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

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 있습니다^1,2,3,4,5. 산업 시스템의 디지털 전환은 반응형 유지보수에서 지능형 데이터 기반 의사결정으로 전환됨에 따라 이상 탐지, 고장 예측 및 시스템 신뢰성을 향상시켰습니다^6,7,8. 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 왔습니다^12,13,14,15.

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 제공합니다^19,20. 특히 석유 및 가스와 같은 고위험 산업에서^21,22,23, 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 보여줍니다^26,27,28,29. 석유 및 가스 생산 시스템의 높은 운영 위험과 복잡한 역학으로 인해, 전통적인 유지보수 방법은 즉각적인 이상 식별 및 대응에 부족한 경우가 많습니다^30,31,32,33. 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.

프로토콜

본 연구는 인간 참여자나 동물 피험자를 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 시스템 및 제어의 지속적인 평가와 최적화를 통합할 수 있는 제어 인지형 디지털 트윈을 구축합니다. 먼저, 지리적으로 분산된 생산 인프라로부터 실시간 다중 모달 센서 데이터를 수집하고, 생산 구성 요소 간의 연결성과 상호작용을 정의하는 그래프 구조를 사용하여 모델링합니다. 그 다음, 비선형 다상 유동을 지배하는 지배 방정식의 연산자 수준 근사치를 구축하기 위해 물리학 기반 신경 연산자를 활용하여 디지털 트윈 내에서 확장 가능한 시뮬레이션을 가능하게 합니다. 본 연구에서는 '신경 연산자 모델'이라는 용어를 딥 오퍼레이터 네트워크(Deep Operator Network)를 지칭하는 데 사용하였습니다. 지리적으로 분산된 생산 자산 간의 공간적 및 시간적 의존성을 통합하기 위해, 물리학 기반 표현 내에서 시공간 그래프 신경망을 학습시킵니다. 신경 4DVAR를 활용한 미분 가능한 데이터 동화 접근 방식을 적용하여, 노이즈가 있고 공간적으로 불규칙한 측정값만으로도 디지털 트윈 시뮬레이션 예측을 실시간 모니터링 데이터와 일관되게 유지하고 동기화합니다. 실시간으로 동기화된 디지털 트윈 위에, 실시간 제어를 위한 강화 학습 기반 최적화 도구를 학습시킵니다. 마지막으로, 이 디지털 트윈은 새롭게 가용한 측정값의 지속적인 업데이트를 바탕으로 모델을 지속적으로 갱신하고 장기간에 걸쳐 적응형 확장성을 유지할 수 있도록 설계되었습니다.

제안된 디지털 트윈 아키텍처는 기존의 디지털 트윈 아키텍처에 지능, 적응성 및 제어 인식 기능을 추가하여 이를 개선한 것입니다. 전체 파이프라인은 (i) 데이터 수집/그래프 구축, (ii) 뉴럴 오퍼레이터 및 ST-GNN을 이용한 상태 추정, (iii) 잔차 기반 분석을 통한 이상 탐지, (iv) 강화 학습 기반 제어의 네 가지 모듈로 구성됩니다.

그림 1: 전반적인 제어 인식 디지털 트윈 아키텍처. 이상 탐지, 시공간 그래프 신경망, 신경 4D-Var 동기화, 물리 기반 신경 연산자 및 강화 학습 기반 폐루프 제어가 석유 및 가스 생산 시스템을 위해 제안된 제어 인식 디지털 트윈 모델에 모두 통합되어 있다. 여기에서 이 그림의 더 큰 버전을 확인하십시오.

그림 1은 폐루프 사이버 물리 시스템으로서 오일 및 가스 생산 제어 인지 디지털 트윈의 기능적 프로세스를 나타냅니다. 기능적 프로세스는 오일 및 가스 생산 시스템 수준에서 시작되며, 유정, 파이프라인, 밸브 및 처리 장치에 분산된 다양한 센서가 특정 시점의 압력, 유량, 온도 및 제어 데이터를 캡처합니다. 다양한 센서가 여러 형식으로 데이터를 캡처하여 디지털 트윈으로 전송하며, 이는 해당 시점의 조직 인지를 위한 토대를 구축합니다.

제안된 방법론은 다음과 같은 후속 단계로 구성됩니다:

데이터 수집

압력, 유량, 온도 및 제어 입력에 관한 센서의 실시간 정보가 오일 및 가스 생산 환경에서 수집됩니다. 강건성과 일반화 성능을 확인하기 위해 SWAT 및 WADI와 같은 다른 벤치마크 데이터셋이 사용됩니다. 재현성을 보장하기 위해, 제안된 방법론의 각 단계는 기술적 세부 사항을 사용하여 명시됩니다.

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

산업 제어 시스템 연구 분야의 두 가지 공개 벤치마크 산업 제어 시스템 데이터셋인 Secure Water Treatment (SWaT) 및 Water Distribution (WADI) 벤치마크 데이터셋³⁴을 사용하여, 복잡하고 고차원적인 시계열 데이터 및 비정상 이벤트에 대한 개념적 디지털 트윈의 성능을 입증합니다. 두 데이터셋 모두 실제 사이버 물리 테스트베드에서 유도되었으며, 해당 시스템에서 발생한 정상 및 이상/공격 시나리오 모두에 대한 다변량 센서 및 액추에이터 작동 데이터를 포함하고 있습니다. SWaT 및 WADI 데이터셋을 사용함으로써 도메인 간 테스트가 가능하며, 사이버 물리 테스트베드를 넘어 위치 및 시간 관련 의존성이 있는 더 광범위한 분산 산업 시스템으로의 일반화 가능성을 입증할 수 있습니다. 데이터셋 설명은 Table 2에 표시되어 있습니다.

제안된 연구에서는 표 2에 제시된 바와 같이, 개발된 디지털 트윈 방법론의 광범위한 평가를 위해 세 가지 서로 다른 데이터 세트를 활용합니다. 기본 데이터 세트는 석유 및 가스 제조 생산 조직과 관련된 시뮬레이션 데이터로 구성되어 있으며, 시스템에서 감지된 실제 운전 측정값뿐만 아니라 제어 및/또는 결함 조건을 재현하기 위한 것입니다. 또한, 축소 규모의 물리적 시스템 예시로 Secure Water Treatment (SWaT) 데이터 세트를 도입하였으며, 이는 정상 상태와 인위적으로 생성된 이상 및 공격을 모두 포함하여 약 11일 동안 51개의 센서와 액추에이터에서 측정된 값들로 구성됩니다. 이 데이터 세트는 연구를 위한 표준 벤치마크로 널리 인정받고 있습니다. 또 다른 세트는 Water Distribution (WADI) 데이터 세트로, 16일 동안 다양한 공격 및 정상 운전 조건을 포함하여 약 123개의 변수로 구성된 축소 규모의 용수 공급 시스템의 동작을 포착한 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, 데이터 품질, 일관성 및 재현성을 보장하기 위해 모든 데이터셋에 대해 철저한 전처리 과정을 거칩니다. 전처리 절차에는 결측치 처리, 노이즈 필터링, 정규화 및 피처 스케일링 등이 포함됩니다. 상세한 전처리 파이프라인은 보충 파일 (S2)에 기술되어 있습니다.

시스템 그래프 구축

제안된 방법론에서 석유 및 가스의 물리적 생산 시스템은 그래프 형태로 표현되며, 이는 자산 간의 공간적 상관관계와 시간에 따른 시스템 상태의 역학을 설명하는 수학적 구조 역할을 합니다(시스템 그래프 구성 공식은 보조 파일 (S3)를 참조하십시오).

뉴럴 오퍼레이터를 이용한 물리 학습

다상 유동 시스템의 비선형 및 다차원 특성을 정확하게 표현하기 위해, 제안된 접근 방식은 푸리에 신경 연산자(Fourier Neural Operators, FNO) 및 신경 연산자 모델 형태의 물리 정보 기반 연산자를 사용합니다. 신경망을 점별 매핑으로 표현하는 전통적인 방법과 달리, 연산자 개념은 서로 다른 경계 조건에 대한 일반화를 가능하게 합니다. 물리적 현상이 연속적으로 발생하기 때문에 이러한 특징은 석유 및 가스 생산에 사용되는 다상 유동 시스템에 이 방법이 더 적합하게 만듭니다. 신경 연산자의 수학적 방정식은 보충 파일 (S4)를 참조하십시오.

물리 정보 신경 연산자(physics-informed neural operators)의 타당성을 추가로 평가하기 위해, 서로 다른 유동 상태와 제어 입력 하에서 비선형 연산자 매핑을 근사화하는 능력을 평가하는 추가 실험을 수행하였습니다. 그 결과, 해당 연산자들이 비선형 연산자의 매핑을 정확하게 근사화할 수 있음이 나타났으며, 이를 통해 특히 고차원 환경에서 다른 솔버(solver)보다 낮은 계산 비용으로 시스템의 동역학을 정확하게 모델링할 수 있는 연산자의 능력이 검증되었습니다. 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 보여주었습니다.

그림 2: 물리 정보 신경 연산자(physics-informed neural operator) 프레임워크의 워크플로우. 물리 정보 신경 연산자 워크플로우의 예시는 제어 입력, 센서 데이터 및 경계 조건이 비선형 다상 유동 역학을 학습하고 신속한 연산자 수준의 시스템 예측을 생성하는 데 어떻게 사용되는지를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 2에 제시된 PINO 작동 프로세스에서, 오일 및 가스 공정의 물리적으로 복잡한 비선형 다상 유동에 대한 학습 과정은 연속적인 방식으로 이루어집니다. 이는 모델이 물리적으로 진화하는 시스템에 대한 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 개폐와 같은 제어 변수의 형태로 제공됩니다. 이 모든 입력값들이 물리적으로 진화하는 시스템의 운전을 정의합니다.

