이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

석유 및 가스 생산 시스템의 실시간 모니터링 및 최적화를 위한 제어 인식 디지털 트윈 프레임워크 개발

108 조회수

⸱

DOI:

10.3791/71076

⸱

2026년 8월 18일

 ,  ,  ,  , 
1Planning & Design Center, Xinjiang Oilfield Company, PetroChina, 2Production Command Center, Xinjiang Oilfield Company, PetroChina, 3Vehicle Transport Section, Xinjiang Oilfield Company, PetroChina

이 논문에서

요약

본 연구는 머신러닝과 물리 기반 모델을 활용하여 석유 및 가스 시스템을 모니터링하고 최적화하기 위한 제어 인식 디지털 트윈 프레임워크를 제시하며, 이를 시뮬레이션 및 벤치마크 데이터셋을 통해 평가하였습니다.

초록

본 논문에서는 오일 및 가스 생산 시스템의 추적 및 개선을 위한 제어 인식 디지털 트윈 프레임워크를 제안합니다. 이 방법은 시공간 그래프 신경망, 신경 4D-Var 데이터 동화, 강화 학습 기반 제어, 그리고 물리 정보 기반 신경 연산자(FNO 및 신경 연산자 모델)를 결합합니다. 해당 프레임워크를 평가하기 위해 벤치마크 사이버 물리 시스템 데이터셋(SWaT 및 WADI)과 시뮬레이션된 오일 및 가스 데이터셋이 사용되었습니다. 평균 측정치를 이용한 여러 차례의 독립적인 실행을 통해 확인된 결과, 상태 추정, 이상 탐지 및 제어 최적화에서 향상된 성능이 입증되었습니다. 다만, 이번 평가는 벤치마크 및 시뮬레이션 데이터셋으로 제한되었으므로, 실제 산업 데이터를 이용한 추가 검증을 통해 실무 적용 가능성을 확인할 필요가 있습니다.

서론

세계적인 에너지 수요 증가로 인해 안전하고 효율적인 석유 및 가스 운송 네트워크의 필요성이 증대되었습니다. 그러나 노후화된 인프라와 시스템 복잡성의 증가로 인해 파이프라인의 신뢰성을 유지하는 데 심각한 어려움이 있습니다. 이러한 관점에서 디지털 트윈(DT) 기술은 산업 현장에서 위험 평가, 예측 유지보수 및 시스템 최적화를 가능하게 하는 데이터 기반의 수명 주기 관리 전략으로서 관심을 끌고 있습니다1,2,3,4,5. 산업 시스템의 디지털 전환은 반응형 유지보수에서 지능형 데이터 기반 의사결정으로 전환됨에 따라 이상 탐지, 고장 예측 및 시스템 신뢰성을 향상시켰습니다6,7,8. 공정 최적화, 예측 유지보수 및 스마트 제조 분야의 DT 응용은 수많은 연구의 주제가 되었습니다. 예를 들어, 예측 고장 분석10 및 친환경 성능 평가11를 위한 DT 기반 모델과 딥러닝 기반의 생산 최적화 모델이 제안되었습니다. 석유 및 가스 산업에서는 시스템 모델링, 성능 평가 및 다중 센서 데이터 통합을 통해 모니터링과 이상 식별을 개선하기 위해 DT가 사용되어 왔습니다12,13,14,15.

이러한 발전에도 불구하고, 현재 대부분의 DT 기술은 모니터링, 모델링 또는 이상 탐지와 같은 개별 기능에 집중하고 있으며, 실시간 동기화 및 제어의 통합은 거의 이루어지지 않은 실정입니다. 많은 시스템이 양방향 상호작용과 적응형 학습 능력이 부족하여, 단방향 데이터 흐름을 갖는 디지털 섀도우(digital shadows)로 작동하고 있습니다. 동적인 조건과 복잡한 결함 패턴으로 인해 지속적인 학습과 제어가 필수적인 석유 및 가스 시스템에서 이러한 제약은 특히 중요합니다. 또한, 기존의 사이버-물리 시스템 기술은 대부분 오프라인 분석에 국한되어 있어16, 복잡한 산업 공정에서의 실시간 폐루프 제어를 지원하지 못합니다. 아울러, 분산 센서 간의 상호작용을 묘사하기 위해 현재의 접근 방식은 주로 전통적인 머신러닝 및 필터링 기법에 의존하고 있으며, 시공간 그래프 신경망과 같은 정교한 모델의 활용도는 매우 낮습니다. 또한, 특히 석유 및 가스 생산 시스템에서 비선형 물리 역학을 포착하기 위한 오퍼레이터 학습 기술의 사용에 관한 연구가 부족한 상태입니다17. 이로 인해 기존의 DT 시스템은 복잡한 시공간적 연결성을 모델링하는 동시에 실시간 데이터 동화 및 적응형 제어를 통합하지 못하고 있습니다.

