバーと比較した統計的有意性を示す。

方法	平均絶対誤差 ↓	二乗平均平方根誤差 ↓	F1スコア ↑	AUC（曲線下面積） ↑	ドリフト低減率 (%) ↑	累積報酬 ↑
物理ベースのデジタルツイン	0.45	0.62	0.78	0.82	35.4	65.2
長短期記憶（LSTM）	0.32	0.48	0.85	0.88	48.7	74.5
グラフニューラルネットワーク	0.28	0.41	0.88	0.91	55.3	81.3
提案フレームワーク	0.2	0.3	0.94	0.97	72.2	95.5

表10: 総合的な性能比較。提案する制御認識デジタルツインモデルと、モニタリング、異常検知、同期、および制御における他のベースライン手法との総合的な性能比較。予測精度については、MAEおよびRMSEの値が低いほど好ましく、異常検知および同期性能については、F1-score、AUC、ドリフト低減量、および報酬の値が高いほど好ましい。

構成要素	パラメーター	値/設定
ニューラルオペレーター (FNO/DeepONet)	エポック	100–200
	バッチサイズ	32–64
	学習率	0.001
時空間グラフニューラルネットワーク（ST-GNN）	層	3
	隠れユニット	64
	時間的ウィンドウ	10～20タイムステップ
ニューラル4D-Var	同化ウィンドウ	固定（スライディングウィンドウ）
	最適化	勾配降下法
強化学習	割引率 (γ)	0.95
	報酬ウェイト（α,β,γ)	0.6, 0.25, 0.15
全般的なトレーニング	最適化アルゴリズム	アダム
	ハードウェア	NVIDIA RTX GPU

表 11： 提案されたデジタルツインフレームワークの異なるコンポーネントに使用されたトレーニング構成および実装パラメータ。本表は、異なるコンポーネントにおける提案システムの再現性を確保するために使用された、さまざまなハイパーパラメータおよびトレーニングパラメータの概要を示している。

構成要素	トレーニング時間 (時間)	推論レイテンシ (ms)	GPU使用率 (%)	拡張性
ニューラルオペレーター	6–8	25–40	80–90	高
時空間グラフニューラルネットワーク（ST-GNN）	3–4	15–25	60–70	高
ニューラル4D-Var	2–3	20–30	65–75	中程度の
RLコントローラー	1–2	10–20	50–60	高
システム全体	12–16	<100 ms	70–85	スケーラブルな

表12: 提案したデジタルツインモデルの異なるコンポーネントにおける計算性能およびスケーラビリティ分析。レイテンシはリアルタイム推論性能を、GPUは計算性能を、またスケーラビリティは提案モデルの産業規模アプリケーションへの適用能力を表す。

手法	モニタリングRMSE	同期ドリフト低減率 (%)	AUROC	F1スコア	累積報酬
物理ベースデジタルツイン	0.45	28.6	0.78	0.74	42.3
LSTMベースモデル	0.31	41.2	0.86	0.83	61.7
GNNベースモデル	0.26	53.4	0.91	0.88	74.5
提案デジタルツイン	0.2	72.2	0.94	0.92	95.5

表 13: 提案手法と既存手法の比較評価。モニタリング、同期、異常検知、および制御指標における提案デジタルツインモデルの性能を、ベースライン手法および学習ベースの手法と比較している。

モデル構成	モニタリング誤差 (RMSE)	異常検知 (F1)	制御パフォーマンス（報酬）
フルモデル（全モジュール）	0.2	0.92	95.5
– データ同化なし	0.29	0.88	89.2
– ST-GNNなし	0.27	0.85	87.1
– 強化学習なし	0.21	0.9	78.4
– 継続学習なし	0.23	0.91	92.3

表14: 実験結果およびアブレーション研究。提案されたデジタルツインモデルの各構成要素がシステム全体のパフォーマンスにどのように寄与しているかを検証するアブレーション研究。