워크플로 내의 핵심 구성 요소는 FNO 및 Neural operator 모델을 통해 구현된 PINO입니다. 제안된 방법은 입력과 출력 사이의 포인트별 매핑에 집중하는 경향이 있는 전통적인 신경망과 달리, 함수 공간 간의 연산자를 학습하기 위해 뉴럴 연산자(neural operators)를 사용한다는 점에서 차별화됩니다. 이 단계에서 FNO는 푸리에 도메인을 사용하여 전역적인 공간 관계를 포착할 수 있으며, Neural operator 모델은 브랜치 및 트렁크 네트워크를 모두 사용하여 연산자 표현을 학습할 수 있습니다. 학습된 모델은 물리적 제약 조건의 안내를 받아, 예측된 동역학이 다상 유동에서 예상대로 작동하도록 보장합니다. 뉴럴 연산자의 결과는 전체 생산 네트워크에 대한 압력, 유량 및 상 분포와 같은 주요 물리적 변수의 연속 필드 솔루션 형태로 나타납니다. 또한 출력값은 센서와 같은 특정 지점에서 측정되는 것이 아니라, 유정, 파이프라인 및 기타 연결된 유닛을 포함한 전체 필드에 대해 정확하게 산출됩니다. 이러한 방식으로 뉴럴 연산자의 출력은 편미분 방정식을 반드시 풀지 않고도 그 해에 근접한 매우 정확한 시뮬레이션을 신속하게 생성하는 기능을 제공합니다. 이 솔루션은 디지털 트윈에서 고속 솔루션의 역할을 수행합니다.

뉴럴 오퍼레이터(neural operator) 학습 과정은 석유 및 가스 생산 공정에서 추출한 함수 수준 및 시스템 수준의 특징을 활용합니다. 이 특징들은 주로 석유 및 가스 생산을 위한 물리적 상태 변수로 구성되며, 여기에는 온도, 유량, 압력, 그리고 석유, 가스 및 물의 상 분율과 같은 연속 필드가 포함됩니다. 또한 특징에는 입구 압력, 유량 및 밸브 위치를 포함하는 경계 조건이 포함됩니다. 서로 다른 운전 시나리오에서의 응답을 예측하기 위해 초크 밸브 위치 및 펌프 속도를 포함하는 제어 입력 또한 고려됩니다. 뉴럴 오퍼레이터 모델은 물리적 특징과 제어 파라미터를 입력받으며, 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 규모와 구성에 대한 일반화를 가능하게 합니다. 이 경우 FNO는 시스템 상태 표현을 원래 공간에서 푸리에 도메인으로 이동시켜 작동하며, 이곳에서 스펙트럼 컨볼루션을 효과적으로 적용하여 시스템 내에 존재하는 전역적 공간 의존성을 포착합니다. 이때 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 참조하십시오.

뉴럴 오퍼레이터 모델

뉴럴 오퍼레이터 모델³⁷은 석유 및 가스 생산 역학을 정의하는 비선형 물리 연산자를 근사하기 위해 뉴럴 오퍼레이터 프로세스 내에서 대안적인 접근 방식으로 작용합니다. 뉴럴 오퍼레이터 모델에 대한 상세한 설명은 보충 파일 (S4.2)에 기술되어 있습니다(알고리즘 1: 디지털 트윈을 위한 뉴럴 오퍼레이터 기반 물리 학습 알고리즘은 보충 파일 S10을 참조하십시오).

따라서 신경 연산자(neural operators)를 사용하는 제안된 접근 방식은 우선 입력과 출력의 쌍으로 구성된 예시 데이터를 수집하는 것부터 시작하며, 여기서 입력은 시스템 경계값, 제어 변수 또는 물리적 특성 형태의 시스템 조건 예시입니다. 신경 연산자는 반복 단계에서 훈련되며, 입력 함수에 대한 응답을 예측하고 평균 제곱 오차(mean squared error) 함수를 사용하여 예측값과 실제 응답 사이의 편차를 지속적으로 개선합니다. 이러한 접근 방식은 경사하강법(gradients) 기반의 최적화로 이어지며, 이를 통해 신경 연산자는 시스템 동작을 정의하는 체계적인 물리 연산자를 찾아냅니다. 이렇게 훈련된 시스템은 다양한 입력 조건에 따른 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.

오일 및 가스 생산 공정은 유정, 파이프라인 인프라 및 센서 측면에서 본질적으로 분산된 구조를 갖습니다. 이러한 공정의 시공간적 관계를 효율적으로 포착하기 위해, 본 논문에서 개발된 디지털 트윈 접근 방식은 시공간 그래프 신경망(ST-GNN)을 활용합니다. 이 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) 형태로 표현됩니다. 시공간 그래프 신경망(ST-GNN)에 대한 자세한 설명은 보충 파일 (S5)를 참조하십시오.

Neural 4D VAR를 이용한 디지털 트윈 동기화

디지털 트윈 동기화는 실시간 센서 판독값을 기반으로, 끊임없이 변화하는 물리적 석유 및 가스 생산 환경과 가상 트윈을 지속적으로 동기화하는 것으로 정의할 수 있습니다. 실제로 디지털 트윈은 물리적 시스템 역학에 대한 이해를 바탕으로 압력, 유량, 온도와 같은 시스템 상태에 대한 예측을 수행합니다. 그럼에도 불구하고 불확실성과 센서 노이즈로 인해 예측값과 측정값 사이에 불가피한 편차가 발생합니다. 이러한 이유로 예측값을 실제 측정값과 동기화하기 위해, 본 연구에서는 예측값이 물리적 측정값과 자기 일관성을 갖도록 하는 ‘데이터 동화(data assimilation)’라는 또 다른 방법을 도입하였습니다. 노이즈가 많고 희소한 센서 관측 환경에서도 물리적 공정과 디지털 트윈의 동기화를 보장하기 위해 뉴럴 4D-Var 데이터 동화 방법이 통합되었습니다. 추가된 구성 요소는 동화 윈도우 내에서 센서 측정값과 모델 예측값 사이의 격차를 줄이는 것을 목표로 합니다. 미분 가능성을 활용하는 뉴럴 4D-Var 방법은 엔드 투 엔드 학습을 제공하며 디지털 트윈 상태를 온라인으로 수정할 수 있게 합니다(뉴럴 4D-Var 데이터 동화는 보충 파일 (S6), 뉴럴 4D-Var를 이용한 디지털 트윈 동기화 알고리즘 2는 보충 파일 (S10), 하이퍼파라미터 및 학습 세부 사항은 보충 파일 (S11)을 참조하십시오).

이상 탐지 및 진단

모의 오일 및 가스 데이터 세트에서는 15%를 초과하는 압력 강하, 비정상적인 유량 급증, 밸브 오작동과 같은 제어된 섭동을 도입하여 이상치를 주입하였습니다. 설정된 임계값을 초과하거나 기준 통계 분포에서 벗어난 데이터 포인트는 이상치로 식별됩니다. 이상 탐지 프레임워크의 수학적 공식은 (보충 파일, S7)을 참조하십시오.

폐루프 최적화 및 제어

제안된 시스템에서는 조화로운 DT(디지털 트윈)와 최적화를 위한 강화 학습 모듈을 통합함으로써 폐루프 제어를 구현할 수 있습니다. 디지털 트윈 부분에서, 디지털 트윈은 다양한 밸브 배치, 펌프 속도 또는 유량 제어와 같은 다양한 조건하에서 석유 및 가스 생산 공정의 미래 거동을 예측합니다. 이를 통해 제어 에이전트가 실제 공정에서 실행하지 않고도 원하는 동작의 결과를 평가할 수 있는 안전 영역을 구축할 수 있습니다. 따라서 디지털 트윈이 제공하는 예측을 활용함으로써, 강화 학습 모듈은 공정 제약에 제한받지 않고 공정 효율성, 에너지 사용 및 공정 안정성을 포함한 운영 목표를 최적화할 수 있습니다. 폐루프 최적화 및 제어의 수학적 설명은 보충 파일 (S8)을 참조하십시오.

지속적인 학습 및 적응

산업 시스템은 장비 노후화, 시간에 따라 변하는 운전 조건 및 예측 불가능한 교란이 존재하는 비정상 상태의 환경에 직면해 있습니다. 이를 위한 접근 방식을 설계하기 위해, 제안된 디지털 트윈 모델은 증분 학습을 기반으로 뉴럴 오퍼레이터, 그래프 모델 및 정책을 업그레이드하는 지속 학습 구성 요소를 포함합니다. 주요 변동 사항 및 식별되지 않은 패턴이 관찰되면, 새로운 데이터를 통합하고 디지털 트윈 모델과 관련된 파라미터를 조정함으로써 학습이 촉진됩니다.