산업 제어 설정과 유사하기 때문에, SWaT 및 WADI와 같은 벤치마크 데이터셋은 사이버 물리 시스템에서 DT 기반 기술을 검증하는 데 자주 사용됩니다18. 또한, DT는 산업 공정 전반에 걸쳐 생산성 향상, 지식 교환 개선 및 안전한 데이터 전송과 같은 보다 일반적인 이점을 제공합니다19,20. 특히 석유 및 가스와 같은 고위험 산업에서21,22,23, 안전 관리, 실시간 모니터링 및 산업 자동화 분야에서의 잠재력이 더욱 널리 인정받고 있습니다. 그럼에도 불구하고, 실제 배포를 위해서는 모델링, 모니터링 및 제어 기능을 통합한 더욱 완전하고 통합된 솔루션이 여전히 필요합니다. 24,25에서 인용된 것과 같은 평가 연구들은 운영 효율성과 의사 결정 방식 개선에 있어 DT의 용도와 이점을 입증함으로써 기초를 마련했습니다. 표 1은 석유 및 가스 제조 및 제어 관리에 관한 기존 방법들의 비교를 보여줍니다26,27,28,29. 석유 및 가스 생산 시스템의 높은 운영 위험과 복잡한 역학으로 인해, 전통적인 유지보수 방법은 즉각적인 이상 식별 및 대응에 부족한 경우가 많습니다30,31,32,33. 최근 안전 관리와 원격 모니터링이 개선되었음에도 불구하고, 실시간으로 지속적으로 감지, 학습 및 제어할 수 있는 지능형 시스템이 여전히 필요합니다.

본 논문은 이러한 어려움을 극복하기 위해 시공간 그래프 신경망(spatiotemporal graph neural networks), 신경 4D-Var 데이터 동화(neural 4D-Var data assimilation), 물리학 기반 신경 연산자(physics-informed neural operators) 및 강화 학습 기반 제어를 결합한 제어 인식 디지털 트윈 아키텍처를 제안합니다. 제안된 시스템을 통해 데이터 수집, 상태 추정, 이상 탐지 및 제어 최적화를 위한 단일 파이프라인이 구축됩니다. 시공간 그래프 신경망이 분산된 센서 간의 상호작용을 기록하는 동안, 푸리에 신경 연산자(Fourier Neural Operator) 및 딥 연산자 네트워크(Deep Operator Network, 신경 연산자 모델)와 같은 물리학 기반 신경 연산자가 복잡한 비선형 시스템 동역학을 표현하는 데 사용됩니다. 신경 데이터 동화는 상태 추정 정확도를 향상시키며, 강화 학습은 적응형 폐루프 제어를 가능하게 합니다. 제안된 방법의 산업 현장 전반에 대한 일반화 가능성은 벤치마크 사이버 물리 시스템 데이터셋(SWaT 및 WADI)과 시뮬레이션된 석유 및 가스 데이터를 사용하여 평가함으로써 입증됩니다. 본 연구는 모델링, 학습 및 제어를 하나의 통합된 프레임워크로 결합함으로써 기존 DT 시스템의 주요 단점을 극복하고, 석유 및 가스 생산 시스템의 실시간 모니터링 및 최적화를 위한 확장 가능하고 유연한 솔루션을 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 연구는 인간 참여자나 동물 실험 대상자를 포함하지 않습니다. 사용된 데이터셋(SWaT 및 WADI)은 공개적으로 이용 가능한 벤치마크 데이터셋이며, 민감한 정보나 개인 데이터는 포함되어 있지 않습니다.

제안된 접근 방식은 최첨단 딥러닝 알고리즘, 데이터 동화, 그리고 석유 및 가스 추출 시스템과 제어의 지속적인 평가 및 최적화를 통합할 수 있는 제어 인식 디지털 트윈을 구축합니다. 먼저, 지리적으로 분산된 생산 인프라로부터 실시간 멀티모달 센서 데이터를 수집하고, 생산 구성 요소 간의 연결성과 상호 작용을 정의하는 그래프 구조를 사용하여 모델링합니다. 그런 다음, 물리 정보 신경 연산자(physics-informed neural operators)를 활용하여 비선형 다상 유동을 지배하는 지배 방정식의 연산자 수준 근사치를 구축함으로써 디지털 트윈 내에서 확장 가능한 시뮬레이션을 용이하게 합니다. 본 연구에서 '신경 연산자 모델(Neural operator model)'이라는 용어는 딥 연산자 네트워크(Deep Operator Network)를 지칭하는 데 사용되었습니다. 지리적으로 분산된 생산 자산 간의 공간적 및 시간적 의존성을 통합하기 위해, 물리 정보 표현 내에서 시공간 그래프 신경망을 학습시킵니다. 노이즈가 있고 공간적으로 불규칙한 측정값에서도 디지털 트윈 시뮬레이션 예측을 실시간 모니터링 데이터와 일관되게 동기화하여 유지하기 위해 neural 4DVAR를 활용한 미분 가능한 데이터 동화 접근 방식을 적용합니다. 실시간으로 동기화된 디지털 트윈을 기반으로, 실시간 제어를 위한 강화 학습 기반 최적화 도구가 학습됩니다. 마지막으로, 디지털 트윈은 새로 가용한 측정값의 지속적인 업데이트를 통해 장기간에 걸쳐 모델을 지속적으로 갱신하고 적응형 확장성을 갖추도록 유지됩니다.

