Desenvolvimento de um Framework de Gêmeo Digital Consciente de Controle para Monitoramento e Otimização em Tempo Real de Sistemas de Produção de Óleo e Gás

Resumo

Este estudo apresenta uma estrutura de gêmeo digital com percepção de controle para monitoramento e otimização de sistemas de petróleo e gás utilizando modelos baseados em aprendizado de máquina e informações físicas, avaliada em conjuntos de dados simulados e de referência.

Resumo

Sugere-se neste artigo um framework de gêmeo digital com percepção de controle para monitoramento e melhoria de sistemas de produção de petróleo e gás. O método combina redes neurais gráficas espaciotemporais, assimilação de dados neural 4D-Var, controle baseado em aprendizado por reforço e operadores neurais informados pela física (FNO e modelo de operador neural). Conjuntos de dados de sistemas ciberfísicos de referência (SWaT e WADI) e um conjunto de dados simulado de petróleo e gás são utilizados para avaliar o framework. Os resultados, confirmados por várias execuções independentes usando medidas médias, demonstram desempenho aprimorado na estimativa de estado, detecção de anomalias e otimização de controle. Contudo, a avaliação está restrita a conjuntos de dados de referência e simulados; é necessária validação adicional com dados reais da indústria para verificar a aplicabilidade prática.

Introdução

A necessidade de redes seguras e eficazes para o transporte de petróleo e gás aumentou devido à crescente demanda mundial por energia. No entanto, a confiabilidade dos dutos é severamente prejudicada pela deterioração da infraestrutura e pela crescente complexidade dos sistemas. Nesse contexto, a tecnologia de gêmeo digital (digital twin, DT) tem atraído interesse como uma estratégia de gerenciamento do ciclo de vida baseada em dados, que permite avaliação de riscos, manutenção preditiva e otimização do sistema em ambientes industriais^1,2,3,4,5. Da manutenção reativa à tomada de decisões inteligente e baseada em dados, a transformação digital em sistemas industriais tem aumentado a detecção de anomalias, a previsão de falhas e a confiabilidade do sistema^6,7,8. As aplicações de gêmeos digitais na otimização de processos, manutenção preditiva e manufatura inteligente têm sido objeto de inúmeras pesquisas. Por exemplo, foram propostos modelos baseados em gêmeos digitais para análise preditiva de falhas¹⁰ e avaliação de desempenho ambiental¹¹, bem como otimização da produção baseada em aprendizado profundo. Os gêmeos digitais têm sido utilizados na indústria de petróleo e gás para melhorar o monitoramento e a identificação de anomalias por meio da modelagem do sistema, avaliação de desempenho e integração de dados de múltiplos sensores^12,13,14,15.

Apesar desses avanços, a maioria das técnicas atuais de gêmeos digitais concentra-se em características discretas, como monitoramento, modelagem ou detecção de anomalias, com pouca integração de sincronização e controle em tempo real. Muitos sistemas carecem de interação bidirecional e capacidades de aprendizado adaptativo, funcionando como sombras digitais com fluxo unidirecional de dados. Em sistemas de petróleo e gás, onde condições dinâmicas e padrões complexos de falhas exigem aprendizado e controle contínuos, essa limitação é especialmente relevante. Além disso, as técnicas atuais de sistemas ciberfísicos não suportam controle em malha fechada em tempo real em processos industriais complexos, estando principalmente limitadas à análise off-line¹⁶. Ademais, para descrever interações entre sensores distribuídos, as abordagens atuais dependem principalmente de técnicas tradicionais de aprendizado de máquina e filtros, com pouco uso de modelos sofisticados, como redes neurais gráficas espaço-temporais. Além disso, há escassez de pesquisas sobre a aplicação de técnicas de aprendizado operador para capturar dinâmicas físicas não lineares, especialmente em sistemas de produção de petróleo e gás¹⁷. Por essa razão, os sistemas atuais de gêmeos digitais são incapazes de incorporar assimilação de dados em tempo real e controle adaptativo ao modelar relações espaço-temporais complexas.