지속적인 학습은 시스템이 새롭거나 이례적인 행동 패턴을 식별하는 데 도움을 주므로, 제어 정책과 이상 징후 탐지 모두의 강건성을 향상시킵니다. 제어 결과의 이상 징후로부터 얻은 피드백은 모델을 조정하고 강화 학습 정책을 최적화하는 데 적용되며, 이를 통해 시스템이 지속적으로 변화하고 진화함에 따라 효과적인 의사 결정 프로세스를 보장합니다. 이러한 적응형 학습 프로세스는 디지털 트윈을 단순한 수동적 관찰자에서, 엄격하고 효과적인 기술 인프라 환경을 사용하여 복잡한 석유 및 가스 생산 시스템의 실시간 최적화 프로세스를 장기간 유지할 수 있는 지능형 시스템으로 변화시킵니다. 표 3에는 모델 아키텍처와 하이퍼파라미터가 제시되어 있습니다.

지속 학습 적응(Continuous Learning Adaptation)의 수학적 공식화에 대해서는 보충 파일 (S9)을 참조하시기 바랍니다.

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

그림 3: 전체 시스템 레벨 제어 최적화 아키텍처 흐름도. 제안된 연구의 전체 시스템 아키텍처를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

시스템 아키텍처는 석유 및 가스 생산 시스템의 복잡한 비선형 물리 역학을 모델링하고 최적화하는 데 사용할 수 있는 모델의 전체 모습을 보여줍니다. 이는 시뮬레이션에 사용되는 파라미터와 물리적 환경을 나타내는 데 사용되는 경계 조건을 포함하는 입력 데이터부터 시작됩니다. 이 데이터는 먼저 데이터 전처리 모듈을 거치며, 여기서 정규화와 특성 추출이 수행됩니다. 이는 다음 모듈을 위해 데이터를 준비하며, 해당 모듈에서는 뉴럴 오퍼레이터, FNO 및 뉴럴 오퍼레이터 모델이 사용됩니다. 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 결정을 내리는 데 사용됩니다. 이 모듈은 시스템의 효율성을 결정하는 데 도움을 줍니다. 또한 이 프레임워크에는 출력 결과가 포함되어 있으며, 최적화 프로세스 결과는 그림 3에 표시되어 있습니다. 이에 더해, 출력 결과 이후 데이터가 다시 전처리 모듈을 통과하는 피드백 루프가 포함되어 있습니다.

결과

물리 정보 신경 연산자(physics-informed neural operators)의 타당성을 검증하기 위해, 비선형 다상 유동 시스템의 동역학 모델링에서 FNO와 신경 연산자(Neural operator) 모델의 성능을 비교하는 추가 성능 테스트를 수행하였습니다. 결과에 따르면 FNO는 전역적인 공간 일관성 면에서 더 우수한 성능을 보였으며, 신경 연산자 모델은 이종 입력에 대한 적응성 면에서 더 우수한 성능을 보였습니다.

제안된 디지털 트윈 프레임워크의 효과적인 학습 및 평가를 보장하기 위해, 모든 실험은 고성능 컴퓨팅 환경에서 수행되었습니다. 구현을 위한 주요 프로그래밍 언어로는 Python이 사용되었습니다. 물리 정보 신경 연산자(physics-informed neural operators), 시공간 그래프 신경망(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 다변량 시계열 데이터 처리 및 모델 학습을 용이하게 하기 위해, 테스트는 멀티코어 CPU, 전용 메모리가 탑재된 고성능 그래픽 처리 장치(GPU), 그리고 최소 64 GB의 시스템 메모리를 갖춘 워크스테이션에서 수행되었습니다. 딥러닝 생태계와의 호환성을 확보하기 위해 운영 체제 환경은 Linux 배포판을 기반으로 구축되었습니다.

모델 학습을 위해 미니 배치 경사 하강법 기반 최적화가 사용되었으며, 통계적 신뢰성을 보장하기 위해 수차례의 독립적인 실험 반복 수행이 이루어졌습니다. 제공된 계산 설정 덕분에 제안된 방법론을 유사한 고성능 컴퓨팅 환경에서 재현할 수 있습니다.

반복 실험을 통해 결과의 타당성을 검증하기 위해, 모든 실험은 서로 다른 무작위 초기화 값을 사용하여 여러 번의 독립적인 실행으로 반복되었습니다. 시뮬레이션 데이터를 사용한 실험의 경우, 모델을 (N)회의 독립적인 시행으로 실행하였으며, 결과 값은 평균 성능과 표준 편차로 보고하였습니다. 벤치마크 데이터인 SWAT 및 WADI를 사용한 실험의 경우, 테스트 데이터에 대해 MAE, RMSE, F1 Score, AUROC 평가 지표를 계산하고 이를 반복 실험 전체에 대해 평균 내어 결과의 통계적 견고함을 확보하였습니다. 이는 모델 성능에 대한 신뢰할 수 있는 추정치를 얻고, 성능 향상이 단일 실험에 의한 결과가 아님을 확인하기 위해 수행되었습니다.

그럼에도 불구하고, 물리 정보 학습(physics-informed learning), 시공간 모델링 및 데이터 동화 기술을 통합 디지털 트윈 시스템에 결합함으로써, 평가된 조건 하에서 기존 방법들과 비교하여 모니터링 성능의 일관된 향상, 더 빠른 수렴 및 실시간 최적 의사결정이 가능함을 확인하였습니다. 표 4는 제안된 연구의 시뮬레이션 환경을 보여줍니다.

시뮬레이션 환경은 산업 현장의 실시간 운영을 정확하게 모방하도록 모델링되었습니다. 스트림 데이터 환경을 재현하기 위해 짧은 간격으로 센서 데이터를 수집하며, 강건성을 테스트하기 위해 제어된 양의 노이즈를 추가합니다. 이상 탐지 및 제어 능력을 테스트하기 위해 다양한 결함 및 교란 사례를 시뮬레이션합니다. 평가를 위해 슬라이딩 윈도우 방식을 사용하여, 제안된 디지털 트윈이 예측 및 상태 동기화를 수행하고 제어 동작을 생성함으로써 동적 업데이트에 적합한 방식으로 실시간 운영을 연속적으로 나타내도록 하였습니다.

제어 인식 디지털 트윈 모델의 설계에서는 동시 평가를 위해 여러 평가 기준을 고려해야 합니다. 우선, 디지털 트윈 아키텍처의 모니터링 및 상태 예측 능력을 위해 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE) 및 평균 절대 백분율 오차(MAPE)와 같은 회귀 기준이 사용됩니다. MAE와 MAPE는 압력, 유량 및 온도와 같은 주요 시스템 파라미터에 대한 뉴럴 오퍼레이터 및 시공간 그래프 모델의 정확도를 계산하며, 이는 석유 및 가스 생산 공정에 사용되는 센서의 연속 다변량 데이터에 유효합니다.

둘째로, 상태 추정 오차 및 예측 드리프트 제거와 관련된 디지털 트윈 자체의 동기화 프로세스 또한 평가됩니다. 상태 추정 오차는 실제 시스템 상태와 동기화된 디지털 트윈 상태 사이의 오차 정도를 측정하며, 이는 개발된 신경망 4D-Var 모듈이 실제 시스템 상태 관측값을 얼마나 효과적으로 사용하여 시스템 역학 예측을 개선하는지를 나타내는 지표가 됩니다. 마지막으로, 예측 드리프트 감소는 노이즈가 많거나 희소한 시스템 관측값에 견디는 제안된 방식의 능력 덕분에, 동기화되지 않은 디지털 트윈 시스템 대비 제안된 방식이 얻은 성능 향상을 나타냅니다.

셋째, 이상 탐지 및 결함 진단과 관련하여 Precision, Recall, F1 및 ROC 곡선 아래 면적(AUC)과 같은 분류 중심의 평가 파라미터가 사용됩니다. Recall은 어떤 오류도 놓치지 않고 실제 오류를 정확하게 진단하는 능력을 의미하며, Precision은 인식된 이상 징후의 타당성을 측정하는 척도로 볼 수 있습니다. 성능은 F1 메트릭을 사용하여 적절하게 측정할 수 있습니다. 이러한 평가 파라미터들은 일반적으로 SWAT 및 WADI 시스템에 적용됩니다.

표 5는 세 가지 데이터셋에 대해 물리 모델과 사이버 모델 간의 예측 드리프트 감소를 위한 제안된 신경망 4D-Var 동기화 모듈의 효능을 평가하는 데 사용됩니다. 초기 상태 오차는 동기화가 없는 모델 간의 오차에 해당하며, 최종 상태 오차는 동기화를 적용한 후의 모델 오차에 해당합니다. 세 가지 데이터셋 모두에서 상태 오차가 상당히 개선되었음을 알 수 있으며, 특히 시뮬레이션된 석유 및 가스 시스템 모델에서 가장 높은 개선율(72.2%)이 나타났는데, 이는 SWAT(63.6%) 및 WADI(57.7%)에 비해 상대적으로 단순하기 때문입니다. 이러한 결과는 각 시스템의 복잡도 및 "노이즈" 수준과 일치합니다. 시뮬레이션된 석유 및 가스 데이터셋에서 드리프트 감소율이 더 높게 나타난 것은, SWAT나 WADI와 같은 다른 실제 사이버 물리 시스템에 비해 시뮬레이션 환경이 일반적으로 노이즈 수준이 낮고 무작위 섭동이 적으며 시스템 동작이 명확하게 정의되어 있다는 점으로 설명될 수 있습니다. 하지만 이러한 논거는 가설로 취급되어야 하며, 본 연구의 결과만으로 정량적으로 입증된 것은 아닙니다. 향후 연구에서는 엔트로피, 노이즈 분산, 시스템 차원과 같은 복잡도 측정 지표를 사용하여 이 논거를 검증할 수 있을 것입니다.