제안된 디지털 트윈 아키텍처는 기존의 디지털 트윈 아키텍처에 지능, 적응성 및 제어 인지 능력을 추가하여 이를 강화합니다. 전체 파이프라인은 네 가지 모듈로 구성됩니다: (i) 데이터 획득/그래프 구축, (ii) 신경 연산자(neural operators) 및 ST-GNN을 이용한 상태 추정, (iii) 잔차 기반 분석을 통한 이상 탐지, (iv) 강화 학습 기반 제어.

신경망, 디지털 트윈 및 강화 학습을 이용한 오일 및 가스 시스템 제어 다이어그램.
그림 1: 전체 제어 인지 디지털 트윈 아키텍처. 이상 탐지, 시공간 그래프 신경망, 신경 4D-Var 동기화, 물리 정보 신경 연산자 및 강화 학습 기반의 폐루프 제어가 제안된 제어 인지 디지털 트윈 모델에 모두 통합되어 오일 및 가스 생산 시스템에 적용되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 1은 폐루프 사이버-물리 시스템으로서의 오일 및 가스 생산 제어 인지 디지털 트윈의 기능적 프로세스를 나타냅니다. 기능적 프로세스는 오일 및 가스 생산 시스템 수준에서 시작되며, 여기서 우물, 파이프라인, 밸브 및 처리 장치에 분산된 다양한 센서가 특정 시점의 압력, 유량, 온도 및 제어 데이터를 캡처합니다. 다양한 센서가 여러 형식의 데이터를 캡처하며, 이 데이터는 디지털 트윈으로 전송되어 해당 시점의 조직 인지를 위한 기초를 구성합니다.

제안된 방법론은 다음과 같은 후속 단계로 구성됩니다:

데이터 수집

오일 및 가스 생산 환경에서 압력, 유량, 온도 및 제어 입력에 관한 센서의 실시간 정보를 수집합니다. 강건성과 일반화 능력을 검증하기 위해 SWAT 및 WADI와 같은 다른 벤치마크 데이터셋을 사용합니다. 재현성을 보장하기 위해, 제안된 방법론의 각 단계는 기술적 세부 사항을 사용하여 명시합니다.

[데이터 세트 생성 및 시뮬레이션에 대해서는 보충 파일 (S1)을 참조하십시오.]

산업 제어 시스템 연구 분야의 두 가지 공개 벤치마크 산업 제어 시스템 데이터셋을 사용하여, 복잡하고 고차원적인 시계열 데이터와 비정상 이벤트에 대한 개념적 디지털 트윈의 성능을 검증하였습니다. 사용된 데이터셋은 Secure Water Treatment (SWaT) 및 Water Distribution (WADI) 벤치마크 데이터셋34입니다. 두 데이터셋 모두 실제 사이버 물리 테스트베드에서 파생되었으며, 해당 시스템에서 발생한 정상 및 이상/공격 시나리오 모두에 대한 다변량 센서 및 액추에이터 작동 데이터를 포함하고 있습니다. SWaT 및 WADI 데이터셋을 사용함으로써, 교차 도메인 테스트가 가능하며 사이버 물리 테스트베드를 넘어 위치 및 시간 관련 의존성을 가진 더 광범위한 분산 산업 시스템으로의 일반화 가능성을 입증할 수 있습니다. 데이터셋에 대한 설명은 표 2에 제시되어 있습니다.

제안된 연구에서는 표 2에 표시된 대로 개발된 디지털 트윈 방법론의 광범위한 평가를 위해 세 가지 서로 다른 데이터 세트를 사용합니다. 기본 데이터 세트는 석유 및 가스 제조 생산 조직과 관련된 시뮬레이션 데이터로 구성되며, 시스템에서 감지된 실제 운영 측정값뿐만 아니라 제어 및/또는 결함 조건을 재현하도록 설계되었습니다. 또한, 축소 규모의 물리적 시스템 예시로 Secure Water Treatment (SWaT) 데이터 세트가 도입되었으며, 이는 정상 상태와 인위적으로 생성된 이상 및 공격을 모두 포함하여 약 11일 동안 51개의 센서와 액추에이터에서 측정된 값으로 구성됩니다. 이 데이터 세트는 연구를 위한 표준 벤치마크로 널리 간주됩니다. 또 다른 세트는 Water Distribution (WADI) 데이터 세트로, 16일 동안 다양한 공격과 정상 작동 조건을 모두 포함하여 약 123개의 변수로 구성된 축소 규모 용수 배분 시스템의 동작을 캡처한 측정값을 담고 있습니다. 이 데이터 세트는 총 15가지의 서로 다른 공격을 포함하고 있습니다. 위의 두 데이터 세트는 주로 산업 제어 시스템에서와 같이 시간에 따른 고차원 시계열 및 공간적 관계를 중심으로 합니다.

데이터 전처리

모델 학습 전, 데이터의 품질, 일관성 및 재현성을 보장하기 위해 모든 데이터셋에 대해 철저한 전처리 과정을 수행합니다. 전처리 절차에는 결측치 처리, 노이즈 필터링, 정규화 및 특성 스케일링 등이 포함됩니다. 상세한 전처리 파이프라인은 다음에서 설명합니다. 보충 파일 (S2).