シナリオ	データの可用性	RMSE	精度	観測ギャップの処理
通常	100%	低	高	安定
部分的喪失	50–70%	中程度	高	堅牢な補間
深刻な喪失	20–30%	上昇	中程度	緩やかな性能低下
センサー故障	領域的に 0%	より高い	中程度	空間的汎化

表15: データ不足下における堅牢性分析。以下の表は、データの可用性が異なる様々な状況における、提案されたニューラル4D-Varフレームワークの性能を示している。この表は、センサーデータの部分的喪失、高スパース性、および完全な喪失が発生した状況で誤差がどのように変化するかを示すことで、モデルの堅牢性を示している。

ディスカッション

本研究の結果は、開発した制御認識型デジタルツインが、幅広いCPSにおけるリアルタイムモニタリング、検出、および制御最適化の向上において有効であることを示している。従来のモニタリングモデルと比較して、PINOとグラフニューラルネットワークの組み合わせは、ノイズのあるシステムにおいてさえ、状態推定の精度においてより効果的である。この結果は、デジタルツインにおける高度な機械学習モデルが、システム内の予測および検出においてより有効であるためである³⁹。

カリキュラム学習や因果表現モデルを採用したデジタルツイン異常検知器などの既存の異常検知ソリューションと比較すると、文献で得られた結果を比較することにより、提案手法が競争力のある性能を達成できることが分かります。例えば、カリキュラム学習を採用したデジタルツインベースの異常検知器は、CPSテストベッドにおいてF1スコアの中程度の向上を可能にしており、これは学習パラダイムが検知プロセスの効率に影響を与える可能性があることを示しています⁴⁰。同時に、現在普及しているデジタルツインモデルは、因果推論による効率的な推論と偽陽性の抑制を強く重視していますが、その代償として因果モデルにおけるモデルの複雑さが増大しています。この点において、提案する同期強化学習アプローチは、単一のバックグラウンド内で効率的な動作最適化と健全な異常検知の両方を提供します。ただし、提案手法と他のアプローチとの比較は、直接的な比較実験の結果に基づくものではなく、他の研究者によって報告された結果のみに基づいていることに留意すべきであり、したがって、この点を考慮して比較を行う必要があります。

さらに、提案されたデジタルツイン内での異常検知の追加と制御アクションの最適化は、CPSに関連する現在の研究開発活動の方向性である、デジタルツインによって提供される意思決定支援および作動能力の重要性が高まっていることを示しています。センサー誘導のための適応的アプローチなど、強化学習を用いたデジタルツインのキャリブレーションに関する研究論文⁴¹では、学習エージェントの使用が、特に動的システムにおいて、精度と適応性の面でさらなるメリットを提供できることが示されています。これは、クローズドループ最適化の有効性の向上に関する知見を裏付けるものであり、知的な統合がCPSの堅牢性と効率性を向上させ得るという仮説を補強しています。前述の通り、この手法は石油・ガス業界向けに設計されていますが、手法の評価は石油・ガス業界のシミュレーションおよび、SWaTやWADIといったCPSのベンチマークデータセットに基づいています。ただし、現在の検証には実際の石油・ガス操業データが含まれていないため、実際の導入シナリオへの適用可能性については慎重に解釈されるべきであることに留意してください。将来的には、提案されたカリキュラム学習法と因果推論に基づくデジタルツイン法の比較評価を、統一された実験フレームワークの下で行い、制御された条件下でこれら2つのアプローチを比較する予定です。ニューラルオペレーター、グラフネットワーク、強化学習を含むこれらのモジュールの統合により計算コストは増加しますが、各モジュールはそれぞれ特定の機能を担っています。アブレーション研究によっても、いずれかのモジュールを削除すると性能が低下することから、提案手法の性能が検証されています。

理論的に、本研究はデジタルツイン構造におけるモデルベース手法とデータ駆動型手法の統合に大きく貢献するものである。物理情報ニューラルオペレーターとニューラルデータ同化技術を状態推定プロセスに統合することで、CPSのためのハイブリッドモデリングアプローチが提供される。これにより、純粋な物理ベースのシミュレーションか、あるいはCPSシミュレーションのためのブラックボックスモデルのいずれかに依存していた従来のデジタルツイン研究における重要な空白が埋められることになる。理論上、本研究は、近年の文献で強調されている、継続的な学習と適応が可能な自律的CPSモデルに向けたデジタルツイン研究の進展と整合するものである。