그림 4: 다양한 데이터셋(Simulated Oil and Gas, SWAT, WADI)에 걸친 성능 모니터링 결과이며, 오차 지표인 MAE, RMSE, MAPE(%)를 사용하여 평가하였다. 막대는 여러 번의 독립적인 실행(n = 5)을 통해 얻은 평균값을 나타낸다. 오차 막대는 다음을 나타낸다. 표준편차(SD), 더 얇게 겹쳐진 오차 막대는 다음을 나타냅니다. 평균 표준 오차 (SEM = SD/√n). 각 지표에 대한 SD 및 SEM 값은 범례에 명시되어 있습니다. 통계적 유의성은 기준 데이터 세트(Simulated Oil and Gas)에 대해 독립 표본 t-검정(independent t-tests)을 사용하여 평가하며, 해당되는 p-값이 막대 위에 표시되어 있습니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

제안된 디지털 트윈 모델이 Simulated Oil and Gas, SWAT 및 WADI와 같은 데이터셋에 대해 수행한 모니터링 프로세스의 성능 분석 결과가 MAE, RMSE 및 MAPE 평가 기준을 고려하여 그림 4에 나타나 있습니다. 시뮬레이션된 Oil and Gas 데이터셋은 모든 기준에서 가장 낮은 오차 측정값을 보였으며, 이는 시스템 파라미터가 정밀하게 모델링된 시뮬레이션 환경에서 시스템 상태 모니터링의 정확성을 명확하게 보여줍니다. SWAT 및 WADI 데이터셋은 시뮬레이션 시스템에서는 발견되지 않는 실제 시스템의 복잡성과 고유한 노이즈 및 비선형성으로 인해 시스템 모니터링 오차가 점진적으로 증가함을 보여줍니다. 그럼에도 불구하고, MAE 및 RMSE 오차 측정값의 미미한 상승은 이러한 상황에서도 디지털 트윈 모델의 시스템 성능이 안정적임을 확인시켜 줍니다.

그림 5: F1-score 및 AUC를 사용하여 평가한 데이터셋(Simulated Oil and Gas, SWAT, WADI)별 이상 탐지 성능. 막대는 여러 번의 독립적인 실행(n = 5)을 통해 얻은 평균값을 나타냄. 오차 막대는 SD를 나타내며, 겹쳐진 더 얇은 오차 막대는 SEM = SD/√n을 나타냄. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 5는 세 가지 데이터셋에 대해 F1-score와 AUC를 기반으로 제안된 이상 탐지 시스템의 평가 분석 결과를 보여줍니다. 시뮬레이션 데이터셋인 Oil and Gas 데이터셋이 가장 높은 F1-score와 AUC를 기록하여 가장 우수한 성능을 보였습니다. 성능이 점차 하락하는 경향이 있으나, 데이터셋의 복잡성에 따라 약간의 변동이 있을 뿐 모든 데이터셋에서 높은 AUC 성능을 달성했습니다. 세 가지 데이터셋에 대한 F1-score와 AUC 곡선이 일치하는 지점은 최적의 접점을 보여주며, 이는 적절한 트레이드-오프(trade-off)가 이루어졌음을 나타내어 제안된 시스템이 초기 결함 탐지 및 침입 탐지에 신뢰할 수 있는 시스템임을 입증합니다. 제안된 시스템은 세 가지 데이터셋 모두에서 이상 징후를 인식하는 데 탁월한 성능을 보였습니다.

다양한 데이터셋에서 이상 징후를 탐지하는 제안된 디지털 트윈 모델의 정밀도(Precision), 재현율(Recall) 및 F1-Score가 아래의 표 6에 제시되어 있습니다. 높은 정밀도 값은 식별된 관심 지점의 대부분이 실제로 실제 관심 지점임을 나타내며, 높은 재현율 값은 중요한 지점을 놓치지 않고 대부분의 실제 관심 지점을 정확하게 식별했음을 나타냅니다. 석유 및 가스 도메인의 시연 환경에서는 0.94라는 가장 높은 F1-score를 기록했으며, SWAT 및 WADI에서 약간 더 낮은 결과가 나타난 것은 센서 및 공격 패턴의 더 높은 노이즈 수준과 상호 의존성 때문인 것으로 분석됩니다. 그럼에도 불구하고, 높은 F1-score는 이상 징후 탐지를 위한 강건한 시공간 그래프 모델링 및 동기화가 달성되었음을 입증합니다.

그림 6: Simulated Oil and Gas, SWAT 및 WADI 데이터셋의 이상 탐지를 위한 수신자 조작 특성(ROC) 곡선. 성능은 곡선 아래 면적(AUC)을 사용하여 평가되었다. 각 데이터셋의 범례에는 AUC 값의 표준 편차(SD)와 평균 표준 오차(SEM = SD/√n, n = 5)가 포함되어 있다. 대각선 점선은 무작위 분류 성능을 나타낸다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 6은 임계값 선택과 무관하게 이상 탐지 정확도를 평가한 세 가지 서로 다른 데이터셋의 수신자 작동 특성(ROC) 곡선과 관련 AUROC 측정값을 보여줍니다. 시뮬레이션된 Oil and Gas 데이터셋의 ROC에서 곡선 영역이 원점에 매우 가깝게 형성되어 AUROC 0.99를 기록했으며, 이는 사실상 결점이 없는 분류 능력을 확인시켜 줍니다. SWAT 및 WADI 데이터셋의 경우 AUROC 값이 각각 0.97과 0.95로 나타나, 더 높은 불확실성이 존재함에도 불구하고 우수한 분류 능력을 입증했습니다. ROC 곡선이 무작위 분류를 나타내는 선에서 멀리 떨어져 있다는 점은 개발된 디지털 트윈 모델이 정확한 이상 탐지를 위해 우연 수준보다 훨씬 더 뛰어난 성능을 발휘함을 보장합니다. 그림 6의 수신자 작동 특성(ROC) 곡선은 세 가지 데이터셋에 대한 제안된 디지털 twin 모델의 이상 탐지 성능을 보여줍니다. AUROC 점수는 Oil and Gas 시뮬레이션 데이터셋의 경우 0.99, SWAT 데이터셋의 경우 0.97, WADI 데이터셋의 경우 0.95이며, 이는 시뮬레이션 및 벤치마크 산업 제어 시스템 모두에서 모델의 판별 능력을 나타냅니다.

표 7은 디지털 트윈과 통합된 폐루프 제어용 강화 학습 모듈의 누적 보상 및 제약 조건 위반에 대한 간결한 설명을 제시합니다. 획득한 누적 보상은 운영 목표에 기반한 전반적인 제어 성능을 나타내며, 제약 조건 위반은 운영 중 발생한 총 위반 횟수를 나타냅니다. 제약 조건 위반이 없는 경우의 누적 보상이 당사의 오일 및 가스 모델 환경에서 가장 높게(96.5) 나타났으며, 이는 최적의 제어 및 운영 성능을 입증합니다.

SWaT 및 WADI 데이터셋에서 누적 보상이 약간 더 낮게 나타나고 일부 제약 조건 위반이 발생했지만, 전반적인 운영 비용 절감의 개선은 제안된 디지털 트윈 프레임워크가 동적 환경에서 안전하고 최적화된 제어를 위해 여전히 효과적임을 입증합니다.

제안된 강화 학습(RL) 기반 제어 시스템의 실시간 가능성은 시스템 내에서 사용된 모든 계산 모듈의 엔드-투-엔드 추론 지연 시간을 분석하여 평가되었습니다. Table 8의 실험 결과에 따르면, 뉴럴 오퍼레이터 모듈인 FNO/Neural operator 모델과 시공간 그래프 신경망(ST-GNN) 모듈은 처리 과정에서 사용되는 시간적 특성으로 인해 중간 정도의 계산 오버헤드가 발생하는 것으로 나타났습니다. 반면, 강화 학습 정책 결정 모듈의 계산 오버헤드는 매우 낮았습니다. 제안된 시스템 내에서 사용된 모든 모듈의 누적 엔드-투-엔드 추론 시간은 일반적인 산업 제어 주기 범위 내에 있습니다. 구체적으로, 평균 엔드-투-엔드 추론 지연 시간은 제어 주기당 50–150 milliseconds 이내로 관찰되었으며, 이는 표준 산업 제어 요구 사항과 호환되는 수준입니다. 이는 제안된 시스템이 실시간 및 근실시간 애플리케이션에 사용될 수 있음을 보여줍니다. 다만, 엔드-투-엔드 추론 시간은 사용되는 하드웨어에 따라 달라질 수 있음에 유의하십시오. 이러한 관점에서, 제안된 시스템은 실시간 애플리케이션에 활용 가능합니다.

물리 정보 신경 연산자(physics-informed neural operators)의 효능을 더욱 입증하기 위해 FNO, Neural operator 모델 및 전통적인 수치 해석법이나 현재의 연산자 학습 기술과 같은 베이스라인 접근 방식 간의 정량적 비교를 수행하였습니다. 표 9의 평가는 각 모델이 시스템의 동적 및 비선형 역학을 얼마나 잘 포착하는지에 중점을 둡니다. 성능 평가를 위해 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 그리고 예측된 시스템 상태와 실제 정답(ground-truth) 상태 사이의 상대 오차를 포함한 표준 지표가 사용되었습니다. 실험 결과에 따르면, FNO와 Neural operator 모델 모두 오차 값을 줄임으로써 복잡한 다상 역학 모델링에서 베이스라인 접근 방식보다 우수한 성능을 보였습니다. 구체적으로, Neural operator 모델은 다양한 입력 조건 하에서 비선형 연산자 매핑을 성공적으로 포착하였으며, FNO는 전역적 공간 의존성을 학습하는 데 뛰어난 성능을 보였습니다.