시스템 그래프 구축

제안된 방법론에서 석유 및 가스를 위한 물리적 생산 시스템은 그래프 형태로 표현되며, 이는 자산 간의 공간적 상관관계와 시간에 따른 시스템 상태의 역학을 설명하기 위한 수학적 구조로 활용됩니다(시스템 그래프 구축 공식에 대해서는 보충 파일 (S3)를 참조하십시오).

신경 연산자를 이용한 물리 학습

다상 유동 시스템의 비선형 및 다차원적 특성을 정확하게 표현하기 위해, 제안된 접근 방식에서는 푸리에 신경 연산자(Fourier Neural Operators, FNO) 및 신경 연산자 모델 형태의 물리 정보 기반 연산자를 사용합니다. 신경망을 점별 매핑(pointwise mappings)으로 표현하는 전통적인 방식과 달리, 연산자의 개념은 서로 다른 경계 조건에 대한 일반화를 가능하게 합니다. 이러한 특징은 물리적 현상이 연속적으로 발생하는 석유 및 가스 생산에 사용되는 다상 유동 시스템에 이 방법이 더 적합하게 만듭니다. 신경 연산자의 수학적 방정식에 대해서는 보충 파일(S4)를 참조하십시오.

물리 정보 신경 연산자(physics-informed neural operators)의 타당성을 추가로 평가하기 위해, 다양한 유동 상태와 제어 입력 하에서 비선형 연산자 매핑을 근사하는 능력을 평가하는 추가 실험을 수행하였다. 결과는 해당 연산자들이 비선형 연산자의 매핑을 정확하게 근사할 수 있음을 보여주며, 이를 통해 특히 고차원 상태에서 다른 솔버보다 낮은 계산 비용으로 시스템의 역학을 정확하게 모델링할 수 있는 연산자의 능력을 검증하였다. 연산자 학습 정확도에 대한 정량적 평가는 예측된 시스템 상태와 시뮬레이션된 시스템 상태 사이의 평균 제곱 오차(mean squared error)를 사용하여 수행되었으며, 다양한 유동 조건 전반에서 일관된 근사 성능을 입증하였다.

비선형 다상 유동 역학 다이어그램; 신경 연산자 분석; 압력 유동 예측.
그림 2: 물리 정보 기반 신경 연산자 프레임워크의 워크플로우. 물리 정보 기반 신경 연산자 워크플로우의 예시는 제어 입력, 센서 데이터 및 경계 조건이 비선형 다상 유동 역학을 학습하고 신속한 연산자 수준의 시스템 예측을 생성하는 데 어떻게 사용되는지 보여준다. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

그림 2에 제시된 PINO 작업 프로세스에서, 오일 및 가스 공정의 물리적으로 복잡한 비선형 다상 유동에 대한 학습 과정은 연속적으로 이루어집니다. 이는 모델이 물리적으로 진화하는 시스템에 관한 이종 데이터를 수신하는 입력층에서 시작됩니다. 이러한 입력은 압력, 온도, 속도를 포함한 경계 조건부터 오일 및 가스 시스템 내에 배치된 센서의 실시간 데이터, 그리고 밸브 개폐 정도, 펌프 속도 또는 초크 개방도와 같은 제어 변수의 형태로 제공됩니다. 이 모든 입력값들이 물리적으로 진화하는 시스템의 작동을 정의합니다.

워크플로우 내의 핵심 구성 요소는 FNO와 Neural operator 모델을 통해 구현된 PINO입니다. 제안된 방법은 입력과 출력 사이의 점별 매핑(pointwise mapping)에 집중하는 경향이 있는 전통적인 신경망과 달리, 함수 공간 간의 연산자를 학습하기 위해 뉴럴 연산자(neural operators)를 사용한다는 점에서 차별화됩니다. 이 단계에서 FNO는 푸리에 영역을 사용하여 전역적인 공간 관계를 포착할 수 있으며, Neural operator 모델은 브랜치(branch) 및 트렁크(trunk) 네트워크를 모두 사용하여 연산자 표현을 학습할 수 있습니다. 학습된 모델은 예측된 동역학이 다상 유동에서 예상대로 작동하도록 물리적 제약 조건에 의해 가이드됩니다. 뉴럴 연산자의 결과물은 전체 생산 네트워크에 대한 압력, 유량, 상 분포와 같은 주요 물리적 변수의 연속 필드 해(continuous field solution) 형태로 나타납니다. 또한, 출력값은 센서와 같은 특정 지점에서 측정되는 것이 아니라 우물, 파이프라인 및 기타 연결된 장치를 포함한 전체 필드에 대해 정확합니다. 이러한 방식으로 뉴럴 연산자의 출력은 편미분 방정식을 반드시 풀지 않고도 그 해를 근사할 수 있는 매우 정확한 시뮬레이션을 신속하게 생성하는 기능을 제공합니다. 이 해는 디지털 트윈에서 고속 솔루션(fast solution)의 역할을 합니다.