適用性の観点から、提案されたアプローチは、CPSの運用における安全性と効率性を直接的に向上させ、その結果としてリアルタイムの信頼性、迅速かつ正確な異常特定、および最適な制御ループ戦略を可能にするため、産業現場におけるCPSの機能を大幅に改善することができます。例えば、センサのノイズや非線形システムモデルが伴いやすい産業環境において、同期検出アプローチは誤警報の発生を抑制しつつ、異常の迅速な特定を確実にします。分類指標を主眼とした、侵入検知に関する既存のデジタルツインベースのCPSシステムのソリューションとは異なり、提案アプローチは特定と修正の両アプローチを可能にし、システムのオペレーターがダウンタイムが発生する前にCPSの動作環境を先制的に変更できる能力に寄与します。さらに、ベンチマークデータセットでの性能によって示された、異なる環境へ普遍的に適用できる能力は、スマート製造、エネルギー分野、重要インフラネットワーク管理システムなど、様々なCPS設定における本アプローチの全般的な適用可能性を示しています。

提案されたデジタルツインフレームワークの拡張性は、システムの規模拡大および時間的複雑性への対応能力という観点から評価される。センサー間の相互作用を疎グラフ構造で表現することにより、時空間グラフニューラルネットワークは、センサー数および監視コンポーネント数の増加に伴い効率的にスケールし、計算複雑性の指数関数的な増大を防止する。また、離散化解像度に依存しないオペレーターマッピングを学習する物理情報ニューラルオペレーターを適用することで、拡張性がさらに向上し、計算コストを大幅に増大させることなく大規模システムの効果的なモデリングが可能となる。本フレームワークでは、スライディングウィンドウ法とシーケンスベースの学習を採用することで、計算の実行可能性を損なうことなく、より長い時間範囲における時間的依存性を管理している。さらに、増分学習技術により、完全な再学習を必要とせずに継続的な更新が可能となり、大規模展開におけるオーバーヘッドが削減される。加えて、GPUベースの並列計算を利用することで、高次元データストリームの効率的なリアルタイム処理が実現している。提案されたアーキテクチャは、センサー数と運用時間の両方に合わせてスケールするように設計されており、分散センサーネットワークと継続的な監視要件を備えた石油・ガス生産システムなどの大規模な産業アプリケーションに適している。

アブレーション研究により、ニューラルオペレーター、ST-GNN、データ同化、強化学習といった各モジュールの個別の寄与を理解することが可能になります。本研究では、提案されたデジタルツインアーキテクチャにおける多くの主要な個別モジュールの寄与度を測定するため、アブレーション研究を実施しました。これらの個別モジュールには、データ同化、時空間グラフモデリング、強化学習、および継続学習が含まれます。これらの個別モジュールを除去した際の影響を、モニタリング精度、異常検知、および制御における影響レベルの観点から検証しました。最終的な結果から、全体的なアーキテクチャを利用することが常に最善であることが明確に検証されました。したがって、個別モジュールを除去すると、さまざまなレベルの性能低下が生じ、異なるコンポーネントがシステム全体の性能に異なる形で寄与していることが示されました。データ同化モジュールの除去による影響レベルでは、予測誤差の増加が明確に現れ、異常検知に関する信頼性においても同レベルの影響を及ぼしました。強化学習を除去した際の影響レベルでは、特にモニタリングのみを考慮した場合に、制御が著しく影響を受けることが明確に示されました。

表14に示すアブレーション解析の結果から、各モジュールがシステムの性能に寄与する度合いが異なることがわかります。モニタリング性能の精度に対する寄与度が最も高いのはデータ同化モジュールであり、次いでST-GNNモジュールでした。継続学習モジュールのモニタリング性能の精度に対する寄与度は中程度であり、強化学習モジュールの寄与度は最も低い結果となりましたが、報酬値が95.5から78.4へと低下したことから、制御性能に対する寄与度は強化学習モジュールが最大であることが示されました。