제안된 신경 연산자 모델의 효능은 Table 9에 제시된 정량적 비교 결과로 확인할 수 있습니다. 기준 수치 해석법(baseline numerical solvers) 및 기존의 연산자 학습 기술과 비교했을 때, FNO와 신경 연산자 모델 모두 눈에 띄게 낮은 오차 지표를 달성하였습니다. 특히 FNO는 가장 낮은 상대 오차와 평균 제곱 오차를 보여, 복잡한 비선형 시스템의 역학을 포착하는 능력이 우수함을 입증하였습니다. 또한, 신경 연산자 모델은 특히 다양한 환경에서의 비선형 연산자 매핑 학습에 있어 상당한 성능 향상을 보여주었습니다. 통계적 유의성을 평가하기 위해 독립 표본 t-검정을 사용하였으며, p-값이 0.05 미만인 경우 기준 수치 해석법 대비 상당한 개선이 있음을 의미합니다. 제안된 두 모델 모두에서 얻은 p-값은 0.001 미만으로, 관찰된 성능 향상이 우연에 의한 결과가 아니라 통계적으로 유의미함을 나타냅니다. 또한, 제안된 기술들은 추론 시간이 현저히 짧아 실시간 디지털 트윈 애플리케이션에 적용 가능하다는 점을 보여주었습니다.

제안된 제어 인식 디지털 트윈 모델의 실험적 평가에 대한 명확성을 더욱 높이기 위해, 제안된 접근 방식과 다른 방법들과의 종합적인 정량적 비교를 통합된 표 형식으로 제공합니다. 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), F1-score, 곡선 아래 면적(AUC), 예측 드리프트의 감소 및 누적 보상과 같은 다양한 성능 파라미터의 비교를 통해 Table 10에서 방법론들의 모니터링 정확도, 이상 탐지 능력, 동기화 효율성 및 제어 성능에 대한 통합적인 평가가 가능해집니다. 또한, 실험 평가의 투명성을 높이기 위해 배치 크기, 학습률, 에포크 수 및 모듈별 학습 구성과 같은 학습 과정의 다양한 파라미터를 Table 11에 명시적으로 언급하였습니다. 나아가, 추론 지연 시간, GPU 활용도 및 실시간 구현 가능성 측면에서 제안된 접근 방식의 확장성과 계산 효율성 또한 Table 12에서 평가되었습니다.

제안된 디지털 트윈은 표 13에 나타난 바와 같이 모니터링 정확도, 동기화 능력, 이상 탐지 및 제어 성능 측면에서 물리 기반 동기화 방법, LSTM 및 GNN 모델과 같은 다른 방법들과 종합적으로 비교될 수 있습니다. 물리 디지털 트윈은 정적인 접근 방식에 기반하여 적응성이 낮고 오차 범위가 더 큽니다. LSTM 및 GNN과 같은 신경망 접근 방식은 더 우수하지만 물리, 동기화 및 제어를 효과적으로 결합하지 못합니다. 제안된 디지털 트윈은 RMSE 0.20, 드리프트 감소율 72.2%, AUROC 0.94, F1-Score 0.92, 누적 보상 95.5로 최상의 수치를 달성했습니다. 위의 결과는 물리 정보 신경 연산자, 시공간 그래프 모델링, 신경 데이터 동화 및 강화 학습을 효과적으로 결합함으로써 정확하고 강건하며 제어 인지 능력을 갖춘 디지털 트윈 시스템을 크게 개선할 수 있음을 명확히 보여줍니다.

그림 7: FNO, Neural operator 모델, GNN, RL 모듈 및 전체 프레임워크를 포함하여 제안된 시스템의 구성 요소별 학습 비용 및 리소스 활용도. 지표에는 학습 시간(hours)과 GPU 메모리 사용량(GB)이 포함됨. 값은 여러 번의 독립적인 실행(n = 5)에 대한 평균 결과를 나타냄. 오차 막대는 SD를 나타내며, 겹쳐진 더 얇은 오차 막대는 실행 간의 변동성을 반영하는 SEM = SD/√n을 나타냄. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.

그림 7에서는 제안된 방식의 훈련 비용과 자원 활용도가 주요 구성 요소별로 제시되어 있습니다. FNO 및 Neural operator model과 같은 신경 연산자 모델들이 전체 시스템과 비교했을 때 상당한 훈련 비용과 GPU 메모리 점유율을 차지하는 것을 확인할 수 있습니다. 이러한 높은 훈련 비용은 연산자의 고차원 학습 능력 때문입니다. 그래프 신경망과 강화 학습 모듈은 훈련 비용이 더 낮은 것으로 나타났으나, 공간적 의존성 학습과 적응형 제어에는 중요한 역할을 합니다. 제안된 시스템은 훈련 비용이 더 높지만, 추론 시간은 효율적인 것으로 나타났습니다. 단독 LSTM 또는 GNN 모델과 같은 베이스라인 방법들과 비교했을 때, 제안된 시스템은 다중 모듈 통합으로 인해 더 높은 훈련 비용이 발생하지만, 표 13에서 입증된 바와 같이 정확도와 강건성이 향상되었습니다.

전반적으로, 제안된 디지털 트윈 구조는 복잡한 산업 시스템의 모델링 및 제어에서 발생하는 각각의 서로 다른 문제들을 해결하는 여러 요소들을 결합하고 있습니다. 계산 비용이 많이 들고 실시간 애플리케이션에 적합하지 않은 경우가 많은 기존의 수치 해석법과 달리, Fourier Neural Operator 및 Deep Operator Network와 같은 물리 정보 기반 신경 연산자를 사용하여 비선형 및 고차원 시스템 동역학을 더욱 효과적으로 포착합니다. 피드포워드 또는 순환 신경망과 같은 더 단순한 머신러닝 모델을 사용할 수도 있지만, 이러한 모델들은 일반적으로 근본적인 물리 연산자를 학습하지 못하며 서로 다른 시스템 구성에 대해 일반화할 수 없습니다. 오일 및 가스 생산 시스템에서 본질적으로 연결된 분산 센서 간의 의존성은 시공간 그래프 신경망을 통해 모델링됩니다. 독립적인 시계열 모델이나 단순한 순환 구조와 같은 전통적인 방법은 공간적 연결성을 명시적으로 반영하지 않으므로 상태 추정과 이상 탐지의 정확도가 떨어질 수 있습니다. 강화 학습 모듈을 활용한 적응형 제어는 시스템이 동적이고 불확실한 환경에서 운영상의 선택을 최적화할 수 있도록 합니다. 반면, 규칙 기반 또는 정적 제어 전략은 경직되어 있어 변화하는 시스템 조건이나 예상치 못한 중단 상황에 적응할 수 없습니다. 복잡성이 낮은 대안들이 존재하지만, 이는 대개 문제의 특정 부분만 다루며 정밀한 모델링, 실시간 모니터링 및 적응형 제어가 통합된 솔루션을 달성하기에는 불충분합니다. 제안된 모듈형 설계는 각 구성 요소가 전체 시스템 성능에 기여하도록 함으로써 까다로운 산업 환경에서의 정확성, 확장성 및 강건성을 향상시킵니다.

연구 / 작업	사용된 기술	결과	한계점
디지털 트윈을 위한 심층 신경 연산자26	대리 모델로서의 DeepONet 뉴럴 오퍼레이터	실시간 예측; 물리 시뮬레이터보다 수십 배 더 빠른 속도	정밀한 센서 배치가 필요하며, 평가 방법의 개선이 요구됨
DeepONet을 이용한 가상 센싱 기반 디지털 트윈27	DT 내 DeepONet 가상 센서	빠른 예측; 실시간 추론; 포괄적 상태 추정	스펙트럼 편향은 고주파 현상에 영향을 미치며, 이를 위해 하이브리드 모델링이 필요함
제어 분야의 DRL 및 NMPC 기반 디지털 트윈28	심층 강화 학습 & 비선형 MPC 통합	개선된 제어 성능; 더 낮은 추적 오차 및 적응형 트윈 업데이트	혈관으로 적용 범위가 제한됨; 생산 시스템으로의 추가 적용 필요
산업 자동화에서의 AI 기반 디지털 트윈29	지도/비지도 머신러닝 (LSTM, CNN, RF 등)	결함 예측의 높은 정확도 & 모니터링	주로 고전적 머신러닝(ML)에 기반하며, 고급 시공간 딥러닝 모델이 부족함
오일 & 가스 디지털 트윈 리뷰16	다양한 AI/ML & 메커니즘 모델링	모델링 전략의 종합적 분류 체계	대부분 개념적이며, 고급 딥러닝(DL)을 이용한 실질적인 구현은 최소한으로 다룸

표 1: 기존 방법과의 석유 및 가스 생산 및 제어 관리 비교 분석. 사용된 방법, 달성된 결과 및 주요 단점을 중심으로 한 관련 디지털 트윈 및 제어 전략의 개요.