뉴럴 오퍼레이터 학습 과정은 오일 및 가스 생산 공정에서 추출한 함수 레벨 및 시스템 레벨 특징을 사용합니다. 이러한 특징은 주로 오일 및 가스 생산을 위한 물리적 상태 변수로 구성되며, 이는 온도, 유량, 압력, 그리고 오일, 가스, 물의 상분율과 같은 연속장(continuous fields)입니다. 또한 특징에는 입구 압력, 유량 및 밸브 위치를 포함하는 경계 조건이 포함됩니다. 서로 다른 운전 시나리오 하에서의 응답을 예측하기 위해 초크 밸브의 위치와 펌프 속도를 포함하는 제어 입력 또한 고려됩니다. 뉴럴 오퍼레이터 모델은 물리적 특징과 제어 파라미터를 전달받으며, 이는 트렁크(trunk) 및 브랜치(branch) 네트워크에 의해 처리됩니다. 이러한 특징들은 뉴럴 오퍼레이터가 빠른 디지털 트윈 시뮬레이션을 위해 물리적 공정과 운전 요인 모두에 의존하는 정확한 오퍼레이터 관계를 예측하는 데 필요한 충분한 정보를 제공합니다.

푸리에 신경 연산자 (Fourier neural operator, FNO)

본 연구에서는 오일 및 가스 생산 시스템의 비선형 다상 유동 역학을 설명하는 연산자 매핑을 효과적으로 추정하기 위해 푸리에 신경 연산자(Fourier Neural Operator, FNO)36를 사용합니다. 특정 지점 집합에 대한 입력-출력 매핑을 근사하는 전통적인 신경망과 달리, 제안된 FNO는 함수 공간 간의 매핑을 근사함으로써 시스템의 다양한 스케일과 구성에 대한 일반화를 가능하게 합니다. 이 경우 FNO는 시스템 상태 표현을 원래 공간에서 푸리에 도메인으로 이동시켜 작동하며, 여기에서 스펙트럼 컨볼루션을 효과적으로 적용하여 시스템 내에 존재하는 전역적 공간 의존성을 포착할 수 있습니다. 구체적으로, 입력 상태 표현은 고차원 잠재 공간으로 투영되며, 푸리에 변환, 스펙트럼 커널 및 활성화 함수를 사용하여 변환과 활성화가 반복적으로 적용됩니다. 푸리에 신경 연산자의 수학적 평가에 대해서는 보충 파일 (S4.1)을 참조하시기 바랍니다.

신경 연산자 모델

뉴럴 오퍼레이터 모델37은 석유 및 가스 생산 역학을 정의하는 비선형 물리 오퍼레이터를 근사하기 위한 뉴럴 오퍼레이터 프로세스 내의 대안적 접근 방식으로 작용합니다. 뉴럴 오퍼레이터 모델에 대한 자세한 설명은 보충 파일 (S4.2)에 기술되어 있습니다(알고리즘 1: 디지털 트윈을 위한 뉴럴 오퍼레이터를 이용한 물리 학습 알고리즘은 보충 파일 S10을 참조하십시오).

따라서 신경 연산자(neural operator)를 사용하는 제안된 접근 방식은 입력과 출력의 쌍으로 된 예시를 수집하는 것부터 시작하며, 여기서 입력은 시스템 경계값, 제어 변수 또는 물리적 특성 형태의 시스템 조건 예시입니다. 신경 연산자는 입력 함수에 대한 응답을 예측하고, 평균 제곱 오차(mean squared error) 함수를 사용하여 예측값과 실제 응답 사이의 편차를 지속적으로 개선하는 반복 단계에서 훈련됩니다. 이러한 접근 방식은 경사하강법(gradients) 기반의 최적화로 이어지며, 이를 통해 신경 연산자는 시스템 동작을 정의하는 시스템 물리 연산자를 찾아냅니다. 결과적으로 훈련된 시스템은 다양한 입력 조건에 대한 시스템 응답을 효율적으로 예측할 수 있습니다.

시공간 시스템 모델링

제안된 디지털 트윈 아키텍처38에서, 석유 및 가스 생산 공정은 시공간 그래프로 표현되었습니다. 이는 분산된 생산 자원의 연결성뿐만 아니라 시간적 진화 과정을 개념화하기 위해 수행되었습니다.

석유 및 가스 생산 공정은 우물, 파이프라인 인프라 및 센서 측면에서 본질적으로 분산된 구조를 갖습니다. 이러한 공정의 공간적/시간적 관계를 효율적으로 포착하기 위해, 본 논문에서 개발한 디지털 트윈 접근 방식은 시공간 그래프 신경망(ST-GNN)을 활용합니다. 이 접근 방식에서 시스템 엔티티는 그래프 노드로 표현되며, 시스템의 공간적/기능적 관계는 그래프 엣지로 표시됩니다. 시간적 관계는 시스템 상태 전이 및 이상 징후를 효율적으로 예측하기 위해 윈도잉 함수(windowing functions)로 표현됩니다. 다음을 참조하십시오. 보충 파일 (S5) 시공간 그래프 신경망(Spatio-Temporal Graph Neural Network, ST-GNN)에 대한 상세 설명.