Como imitam configurações de controle industriais, conjuntos de dados de referência como SWaT e WADI são frequentemente utilizados para validar técnicas baseadas em gêmeos digitais em sistemas ciberfísicos¹⁸. Além disso, os gêmeos digitais oferecem benefícios mais gerais, como aumento da produtividade, melhor troca de conhecimento e transferência segura de dados ao longo dos processos industriais^19,20. Especialmente em indústrias de alto risco, como petróleo e gás^21,22,23, seu potencial em gestão de segurança, monitoramento em tempo real e automação industrial está sendo cada vez mais reconhecido. No entanto, ainda são necessárias soluções mais completas e integradas que combinem capacidades de modelagem, monitoramento e controle para implantação prática. Ao demonstrar os usos e benefícios dos gêmeos digitais na melhoria da eficiência operacional e na forma como as decisões são tomadas, estudos de avaliação como os citados em^24,25 lançaram as bases. Tabela 1 mostra a comparação dos métodos existentes sobre fabricação e gestão de controle em petróleo e gás^26,27,28,29. Devido aos altos riscos operacionais e à dinâmica complexa dos sistemas de produção de petróleo e gás, métodos tradicionais de manutenção frequentemente são inadequados para identificação e resposta rápidas a anomalias^30,31,32,33. Embora a gestão de segurança e o monitoramento remoto tenham melhorado recentemente, ainda são necessários sistemas inteligentes capazes de detectar, aprender e controlar continuamente em tempo real.

Este artigo propõe uma arquitetura de gêmeo digital com percepção de controle que combina redes neurais gráficas espaciotemporais, assimilação neural de dados 4D-Var, operadores neurais com informação física e controle baseado em reforço por aprendizado para superar essas dificuldades. O sistema proposto estabelece um único fluxo de trabalho para coleta de dados, estimativa de estado, detecção de anomalias e otimização de controle. Enquanto as redes neurais gráficas espaciotemporais registram as interações entre sensores distribuídos, operadores neurais com informação física, como o Operador Neural de Fourier e a Rede Profunda de Operadores (modelo de operador neural), são utilizados para representar dinâmicas complexas e não lineares do sistema. A aprendizagem por reforço permite um controle adaptativo em malha fechada, enquanto a assimilação neural de dados melhora a precisão da estimativa de estado. A generalização do método proposto em ambientes industriais é demonstrada por meio de sua avaliação utilizando conjuntos de dados de referência de sistemas ciberfísicos (SWaT e WADI) e dados simulados de petróleo e gás. Este trabalho supera deficiências significativas dos sistemas atuais de gêmeos digitais e oferece uma solução escalável e adaptável para monitoramento e otimização em tempo real em sistemas de produção de petróleo e gás, integrando modelagem, aprendizado e controle em um único framework.

Protocolo

Este estudo não envolve participantes humanos nem sujeitos animais. Os conjuntos de dados utilizados (SWaT e WADI) são conjuntos de dados de referência publicamente disponíveis, e nenhuma informação sensível ou pessoal está envolvida.

A abordagem proposta estabelece um gêmeo digital consciente do controle, permitindo a incorporação de algoritmos avançados de aprendizado profundo, assimilação de dados e avaliação contínua e otimização dos sistemas e do controle na extração de petróleo e gás. Primeiramente, dados em tempo real de sensores multímodos provenientes de infraestruturas produtivas distribuídas geograficamente são coletados e modelados usando uma estrutura de grafo que define a conectividade e as interações entre os componentes produtivos. Em seguida, operadores neurais informados pela física são utilizados para a construção de aproximações em nível de operador das equações governantes do fluxo multifásico não linear, facilitando simulações escaláveis dentro do gêmeo digital. Na pesquisa, o termo ‘modelo de operador neural’ foi usado para se referir à rede profunda de operadores (Deep Operator Network). A fim de incorporar dependências espaciais e temporais entre ativos produtivos distribuídos geograficamente, redes neurais gráficas espaciais e temporais são treinadas dentro das representações informadas pela física. Uma abordagem diferenciável de assimilação de dados que utiliza a técnica neural 4DVAR é aplicada para manter as previsões de simulação do gêmeo digital consistentes e sincronizadas com os dados de monitoramento em tempo real, mesmo diante de medições ruidosas e espacialmente irregulares. Sobre o gêmeo digital sincronizado em tempo real, uma ferramenta de otimização orientada por aprendizado por reforço é treinada para controle em tempo real. Por fim, o gêmeo digital permanece preparado para atualizações contínuas dos modelos e para escalabilidade adaptada ao longo de um período prolongado, com base em atualizações constantes provenientes de novas medições disponíveis.

A arquitetura de gêmeo digital proposta aprimora a arquitetura convencional de gêmeo digital ao incorporar inteligência, adaptabilidade e percepção de controle. Todo o fluxo é composto por quatro módulos: (i) aquisição de dados/construção do grafo, (ii) estimativa de estado por meio de operadores neurais e ST-GNN, (iii) detecção de anomalias por meio de análise baseada em resíduos e (iv) controle baseado em aprendizado por reforço.