데이터 세트 이름	영역 / 시스템	특성 수	소요 시간 & 크기	데이터 특성
모의 오일 & 가스 생성 데이터	오일 & 가스 생성 시스템 (시뮬레이션)	다변량 (압력, 유량, 온도 등)	본 연구를 위해 설계됨	모의 실시간 센서 & 제어 신호, 정상 & 결함 상태
SWaT	보안 수처리 CPS(사이버 물리 시스템)	약 51개의 센서 및 액추에이터	약 11일(샘플 45만 개 이상)	정상 & 이상 징후 (36가지 공격 시나리오)
WADI	수자원 배분 CPS	~123개의 센서 및 액추에이터	약 16일(샘플 약 100만 개 이상)	정상 & 이상 징후 (15회 공격)

표 2: 데이터셋 설명.
데이터셋 설명. 도메인, 특성 수, 기간 및 데이터 속성을 포함한 본 연구 데이터셋의 요약.

구성 요소	하이퍼파라미터	값
ST-GNN	층수	3
ST-GNN	은닉 차원	64
ST-GNN	시간 창 길이	12
신경 연산자 (FNO)	푸리에 모드 수	16
신경 연산자 (FNO)	층수	4
DeepONet	분지 네트워크 크기	[128, 128]
DeepONet	간선 네트워크 크기	[128, 128]
데이터 동화	동화 창(Assimilation window)	10개 시간 단계
최적화 도구	아담
학습률	0.001
배치 크기	64
강화학습 컨트롤러	할인 계수 (γ)	0.99
강화학습 제어기	정책 네트워크 층	[128, 64]

표 3: 모델 아키텍처 및 하이퍼파라미터. 신경 연산자, 데이터 동화, 강화 학습 및 시공간 그래프 신경망 구성 요소의 주요 아키텍처 설정 및 하이퍼파라미터 설정.

매개변수	설명
시뮬레이션 플랫폼	PyTorch (v2.1)가 설치된 Python (v3.10)
지원 라이브러리	NumPy (v1.24), SciPy (v1.10), Pandas (v1.5)
하드웨어	NVIDIA RTX 시리즈 GPU (예: RTX 3090, 24 GB VRAM), Intel Core i7/i9 CPU, 32–128 GB RAM
GPU 가속	CUDA Toolkit (v11.8), cuDNN (v8.x)
운영체제	Linux (Ubuntu 20.04) / Windows 10
개발 환경	Jupyter Notebook / VS Code
샘플링 간격	1~10초 (실시간 시뮬레이션을 위해 설정 가능)
센서 노이즈 모델링	가우스 노이즈(σ = 0.01–0.05)
결함 시나리오	센서 결함, 유량 교란 및 제어 이상
평가 모드	슬라이딩 윈도우 기반 실시간 시뮬레이션
코드 가용성	재현성을 위해 요청 시 또는 출판 시 리포지토리 링크가 제공될 예정입니다.

표 4: 시뮬레이션 환경. 실험 설정의 하드웨어 구성, 소프트웨어 플랫폼, 샘플링 간격, 노이즈 모델링 및 결함 시나리오에 관한 정보.

데이터셋	초기 상태 오차	최종 상태 오차	비산 감소율 (%)
모사 오일 & 가스	0.9	0.25	72.2
SWAT	1.1	0.4	63.6
WADI	1.3	0.55	57.7

표 5: 디지털 트윈 동기화의 실험 결과. 데이터 세트 전반의 예측 드리프트 감소와 초기 및 최종 상태 추정 오차를 보여주는 동기화 성능의 정량적 평가.

데이터 세트	정밀도	재현율	F1-Score
Simulated Oil & Gas	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

표 6: 이상 탐지 성능. 정밀도, 재현율 및 F1-스코어를 포함한 모의 석유 및 가스, SWAT, WADI 데이터셋의 이상 탐지 결과.

데이터 세트	누적 보상 ↑	제약 조건 위반 ↓	비용 절감률 (%) ↑
모의 오일 & 가스	96.5 ± 0.8	0	18.7
SWAT	92.1 ± 1.2	1	14.3
WADI	89.7 ± 1.5	2	11.6

표 7: 폐루프 제어 및 최적화의 실험 결과. 누적 보상, 제약 조건 위반 및 운영 비용 절감액을 사용하여 폐루프 제어 성능을 평가합니다.

모듈	평균 지연 시간(ms)	설명
뉴럴 오퍼레이터 (FNO/DeepONet)	18-25 ms	연산자 학습 및 시스템 상태 예측
시공간 그래프 신경망(ST-GNN)	22–35 ms	시공간 의존성 모델링
강화 학습 정책 네트워크	5–10 ms	제어 결정 생성
데이터 전처리	8–12 ms	입력 정규화 및 특성 준비
전체 제어 루프 지연 시간	55–82 ms	엔드-투-엔드 제어 동작 실행 시간

표 8: 실시간 제어 성능 평가. 지연 시간 값은 표준 하드웨어 구성에서 제어 단계당 측정된 평균 추론 시간을 나타냅니다.

모델	평균 제곱 오차 ↓	평균 절대 오차 ↓	상대 오차 (%) ↓	추론 시간 (ms) ↓	p-값 (기초선 대비)
수치 해석 솔버 (기준선)	0.0125 ± 0.0012	0.089 ± 0.006	8.75 ± 0.54	120.5 ± 5.2	—
전통적 머신러닝 모델	0.0098 ± 0.0009	0.072 ± 0.005	6.42 ± 0.48	85.3 ± 4.7	0.021
기존 연산자 학습	0.0076 ± 0.0007	0.061 ± 0.004	5.18 ± 0.41	42.8 ± 3.1	0.008
DeepONet (제안됨)	0.0052 ± 0.0005	0.044 ± 0.003	3.67 ± 0.32	18.6 ± 2.4	< 0.001
FNO (제안됨)	0.0047 ± 0.0004	0.039 ± 0.002	3.21 ± 0.28	15.2 ± 2.1	< 0.001

표 9: 예측 정확도(MSE, MAE, 상대 오차) 및 계산 효율성(추론 시간) 측면에서 베이스라인 모델과 제안된 모델의 비교. 값은 여러 회의 실행에 대한 평균 ± 표준 편차로 표시됨. 값이 낮을수록 더 우수한 성능을 나타냄. p-값은 베이스라인 수치 솔버와 비교한 통계적 유의성을 나타냄.

방법	평균 절대 오차(MAE) ↓	평균 제곱근 오차(RMSE) ↓	F1-스코어 ↑	곡선 아래 면적(AUC) ↑	비산 감소율 (%) ↑	누적 보상 ↑
물리 기반 디지털 트윈(DT)	0.45	0.62	0.78	0.82	35.4	65.2
장단기 메모리 (Long Short-Term Memory)	0.32	0.48	0.85	0.88	48.7	74.5
그래프 신경망(GNN)	0.28	0.41	0.88	0.91	55.3	81.3
제안된 프레임워크	0.2	0.3	0.94	0.97	72.2	95.5

표 10: 종합 성능 비교. 제안된 제어 인지 디지털 트윈 모델과 모니터링, 이상 탐지, 동기화 및 제어를 위한 다른 기준 접근 방식들의 종합 성능 비교. 예측 정확도의 경우 MAE 및 RMSE 값이 낮을수록 좋으며, 이상 탐지 및 동기화 성능의 경우 F1-score, AUC, 드리프트 감소 및 보상 값이 높을수록 좋습니다.

구성 요소	매개변수	값/설정
신경 연산자 (FNO/DeepONet)	에포크	100–200
	배치 크기	32–64
	학습률	0.001
시공간 그래프 신경망(ST-GNN)	층	3
	은닉 유닛	64
	시간적 창(Temporal Window)	10-20 타임스텝
뉴럴 4D-Var	동화 창	고정 (슬라이딩 윈도우)
	최적화	경사 하강법
강화 학습	할인 계수 (γ)	0.95
	보상 가중치 (α,β,γ)	0.6, 0.25, 0.15
일반 훈련	옵티마이저	아담
	하드웨어	NVIDIA RTX GPU

표 11: 제안된 디지털 트윈 프레임워크의 각 구성 요소에 사용된 훈련 설정 및 구현 파라미터. 이 표는 서로 다른 구성 요소에 대해 제안된 시스템의 재현성을 보장하기 위해 사용된 다양한 하이퍼파라미터와 훈련 파라미터의 개요를 제공합니다.

구성 요소	학습 시간 (hrs)	추론 지연 시간 (ms)	GPU 이용률 (%)	확장성
Neural Operators	6–8	25–40	80–90	높음
ST-GNN	3–4	15–25	60–70	높음
Neural 4D-Var	2–3	20–30	65–75	보통
RL Controller	1–2	10–20	50–60	높음
전체 시스템	12–16	<100 ms	70–85	확장 가능

표 12: 다양한 구성 요소에 대해 제안된 디지털 트윈 모델의 계산 성능 및 확장성 분석. 지연 시간(Latency)은 실시간 추론 성능을, GPU는 계산 성능을 나타내며, 확장성(scalability)은 제안된 모델이 산업 규모의 애플리케이션에 적용될 수 있는 능력을 나타냅니다.

방법	모니터링 RMSE	동기화 드리프트 감소율 (%)	AUROC	F1-Score	누적 보상
물리 기반 디지털 트윈	0.45	28.6	0.78	0.74	42.3
LSTM 기반 모델	0.31	41.2	0.86	0.83	61.7
GNN 기반 모델	0.26	53.4	0.91	0.88	74.5
제안된 디지털 트윈	0.2	72.2	0.94	0.92	95.5

표 13: 제안된 연구와 기존 방법의 비교 평가. 모니터링, 동기화, 이상 탐지 및 제어 지표 측면에서 제안된 디지털 트윈 모델의 성능을 베이스라인 및 학습 기반 접근 방식과 비교하였다.