Neural 4D VAR를 이용한 디지털 트윈 동기화

디지털 트윈 동기화는 실시간 센서 측정값을 기반으로, 끊임없이 변화하는 물리적 오일 및 가스 생산 환경과 가상 트윈을 지속적으로 동기화하는 것으로 정의할 수 있다. 실제로 디지털 트윈은 물리적 시스템 역학에 대한 이해를 바탕으로 압력, 유량, 온도와 같은 시스템 상태에 대한 예측을 수행한다. 그럼에도 불구하고 불확실성과 센서 노이즈로 인해 예측값과 측정값 사이에 필연적인 차이가 발생한다. 이러한 이유로 예측값을 실제 측정값과 동기화하기 위해, 본 연구에서는 예측값을 물리적 측정값과 자기 일관되게 만들기 위한 ‘데이터 동화’라는 또 다른 방법을 도입하였다. 노이즈가 많고 희소한 센서 관측 조건에서도 물리적 공정과 디지털 트윈의 동기화를 보장하기 위해 뉴럴 4D-Var 데이터 동화 방법이 통합되었다. 추가된 구성 요소는 동화 윈도우 내에서 센서 측정값과 모델 예측값 사이의 격차를 줄이는 것을 목표로 한다. 미분 가능성을 활용하는 뉴럴 4D-Var 방법은 엔드-투-엔드 학습을 제공하며 디지털 트윈 상태를 온라인으로 수정할 수 있게 한다(참조 보충 파일 (S6) 신경망 기반 4차원 변분 데이터 동화(Neural 4D-Var Data Assimilation)를 위한, 보충 파일 (S10) 알고리즘 2: 뉴럴 4D-Var를 이용한 디지털 트윈 동기화 및 참조 대상 보충 파일 (S11) 하이퍼파라미터 및 훈련 세부 사항 참조).

이상 탐지 및 진단

모의 오일 및 가스 데이터 세트에서는 15%를 초과하는 압력 강하, 비정상적인 유량 급증 및 밸브 오작동과 같은 제어된 섭동을 도입하여 이상치를 주입했습니다. 설정된 임계값을 초과하거나 기준 통계 분포에서 벗어난 데이터 포인트는 이상치로 식별됩니다. 이상 탐지 프레임워크(Anomaly Detection Framework)의 수학적 공식화를 위해 (보충 파일 S7).

폐루프 최적화 및 제어

제안된 시스템에서는 조화로운 DT와 최적화를 위한 강화 학습 모듈을 통합함으로써 폐루프 제어를 달성할 수 있습니다. 디지털 트윈 부분에서, 디지털 트윈은 다양한 밸브의 위치, 펌프 속도 또는 유량 제어와 같은 다양한 조건 하에서 석유 및 가스 생산 공정의 미래 동작을 예측합니다. 이를 통해 제어 에이전트가 원하는 동작을 실제 공정에서 구현하지 않고도 그 결과를 평가할 수 있는 안전 영역을 구축할 수 있습니다. 따라서 디지털 트윈이 제공하는 예측을 활용함으로써, 강화 학습 모듈은 공정 제약의 제한 없이 공정 효율, 에너지 사용 및 공정 안정성을 포함한 운전 목표를 최적화할 수 있습니다. 폐루프 최적화 및 제어의 수학적 설명은 보충 파일 (S8)을 참조하십시오.

지속적인 학습 및 적응

산업 시스템은 장비의 노후화, 시간에 따라 변하는 운전 조건, 그리고 예측 불가능한 외란이 존재하는 비정상 상태(non-stationary) 환경에 직면해 있습니다. 이를 위한 접근 방식을 설계하기 위해, 제안된 디지털 트윈 모델에는 증분 학습(incremental learning)을 기반으로 뉴럴 오퍼레이터, 그래프 모델 및 정책을 업그레이드하는 지속 학습 컴포넌트가 포함됩니다. 주요 변동 사항이나 식별되지 않은 패턴이 관찰되면, 새로운 데이터를 통합하고 디지털 트윈 모델과 관련된 파라미터를 조정함으로써 학습이 촉진됩니다.

지속적 학습은 시스템이 새롭거나 이례적인 행동 패턴을 식별하는 데 도움을 주기 때문에 제어 정책과 이상 탐지 모두의 강건성을 향상시킵니다. 제어 결과의 이상치로부터 얻은 피드백은 모델을 조정하고 강화 학습 정책을 최적화하는 데 적용되며, 이를 통해 시스템이 계속해서 변화하고 진화함에 따라 효과적인 의사 결정 프로세스를 보장합니다. 이러한 적응형 학습 프로세스는 디지털 트윈을 단순한 수동적 관찰자에서, 엄격하고 효율적인 기술 인프라 환경을 통해 복잡한 석유 및 가스 생산 시스템의 실시간 최적화 프로세스를 장기간 유지할 수 있는 지능형 시스템으로 변화시킵니다. 표 3은 모델 아키텍처와 하이퍼파라미터를 보여줍니다.

지속적 학습 적응(Continuous Learning Adaptation)의 수학적 공식은 보충 파일 (S9)을 참조하십시오.