Figura 1: Arquitetura geral do modelo digital com consciência de controle. A detecção de anomalias, redes neurais gráficas espaciotemporais, sincronização neural 4D-Var, operadores neurais com informação física e controle em malha fechada baseado em aprendizado por reforço são todos integrados ao modelo proposto de gêmeo digital com consciência de controle. Clique aqui para visualizar uma versão maior desta figura.

Figura 1 representa o processo funcional de um gêmeo digital com percepção de controle da produção de petróleo e gás como um sistema ciberfísico em malha fechada. O processo funcional começa no nível do sistema de produção de petróleo e gás, no qual diferentes sensores distribuídos em poços, tubulações, válvulas e unidades de processamento capturam dados de pressão, taxa de fluxo, temperatura e controles em um determinado instante. Os diversos sensores capturam dados em diversos formatos, e os dados são enviados ao gêmeo digital, o que constitui a base da percepção organizacional naquele instante.

A metodologia proposta envolve os seguintes passos:

Coleta de dados

Informações em tempo real provenientes de sensores sobre pressão, vazão, temperatura e entradas de controle são obtidas de ambientes de produção de petróleo e gás. Outros conjuntos de dados de referência disponíveis, como SWAT e WADI, são utilizados para avaliar a robustez e as capacidades de generalização. Para garantir a reprodutibilidade, cada etapa da metodologia proposta é especificada usando detalhes técnicos.

[Consulte o Arquivo Suplementar (S1) para a Geração do Conjunto de Dados e Simulação.]

Dois conjuntos de dados industriais de domínio público, usados como referência no campo de pesquisa de sistemas de controle industrial, são utilizados para demonstrar a capacidade do modelo conceitual de gêmeo digital em relação a dados temporais complexos e de alta dimensionalidade, bem como eventos incomuns: os conjuntos de dados de referência Secure Water Treatment (SWaT) e Water Distribution (WADI)³⁴. Ambos os conjuntos de dados são derivados de laboratórios experimentais ciberfísicos realistas e incluem dados multivariados de sensores e atuadores referentes a operações normais e a cenários anômalos ou de ataque acionados nesses sistemas. Ao utilizar os conjuntos de dados SWaT e WADI, é possível realizar testes interdomínios e comprovar a generalização para além dos laboratórios ciberfísicos, abrangendo sistemas industriais distribuídos mais amplos, com dependências espaciais e temporais. A descrição dos conjuntos de dados é apresentada na Tabela 2.

A pesquisa proposta utiliza três conjuntos de dados diferentes para a avaliação extensiva da metodologia de gêmeo digital desenvolvida, conforme mostrado na Tabela 2. O conjunto de dados base é composto por dados simulados relacionados à organização produtiva na indústria de óleo e gás e tem o objetivo de reproduzir medições operacionais reais detectadas pelo sistema, bem como condições de controle e/ou falhas. Além disso, o conjunto de dados do Tratamento Seguro de Água (SWaT) é apresentado como exemplo de um sistema físico em escala reduzida, composto por medições de 51 sensores e atuadores ao longo de aproximadamente 11 dias, incluindo tanto condições normais quanto anomalias e ataques criados artificialmente. Esse conjunto de dados é amplamente considerado o padrão de referência para pesquisas. Outro conjunto é o de Distribuição de Água (WADI), cujas medições capturam o comportamento de um sistema de distribuição de água em escala reduzida, composto por cerca de 123 variáveis ao longo de 16 dias, incluindo diferentes ataques e condições normais de operação. O conjunto de dados contém um total de 15 ataques diferentes. Os dois conjuntos de dados mencionados concentram-se principalmente em séries de alta dimensionalidade ao longo do tempo e em relações espaciais, como nos sistemas de controle industrial.

Pré-processamento de dados

Antes do treinamento do modelo, todos os conjuntos de dados passam por um procedimento rigoroso de pré-tratamento para garantir qualidade, consistência e reprodutibilidade dos dados. O gerenciamento de valores ausentes, a filtragem de ruídos, a normalização e a padronização de características estão entre os procedimentos de pré-processamento. O pipeline detalhado de pré-processamento é descrito no Arquivo Suplementar (S2).

Construção do grafo do sistema

Na metodologia proposta, o sistema físico de produção de petróleo e gás é representado na forma de um grafo, que serve como uma estrutura matemática para a descrição das correlações espaciais entre ativos, juntamente com a dinâmica do estado do sistema ao longo do tempo (consulte o Arquivo Suplementar (S3) para as Formulações da Construção do Grafo do Sistema).