모델 구성	모니터링 오차 (RMSE)	이상 탐지 (F1)	제어 성능 (보상)
전체 모델 (모든 모듈)	0.2	0.92	95.5
– 데이터 동화 없음	0.29	0.88	89.2
– ST-GNN 미적용	0.27	0.85	87.1
– 강화 학습 없이	0.21	0.9	78.4
– 지속적 학습 제외	0.23	0.91	92.3

표 14: 실험 결과 및 어블레이션 연구(Ablation Study). 제안된 디지털 트윈 모델의 각 구성 요소가 시스템의 전체 성능에 어떻게 기여하는지 조사한 어블레이션 연구 결과입니다.

시나리오	데이터 가용성	평균 제곱근 오차	정확도	관찰 공백 처리
정상	100%	낮음	높음	안정적인
부분 손실	50–70%	중등도	높음	강건한 보간법
심각한 손실	20–30%	증가된	중등도	우아한 성능 저하
센서 결함	지역별 0%	더 높은	중등도	공간 일반화

표 15: 데이터 부족 상황에서의 강건성 분석. 다음 표는 데이터 가용성이 서로 다른 다양한 상황에서 제안된 뉴럴 4D-Var 프레임워크의 성능을 나타냅니다. 이 표는 센서 데이터의 부분적 손실, 높은 희소성 및 전체 손실 상황에서 오차가 어떻게 변하는지를 보여줌으로써 모델의 강건성을 나타냅니다.

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 있음을 나타냅니다⁴⁰. 동시에, 현재 대중적인 디지털 트윈 모델들은 인과 추론을 통한 효율적인 추론과 오탐(false positive)의 억제를 강력하게 강조하지만, 이는 인과 모델의 복잡도가 증가하는 대가를 수반합니다. 이러한 점에서 본 연구에서 제안하는 동기화된 강화 학습 접근 방식은 단일 배경 내에서 효율적인 운용 최적화와 견고한 이상 탐지를 모두 제공합니다. 다만, 제안된 방법과 다른 접근 방식 간의 비교는 직접적인 비교 실험 결과가 아니라 다른 연구자들이 보고한 결과에 기반한 것이므로, 이러한 점을 고려하여 비교가 이루어져야 합니다.

또한, 제안된 디지털 트윈 내에 이상 탐지 및 제어 동작 최적화를 추가한 것은 CPS와 관련된 현재의 연구 및 개발 활동 방향인 디지털 트윈이 제공하는 의사 결정 지원 및 구동 기능의 중요성이 증대되고 있음을 보여줍니다. 센서 안내를 위한 적응형 접근 방식과 같이 강화 학습을 이용한 디지털 트윈 캘리브레이션 관련 연구 논문⁴¹들은 학습 에이전트의 사용이 특히 동적 시스템의 정확성과 적응성 측면에서 추가적인 이점을 제공할 수 있음을 보여줍니다. 이는 폐루프 최적화의 효과 향상에 관한 결과들을 확인시켜 주며, 결과적으로 지능적 통합이 CPS의 강건성과 효율성을 높일 수 있다는 가설을 뒷받침합니다. 앞서 언급했듯이 이 접근 방식은 석유 및 가스 산업에 적용되도록 설계되었으나, 접근 방식의 평가는 석유 및 가스 산업 시뮬레이션뿐만 아니라 SWaT 및 WADI와 같은 CPS 벤치마크 데이터 세트를 기반으로 이루어졌습니다. 다만, 현재의 검증에는 실제 석유 및 가스 운영 데이터가 포함되지 않았으므로, 실제 배포 시나리오에 대한 적용 가능성은 신중하게 해석해야 합니다. 향후에는 제안된 커리큘럼 학습 방법과 인과 추론 기반의 디지털 트윈 방법을 통제된 방식으로 비교하기 위해 통합된 실험 프레임워크 하에서 비교 평가를 수행할 예정입니다. 뉴럴 오퍼레이터, 그래프 네트워크, 강화 학습을 포함한 이러한 모듈들의 통합으로 인해 계산 비용이 증가하지만, 각 모듈은 수행해야 할 특정 기능이 있습니다. 어블레이션 연구 또한 제안된 접근 방식의 성능을 검증하며, 어느 하나라도 모듈이 제거될 경우 성능이 저하됨을 보여줍니다.

이론적으로 본 연구는 디지털 트윈 구조 내에 모델 기반 방식과 데이터 기반 방식을 추가함으로써 중요한 기여를 합니다. 상태 추정 과정에 물리 정보 신경 연산자(physics-informed neural operators)와 신경 데이터 동화 기술을 통합함으로써 CPS를 위한 하이브리드 모델링 접근 방식을 제공하며, 이는 순수하게 물리 기반 시뮬레이션이나 블랙박스 모델 중 어느 한 쪽에만 의존해 온 기존 CPS 시뮬레이션 관련 디지털 트윈 연구 문헌의 상당한 공백을 메워줍니다. 이론적으로 본 연구는 최근 문헌에서 강조되고 있는, 지속적으로 학습하고 적응할 수 있는 자율형 CPS 모델을 위한 디지털 트윈 연구의 발전 방향과 궤를 같이합니다.

적용 가능성 측면에서, 제안된 접근 방식은 CPS의 안전성과 효율성을 직접적으로 증대시켜 실시간 신뢰성 확보, 신속하고 정확한 이상 징후 식별 및 최적의 제어 루프 전략을 가능하게 함으로써 산업 현장에서의 CPS 작동 방식을 크게 개선할 수 있습니다. 예를 들어, 센서 노이즈가 발생하기 쉽고 시스템 모델이 비선형적인 산업 환경에서, 동기화된 탐지 방식은 오경보 발생을 억제하는 동시에 이상 징후를 신속하게 식별할 수 있도록 보장합니다. 주로 분류 지표에 집중하는 기존 디지털 트윈 기반 CPS 시스템의 침입 탐지 솔루션과 달리, 제안된 방식은 식별과 교정 접근 방식을 모두 가능하게 하여 시스템 운영자가 다운타임이 발생하기 전에 CPS의 운영 환경을 선제적으로 변경할 수 있는 능력을 제공합니다. 또한, 벤치마크 데이터셋 성능을 통해 확인된 바와 같이, 제안된 방식의 보편적 적용 능력은 스마트 제조, 에너지 분야 및 주요 인프라 네트워크 관리 시스템과 같은 다양한 CPS 환경에서의 전반적인 적용 가능성을 시사합니다.

제안된 디지털 트윈 프레임워크의 확장성은 시스템 규모의 증가와 시간적 복잡성을 관리하는 능력 측면에서 평가됩니다. 희소 그래프 구조를 사용하여 센서 간의 상호작용을 표현함으로써, 시공간 그래프 신경망은 센서 및 모니터링 대상 구성 요소의 수가 증가함에 따라 효율적으로 확장되어 계산 복잡도가 기하급수적으로 증가하는 것을 방지합니다. 이산화 해상도와 무관하게 연산자 매핑을 학습함으로써, 물리 정보 신경 연산자의 적용은 확장성을 더욱 향상시키며 계산 비용의 뚜렷한 증가 없이 대규모 시스템의 효과적인 모델링을 가능하게 합니다. 이 프레임워크는 슬라이딩 윈도우 방법과 시퀀스 기반 학습을 사용하여 계산 가능성을 저해하지 않으면서 더 넓은 시간 범위의 시간적 의존성을 관리합니다. 또한, 증분 학습 기술은 전체 재학습 없이도 지속적인 업데이트를 가능하게 하여 대규모 배포 시 오버헤드를 줄여줍니다. 나아가, GPU 기반 병렬 연산을 활용함으로써 고차원 데이터 스트림의 효과적인 실시간 처리가 가능해집니다. 제안된 아키텍처는 센서의 수와 운용 시간 모두에 따라 확장되도록 설계되었으므로, 분산 센서 네트워크와 지속적인 모니터링 요구 사항이 있는 석유 및 가스 생산 시스템과 같은 대규모 산업 응용 분야에 적합합니다.

절제 연구(ablation study)는 신경 연산자(neural operators), ST-GNN, 데이터 동화(data assimilation) 및 강화 학습(reinforcement learning)과 같은 각 모듈의 개별 기여도를 이해하는 데 도움이 됩니다. 본 제안된 디지털 트윈 아키텍처 내의 여러 주요 개별 모듈의 기여 수준을 측정하기 위해 절제 연구를 수행하였습니다. 이러한 개별 모듈에는 데이터 동화, 시공간 그래프 모델링, 강화 학습 및 지속적 학습(continuous learning)이 포함됩니다. 이러한 개별 모듈을 제거했을 때 모니터링 정확도, 이상 탐지 및 제어에 미치는 영향 수준을 조사하였습니다. 최종 결과는 전체 아키텍처를 사용하는 것이 항상 더 유리함을 명확히 입증하며, 결과적으로 개별 모듈을 제거하면 다양한 수준의 성능 저하가 발생하여 서로 다른 구성 요소가 전체 시스템 성능에 각기 다르게 기여함을 나타냅니다. 데이터 동화 모듈 제거 시의 영향 수준은 예측 오차가 증가함을 명확히 보여주며, 이상 탐지와 관련하여 동일한 수준으로 신뢰성에 영향을 미칩니다. 강화 학습을 제거했을 때의 영향 수준은 특히 모니터링만 고려했을 때 제어 기능이 상당히 저하됨을 명확히 보여줍니다.