데이터 전처리 모듈은 가공되지 않은 센서 데이터를 하위 학습 모듈에 적합한 구조화 및 정규화된 입력값으로 변환하는 역할을 합니다. 구체적으로, 이 모듈은 과거의 센서 측정값을 집계하고, 노이즈를 제거하며, 특성을 표준화하여 일관된 데이터 품질을 보장합니다. 이렇게 처리된 데이터는 경계 조건 및 제어 입력과 함께 물리 정보 기반 신경 연산자 모듈(FNO/Neural operator model)에 입력으로 제공되며, 이 모듈은 기저의 비선형 물리 관계를 학습하여 연속적인 시스템 상태 추정값을 생성합니다. 추정된 시스템 상태는 이후 제어 최적화 모듈에서 제어 전략을 동적으로 업데이트하는 데 활용됩니다. 최적화된 제어 출력은 의사 결정 모듈로 전달되며, 이 모듈은 결과를 해석하여 시스템 운영을 위한 실행 가능한 결정을 생성합니다. 새롭게 관찰된 데이터를 기반으로 시스템을 지속적으로 업데이트하여 시간이 지남에 따라 적응성과 성능을 향상시키기 위한 피드백 메커니즘이 통합되어 있습니다. 명확성과 재현성을 높이기 위해 모듈 간의 상호작용을 보여주는 시스템 레벨 아키텍처가 제시됩니다. 제안된 시스템은 데이터 전처리, 물리 정보 기반 신경 연산자 모델링, 제어 최적화, 의사 결정의 네 가지 주요 구성 요소로 이루어져 있습니다. 이러한 모듈들은 잘 정의된 입력-출력 인터페이스를 통해 서로 연결되어, 전체 디지털 트윈 시스템 전반에서 원활한 데이터 흐름, 반복 학습 및 조정된 운영을 보장합니다.

데이터 처리 흐름도: 입력 전처리, 신경망, 최적화, 의사 결정, 피드백 루프.
그림 3: 전체 시스템 수준 제어 최적화 아키텍처 흐름도. 제안된 연구의 전체 시스템 아키텍처를 보여준다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

시스템 아키텍처는 석유 및 가스 생산 시스템의 복잡한 비선형 물리 역학을 모델링하고 최적화하는 데 사용할 수 있는 모델의 전체적인 모습을 보여줍니다. 이는 우선 시뮬레이션에 사용되는 파라미터와 물리적 환경을 나타내는 데 사용되는 경계 조건을 포함하는 입력 데이터에서 시작됩니다. 이 데이터는 먼저 데이터 전처리 모듈을 거치며, 여기서 정규화와 특징 추출이 수행됩니다. 이를 통해 다음 모듈인 뉴럴 오퍼레이터, FNO 및 뉴럴 오퍼레이터 모델에서 사용할 수 있도록 데이터를 준비합니다. 이 모델들은 시스템 상태를 예측하는 데 사용되며, 이 정보는 최적화 모듈을 통해 시스템 파라미터를 최적화하는 데 활용됩니다. 최적화된 결과는 이후 의사 결정 모듈을 통해 의사 결정에 사용됩니다. 이 모듈은 시스템의 효율성을 결정하는 데 도움을 줍니다. 또한, 이 프레임워크에는 최적화 프로세스 결과가 그림 3에 표시되는 출력 결과가 포함됩니다. 아울러 피드백 루프가 포함되어 있어, 출력 결과 이후의 데이터가 다시 전처리 모듈을 거치게 됩니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

물리 정보 신경 연산자(physics-informed neural operators)의 유효성을 검증하기 위해, 비선형 다상 유동 시스템의 역학 모델링에서 FNO와 신경 연산자 모델의 성능을 비교하는 추가 성능 테스트를 수행하였습니다. 결과에 따르면 FNO는 전역적 공간 일관성에서 더 나은 성능을 보인 반면, 신경 연산자 모델은 불균일한 입력에 대한 적응성에서 더 우수한 성능을 보였습니다.

제안된 디지털 트윈 프레임워크의 효과적인 학습 및 평가를 보장하기 위해, 모든 실험은 고성능 컴퓨팅 환경에서 수행되었습니다. 구현을 위한 주 프로그래밍 언어로는 Python이 사용되었습니다. physics-informed neural operators, spatiotemporal graph neural networks 및 강화 학습 모듈과 같은 딥러닝 모델을 구축하기 위해 CUDA로 GPU 가속이 활성화된 대중적인 딥러닝 프레임워크와 최적화된 심층 신경망 라이브러리가 사용되었습니다. 대규모 다...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구의 결과는 광범위한 CPS에 대해 실시간 모니터링, 탐지 및 제어 최적화 능력을 향상시키는 데 있어 개발된 제어 인지 디지털 트윈의 효과를 입증합니다. 기존의 모니터링 모델과 비교했을 때, PINO와 그래프 신경망의 조합은 노이즈가 있는 시스템에서도 상태 추정 정확도 측면에서 더 효과적입니다. 이러한 결과는 디지털 트윈의 고급 머신러닝 모델이 시스템 내 예측 및 탐지 측면에서 더 효과적이기 때문에 나타납니다39.

커리큘럼 학습을 사용하는 디지털 트윈 이상 탐지기나 인과 표현 모델과 같은 기존의 이상 탐지 솔루션과 비교했을 때, 문헌에서 얻은 결과들을 대조해 보면 제안된 방법이 경쟁력 있는 성능을 달성할 수 있음을 알 수 있습니다. 예를 들어, 커리큘럼 학습을 적용한 디지털 트윈 기반 이상 탐지기는 CPS 테스트베드에서 F1-score의 완만한 향상을 가능하게 했으며, 이는 학습 패러다임이 탐지 프로세스의 효율성에 영향을 미칠 수 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해관계의 충돌이 없습니다.