提案したニューラル4D-Varフレームワークの堅牢性を検証するため、観測条件を段階的に悪化させた状態で実験を行いました。具体的には、以下のシナリオを含む実験を実施しました：(i) 欠損データの割合を30%から70%まで変化させた部分的なセンサー故障、(ii) 特定領域における完全なセンサー脱落、(iii) 通信遅延による時間的な疎な観測。実験の結果、提案モデルは中程度のデータ損失下で堅牢な性能を示し、極端なデータ損失下でも緩やかに性能が低下することが確認され、高い適応性が実証されました。表15に堅牢性分析の結果を示します。

本研究の限界は、提案モデルの検証範囲に関連しています。本モデルは石油およびガス生産システムを対象としていますが、提案モデルの評価は、シミュレーションによる石油およびガスの数値、ならびにSWaTやWADIのようなサイバーフィジカル・ベンチマーク問題に基づいている点に留意する必要があります。また、これらのベンチマーク問題は石油およびガスのプロセスに関連していますが、本件における問題は水処理および配送に関連していることも重要な点です。

しかしながら、このような最適な性能にもかかわらず、いくつかの制限が存在します。例えば、特にニューラルオペレーター、グラフネットワーク、および強化学習を統合した場合、一部のデジタルツイン実装と比較して計算複雑性が高くなります。これは、計算能力が限られているプラットフォームへの導入において大きな妨げとなる可能性があります。さらに、本研究ではシミュレーションとベンチマークセットのみに焦点を当てており、運用中のCPSに見られるレベルの多様性を含めることができませんでした。これは、CPSの評価で一般的に採用されているSWaTやWADIなどのシミュレーションセットに見られ、現実世界のCPS環境で経験される多様性が不足している可能性があります。また、適切なセンサーデータの供給を前提としていますが、これは旧式のCPSでは常に実現可能であるとは限りません。本システムの最大の制限は、システム評価のための石油・ガス業界の実データが不足していることです。システムの評価は、石油・ガス業界のシミュレーションおよびCPSのベンチマークデータセット（すなわちSWaTおよびWADI）に基づいているため、石油・ガス業界の現実世界の複雑さを正確に反映していない可能性があります。提案システムは予測能力において有望な性能を示しましたが、学習プロセスにおいて高い計算コストを必要とします。将来的には、低次ニューラルオペレーター、モデルプルーニング、およびハイブリッド物理-MLモデルを含む、提案システムの軽量な代替案を検討することができます。

モデル圧縮技術に関する今後の研究では、実環境におけるスケーラビリティと展開、およびセンサー密度やセンシング情報の品質が大きく異なる既存のレガシーCPSインフラへの統合について検討する必要があります。さらに、本システムを拡張して、オペレーター向けの説明可能性とフィードバックループを組み込むことは、説明可能性の向上および自律的な意思決定への信頼構築に有益であると考えられます。加えて、因果関係デジタルツインと同様に、現在の異常検知プロセスに因果推論手法を統合することで、根本原因分析の改善と誤警報の最小化に寄与する可能性があります。最後に、堅牢性を確保するためには、実際のフィールドデータを用いて本フレームワークを検証する必要があります。