표 14에 제시된 어블레이션 결과는 각 모듈이 시스템 성능에 기여하는 정도가 서로 다름을 보여줍니다. 모니터링 성능의 정확도에 가장 크게 기여하는 것은 데이터 동화 모듈이며, ST-GNN 모듈이 그 뒤를 잇습니다. 지속 학습 모듈은 모니터링 성능 정확도에 중간 정도의 기여를 하며, 강화 학습 모듈은 모니터링 성능 정확도에 가장 적게 기여합니다. 다만, 강화 학습 모듈은 보상 값이 95.5에서 78.4로 감소한 것으로 보아 제어 성능에는 가장 큰 기여를 하는 것으로 나타났습니다.

제안된 신경망 4D-Var 프레임워크의 강건성을 검증하기 위해, 점진적으로 악화되는 관측 조건 하에서 실험을 수행하였습니다. 구체적으로, 실험에는 다음과 같은 시나리오가 포함되었습니다: (i) 데이터 결측률이 30%에서 70% 범위인 부분적 센서 결함, (ii) 특정 지역의 전체 센서 누락, (iii) 시간적으로 희소한 관측을 초래하는 통신 지연. 실험 결과, 제안된 모델은 적당한 데이터 손실 상황에서 강건한 성능을 보였으며, 극심한 데이터 손실 상황에서도 성능 저하가 완만하게 일어났으며, 이는 높은 수준의 적응력을 보여줍니다. 표 15는 강건성 분석 결과를 보여줍니다.

본 연구의 한계점은 제안된 모델의 검증 범위와 관련이 있습니다. 이 모델은 석유 및 가스 생산 시스템을 대상으로 하지만, 제안된 모델의 평가는 시뮬레이션된 석유 및 가스 값과 SWaT 및 WADI와 같은 사이버 물리 벤치마크 문제를 기반으로 수행되었다는 점에 유의해야 합니다. 또한, 해당 벤치마크 문제들이 석유 및 가스 공정과 연관되어 있음에도 불구하고, 이 사례에서 다루는 문제들은 수처리 및 배수와 관련되어 있다는 점 또한 중요합니다.

하지만 이러한 최적의 성능에도 불구하고 몇 가지 한계점이 있습니다. 예를 들어, 특히 뉴럴 오퍼레이터(neural operators), 그래프 네트워크 및 강화 학습의 통합으로 인해 일부 디지털 트윈 구현 방식에 비해 계산 복잡도가 더 높습니다. 이는 컴퓨팅 능력이 제한된 플랫폼에서 해당 시스템을 채택하는 데 주요한 장애물이 될 수 있습니다. 또한, 시뮬레이션 및 벤치마크 세트에만 집중했기 때문에 실제 운영 중인 CPS에서 발견될 수 있는 수준의 다양성을 모두 포함하지 못했을 수 있습니다. 이는 CPS 평가에 일반적으로 채택되는 SWAT 및 WADI와 같은 시뮬레이션 세트에서 확인할 수 있는데, 이러한 세트들은 실제 환경의 CPS에서 경험하게 될 다양성 수준이 부족할 수 있습니다. 또한 본 시스템은 적절한 센서 데이터 공급을 가정하고 있는데, 이는 노후화된 CPS에서는 항상 가능하지 않을 수 있습니다. 시스템의 주요 한계는 시스템 평가가 오일 및 가스 산업의 시뮬레이션과 SWaT 및 WADI와 같은 CPS 벤치마크 데이터셋을 기반으로 하기 때문에, 시스템을 평가할 실제 오일 및 가스 산업 데이터가 부족하다는 점이며, 이는 오일 및 가스 산업의 실제 복잡성을 정확하게 반영하지 못할 수 있습니다. 제안된 시스템은 예측 능력 면에서 유망한 성능을 입증했습니다. 그러나 제안된 시스템은 학습 과정에서 더 높은 계산 비용이 필요합니다. 향후에는 차수 축소 뉴럴 오퍼레이터(reduced-order neural operators), 모델 가지치기(model pruning) 및 하이브리드 물리-ML 모델을 포함하여 제안된 시스템의 경량화된 대안이 고려될 수 있습니다.

모델 압축 기술에 관한 향후 연구에서는 실제 환경에서의 확장성 및 배포, 그리고 센서 밀도와 감지 정보의 품질이 크게 다를 수 있는 기존의 레거시 CPS 인프라로의 통합에 대한 연구가 필요합니다. 또한, 운영자를 위한 설명 가능성과 피드백 루프를 포함하도록 이 시스템을 확장하는 것은 설명 가능성을 개선하고 자율적 의사결정에 대한 신뢰를 구축하는 데 유익할 수 있습니다. 아울러, 인과적 디지털 트윈과 유사하게 현재의 이상 탐지 프로세스 내에 인과 추론 방법을 통합하는 것은 근본 원인 분석을 개선하고 오경보를 최소화하는 데 도움이 될 수 있습니다. 마지막으로, 강건성을 확보하기 위해 본 프레임워크를 실제 현장 데이터를 사용하여 검증해야 할 것입니다.

본 연구는 복잡한 사이버 물리 시스템에서 실시간 시스템 모니터링, 이상 탐지 및 의사 결정 능력을 향상시키는 것을 목표로 하는 지능형 제어 인식 디지털 트윈 모델의 개념을 입증하였습니다. 주로 수동적 관찰자로서 실시간 모니터링에 사용되는 전통적인 디지털 트윈과 달리, 본 연구는 물리 정보 신경 연산자, 시공간 그래프 신경망, 신경 데이터 동화, 강화 학습 기반 제어 및 학습 알고리즘을 하나의 디지털 트윈 시스템 모델 내에 통합하는 것을 목표로 합니다. 우선, 디지털 트윈 시스템을 통해 비선형 방정식 시스템의 물리 정보 학습 모델에서 실시간으로 시스템을 모니터링합니다. 둘째, 신경 4DVar 시스템을 데이터 동화 절차에 적용하여 물리적 시스템과 가상 시스템을 동기화함으로써 노이즈 및 시스템 변화로 인해 발생하는 시스템 예측의 드리프트를 최소화합니다. 이상 탐지는 시스템의 공간적 관계 또는 시간에 따른 시스템 진화의 시공간 모델을 통해 수행됩니다. 마지막으로, 강화 학습 에이전트가 제어 제약 조건을 고려하는 동시에 시스템 안전 제약 관점에서 유효한 동기화된 시스템 상태로부터 시스템 제어 동작을 생성합니다. 모의 오일 및 가스 공정과 벤치마크 CPS 시나리오인 SWAT 및 WADI에 대해 수행된 광범위한 실험을 통해, 시뮬레이션 및 벤치마크 조건 하에서 제안된 접근 방식의 잠재적 효과를 입증하였습니다. 제안된 모델은 모니터링 오차(MAE 및 RMSE)의 감소, 뛰어난 이상 탐지 결과 및 폐루프 제어를 위한 일관된 동작을 나타냈습니다. 이러한 결과는 디지털 트윈 내에서 이상 탐지와 제어의 동기화가 운영의 신뢰성과 효율성을 유지하는 데 중요한 요소임을 확인시켜 주었습니다. 디지털 트윈 기술의 또 다른 잠재적 발전 영역은 인공지능과 인과 관계를 통한 확장입니다. 본 프레임워크의 평가는 오일 및 가스 산업의 실제 데이터를 사용하여 검증함으로써 이루어질 예정입니다.

본 연구에서 도출된 결론은 시뮬레이션 및 벤치마크 데이터셋을 기반으로 하였으므로, 실제 석유 및 가스 시스템으로의 적용 가능성은 신중하게 해석해야 한다는 점을 강조하는 것이 중요합니다.

데이터 가용성:

본 연구에 사용된 SWaT 및 WADI 데이터셋은 공개적으로 이용 가능한 산업 제어 시스템 데이터셋이며, iTrust Lab 데이터셋 저장소(https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/)를 통해 접근할 수 있습니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
CPU (Intel Xeon / AMD Ryzen)	Intel / AMD	Xeon / Ryzen 시리즈	시스템 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 cuDNN	cuDNN 8.x	GPU에서의 딥러닝 연산을 위한 최적화된 프리미티브(primitives)를 제공함
DeepONet	해당 없음	https://arxiv.org/abs/1910.03193	스크립트 내에서 "neural operator model"로 지칭됨
GPU (NVIDIA RTX 4090)	NVIDIA	RTX 4090	뉴럴 오퍼레이터, ST-GNN 및 강화 학습 구성 요소를 포함한 딥러닝 모델 학습에 사용됨
GPU 가속 (CUDA 11.8)	NVIDIA CUDA	CUDA 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_018127	실험 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 없음	https://arxiv.org/abs/1412.6980	적응형 학습률 최적화를 통한 모델 학습에 사용됨
최적화된 심층 신경망 라이브러리 (버전 8.x)	NVIDIA cuDNN	https://developer.nvidia.com/cudnn RRID:SCR_018131	심층 신경망 연산을 위한 최적화된 GPU 가속 프리미티브를 제공함
프로그래밍 언어 (Python 3.10)	Python Software Foundation	https://www.python.org/downloads RRID:SCR_008394	구현 및 실험에 사용된 핵심 프로그래밍 언어
시스템 메모리 (≥ 64 GB RAM)	Corsair / Kingston / Crucial	https://www.corsair.com / https://www.kingston.com / https://www.crucial.com	고차원 다변량 시계열 데이터 처리 및 대규모 모델 학습을 지원함