감사의 글

저자들은 본 연구를 수행하는 동안 중국 Karamay 소재 CNPC Xinjiang Oilfield Company의 Data Company 및 Production Command Department에서 제공한 기술적 및 제도적 지원에 감사드립니다. 본 연구를 위해 수령한 외부 연구비는 없습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
CPU (Intel Xeon / AMD Ryzen)Intel / AMDXeon / Ryzen 시리즈시스템 시뮬레이션, 데이터 전처리 및 일반 계산에 사용됨
딥러닝 프레임워크 (PyTorch 2.0)Meta AI (PyTorch)https://pytorch.org

RRID:SCR_018536		신경망 구현, 최적화 및 학습 파이프라인 구축에 사용됨
심층 신경망 라이브러리 (cuDNN 8.x)NVIDIA cuDNNcuDNN 8.xGPU에서의 딥러닝 연산을 위한 최적화된 프리미티브(primitives)를 제공함
DeepONet해당 없음https://arxiv.org/abs/1910.03193스크립트 내에서 "neural operator model"로 지칭됨
GPU (NVIDIA RTX 4090)NVIDIARTX 4090뉴럴 오퍼레이터, ST-GNN 및 강화 학습 구성 요소를 포함한 딥러닝 모델 학습에 사용됨
GPU 가속 (CUDA 11.8)NVIDIA CUDACUDA 11.8
RRID:SCR_018131  		고성능 모델 학습을 위한 GPU 기반 병렬 연산을 가능하게 함
리눅스 배포판 (버전 22.04 LTS)Canonical (Ubuntu)https://ubuntu.com/download; RRID:SCR_018127실험 수행 및 모델 배포에 사용되는 운영 체제
운영 체제 (Ubuntu 22.04 LTS)Canonical (Ubuntu)https://ubuntu.com/download

RRID:SCR_018127		모든 실험 및 모델 배포를 위한 실행 환경을 제공함
최적화 알고리즘 (Adam Optimizer)해당 없음https://arxiv.org/abs/1412.6980적응형 학습률 최적화를 통한 모델 학습에 사용됨
최적화된 심층 신경망 라이브러리 (버전 8.x) NVIDIA cuDNNhttps://developer.nvidia.com/cudnn

RRID:SCR_018131		심층 신경망 연산을 위한 최적화된 GPU 가속 프리미티브를 제공함
프로그래밍 언어 (Python 3.10)Python Software Foundationhttps://www.python.org/downloads

RRID:SCR_008394		구현 및 실험에 사용된 핵심 프로그래밍 언어
시스템 메모리 (≥ 64 GB RAM)Corsair / Kingston / Crucialhttps://www.corsair.com / https://www.kingston.com / https://www.crucial.com고차원 다변량 시계열 데이터 처리 및 대규모 모델 학습을 지원함

참고문헌

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. Wang C, Wang C, Wang K. Technology research and standard development of predictive maintenance for intelligent manufacturing equipment. China Standardization. 2021;2:15–21.
  8. Ren S, Zhang Y, Huang B. Lifecycle big-data-driven smart manufacturing services for complex products. J Mech Eng. 2018;54:194–203.
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. Bhowmik S. Digital twin for offshore pipeline corrosion monitoring: A deep learning approach. In: Proc Offshore Technology Conf. 2021. D041S049R003.
  16. 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
  17. Homaei M, et al. Causal digital twins for cyber-physical security: A framework for robust anomaly detection in industrial control systems. arXiv. 2025.
  18. 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.
  19. Sudhakar R. Robust digital twin approach towards operational excellence and sustainability goals. In: Proc Abu Dhabi Int Petroleum Exhibition Conf. 2023.
  20. 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
  21. Daher E. Digital safety trends in oil and gas. In: Proc SPE Asia Pacific Oil and Gas Conf. 2023.
  22. 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
  23. 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
  24. 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
  25. 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
  26. Lu L, Jin P, Karniadakis GE. Deep operator network: Learning nonlinear operators for identifying differential equations. arXiv. 2019.
  27. 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
  28. Huang Z, et al. Survey on AI-driven digital twins in Industry 4.0. Sensors. 2021;21:6340. https://doi.org/10.3390/s21196340
  29. 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
  30. Khisty VH. SCADA systems in oil and gas: Driving innovation and efficiency. Int J Res Appl Sci Eng Technol. 2024;12:96–107.
  31. 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
  32. 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
  33. 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
  34. 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
  35. Li Z, et al. Fourier neural operator for parametric PDEs. arXiv. 2020.
  36. Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks. arXiv. 2017.
  37. Wu H, et al. Review of digital twins across processes. Sensors. 2023;23:8306. https://doi.org/10.3390/s23198306
  38. 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
  39. Ogbodo CO, et al. Adaptive sensor steering using reinforcement learning. Proc R Soc A. 2026;482:2329.
  40. 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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

생산 최적화시공간 그래프 네트워크신경 데이터 동화강화 학습 제어물리 정보 신경 연산자이상 탐지상태 추정
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.