本研究では、複雑なサイバー物理システムにおけるリアルタイムのシステムモニタリング、異常検知、および意思決定能力の向上を目的とした、制御認識可能なインテリジェント・デジタルツインモデルの概念を実証しました。主に受動的なオブザーバーとしてリアルタイムモニタリングに利用される従来のデジタルツインとは異なり、本研究では、物理学に基づいたニューラルオペレーター、時空間グラフニューラルネットワーク、ニューラルデータ同化、強化学習ベースの制御、および学習アルゴリズムを、単一のデジタルツインシステムモデル内に統合することを目指しています。まず、デジタルツインシステムによって、非線形方程式系の物理学に基づいた学習モデル上でシステムのリアルタイムモニタリングが行われます。次に、ニューラル4DVarシステムをデータ同化手順に適用し、物理システムと仮想システムの両方を同期させることで、ノイズやシステム変化に起因するシステム予測のドリフトを最小限に抑えます。異常検知は、システムの空間的関係または時間的なシステム進化のいずれかに関する時空間モデルを用いて実施されます。最終的に、強化学習エージェントが、制御制約を考慮しつつ、システム安全制約の観点から有効な同期済みシステム状態に基づき、システム制御アクションを生成します。模擬的な石油・ガスプロセス、およびベンチマークCPSシナリオであるSWATとWADIを用いて実施した広範な実験により、模擬条件およびベンチマーク条件における提案手法の潜在的な有効性が実証されました。提案モデルにより、モニタリング誤差（MAEおよびRMSE）の低減、優れた異常検知結果、およびクローズドループ制御における一貫した動作が得られました。これらの知見は、デジタルツイン内での異常検知と制御の同期が、運用の信頼性と効率性を維持する上で重要な要因であることを裏付けています。デジタルツイン技術のさらなる発展の可能性としては、人工知能と因果関係による拡張が挙げられます。本フレームワークの評価は、石油・ガス業界の実データを用いて検証することで行われる予定です。

本研究で得られた結論はシミュレーションおよびベンチマークデータセットに基づいたものであるため、実際の石油・ガスシステムへの適用可能性については慎重に解釈する必要があることを強調しておく。

データの利用可能性：

本研究で使用したSWaTおよびWADIデータセットは、公開されている産業制御システムデータセットであり、iTrust Labデータセットリポジトリ（https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/）からアクセス可能です。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
CPU (Intel Xeon / AMD Ryzen)	Intel / AMD	Xeon / Ryzen シリーズ	システムシミュレーション、データの前処理、および一般的な計算に使用
ディープラーニングフレームワーク (PyTorch 2.0)	Meta AI (PyTorch)	https://pytorch.org RRID:SCR_018536	ニューラルネットワークの実装、最適化、および学習パイプラインに使用
深層ニューラルネットワークライブラリ (cuDNN 8.x)	NVIDIA cuDNN	cuDNN 8.x	GPU上のディープラーニング操作用に最適化されたプリミティブを提供
DeepONet	該当なし	https://arxiv.org/abs/1910.03193	スクリプト内では"neural operator model"として参照される
GPU (NVIDIA RTX 4090)	NVIDIA	RTX 4090	ニューラルオペレーター、ST-GNN、および強化学習コンポーネントを含むディープラーニングモデルの学習に使用
GPU加速 (CUDA 11.8)	NVIDIA CUDA	CUDA 11.8 RRID:SCR_018131	高性能なモデル学習のためのGPUベースの並列計算を可能にする
Linuxディストリビューション (バージョン 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download; RRID:SCR_018127	実験の実行およびモデルのデプロイに使用されるオペレーティングシステム
オペレーティングシステム (Ubuntu 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download RRID:SCR_018127	すべての実験およびモデルデプロイのための実行環境を提供
最適化アルゴリズム (Adam Optimizer)	該当なし	https://arxiv.org/abs/1412.6980	適応的学習率最適化を用いたモデルの学習に使用
最適化済み深層ニューラルネットワークライブラリ (バージョン 8.x)	NVIDIA cuDNN	https://developer.nvidia.com/cudnn RRID:SCR_018131	深層ニューラルネットワーク操作用に最適化されたGPU加速プリミティブを提供
プログラミング言語 (Python 3.10)	Python Software Foundation	https://www.python.org/downloads RRID:SCR_008394	実装および実験に使用される主要なプログラミング言語
システムメモリ (≥ 64 GB RAM)	Corsair / Kingston / Crucial	https://www.corsair.com / https://www.kingston.com / https://www.crucial.com	高次元の多変量時系列データの処理および大規模なモデル学習をサポート