Ensino de física utilizando operadores neurais

Para a representação correta das características não lineares e multidimensionais dos sistemas de escoamento multifásico, a abordagem proposta utiliza operadores baseados na física na forma de Operadores Neurais de Fourier (FNO) e modelo de operador neural. Diferentemente do método tradicional de representar redes neurais como mapeamentos pontuais, o conceito de operadores permite generalização em termos de diferentes condições de contorno. Essa característica torna este método mais adequado para sistemas de escoamento multifásico utilizados na produção de petróleo e gás, uma vez que os fenômenos físicos ocorrem de forma contínua. Consulte o Arquivo Suplementar (S4) para as equações matemáticas dos operadores neurais.

Para avaliar mais amplamente a validade dos operadores neurais baseados em física, foram realizados experimentos adicionais para avaliar sua capacidade de aproximar mapeamentos de operadores não lineares sob diferentes estados de fluxo e entradas de controle. Os resultados mostram que os operadores conseguem aproximar com precisão o mapeamento do operador não linear, validando assim sua capacidade de modelar com exatidão a dinâmica do sistema, especialmente na presença de alta dimensionalidade e com menor custo computacional em comparação com outros resolvedores. A avaliação quantitativa da precisão da aprendizagem do operador é realizada por meio do erro quadrático médio entre os estados do sistema previstos e simulados, demonstrando desempenho consistente de aproximação em diferentes condições de fluxo.

Figura 2: Fluxo de trabalho do framework do operador neural com base física. Um exemplo do fluxo de trabalho do operador neural com base física demonstra como entradas de controle, dados de sensores e condições de contorno são utilizados para aprender dinâmicas não lineares de fluxo multifásico e produzir previsões rápidas do sistema em nível de operador. Clique aqui para visualizar uma versão maior desta figura.

No processo de funcionamento do PINO apresentado na Figura 2, o processo de aprendizado de escoamentos multifásicos não lineares fisicamente complexos em processos de petróleo e gás ocorre de maneira contínua. Isso começa na camada de entrada, onde o modelo recebe dados heterogêneos sobre o sistema fisicamente em evolução. Essa entrada assume a forma de condições de contorno, que variam de pressão, temperatura e velocidade, bem como dados em tempo real provenientes de sensores posicionados dentro do sistema de petróleo e gás, além de variáveis de controle como abertura de válvulas, velocidade de bombas ou abertura de estranguladores. Todas essas entradas definem a operação do sistema fisicamente em evolução.

O componente principal do fluxo de trabalho é o PINO, implementado por meio do FNO e do modelo de operador neural. O método proposto é diferente e distinto no sentido de que utiliza operadores neurais para aprender operadores entre espaços funcionais, ao contrário das redes neurais tradicionais, que tendem a se concentrar em mapeamentos pontuais entre entradas e saídas. Neste nível, o FNO é capaz de capturar as relações espaciais globais utilizando o domínio de Fourier, e o modelo de operador neural é capaz de aprender representações de operadores usando tanto redes ramificadas quanto redes tronco. O modelo aprendido é guiado por restrições físicas para garantir que a dinâmica prevista se comporte conforme esperado no escoamento multifásico. O resultado do operador neural assume a forma de uma solução de campo contínuo para variáveis físicas importantes, como pressão, vazões e distribuição de fases em toda a rede de produção. Além disso, os valores de saída são precisos em todo o campo, incluindo poços, dutos e outras unidades conectadas, em vez de serem medidos em pontos específicos, como sensores. Dessa forma, a saída do operador neural oferece a capacidade de produzir rapidamente simulações altamente precisas, capazes de aproximar a solução de equações diferenciais parciais sem necessariamente resolvê-las. Essa solução atua como a solução rápida no gêmeo digital.

O processo de aprendizado do operador neural utiliza características em nível de função e em nível de sistema, extraídas dos processos de produção de petróleo e gás. As características consistem principalmente nas variáveis de estado físico da produção de petróleo e gás, que são campos contínuos, temperatura, vazão, pressão e frações de fase para óleo, gás e água. As características incluem também condições de contorno, que envolvem pressões de entrada, vazões e posições de válvulas. Entradas de controle, que envolvem posições de válvulas de estrangulamento e velocidade de bomba, também são consideradas para prever respostas sob diferentes cenários operacionais. O modelo de operador neural recebe as características físicas e parâmetros de controle, que são processados pelas redes tronco e ramificação. As características fornecem informações suficientes para que os operadores neurais prevejam relações operacionais precisas, dependentes tanto dos processos físicos quanto dos fatores operacionais, permitindo simulações rápidas de gêmeos digitais.

Operador neural de Fourier (FNO)

Nesta pesquisa, um Operador Neural de Fourier (FNO)³⁶ é utilizado para estimar eficazmente as correspondências operadoras que descrevem a dinâmica não linear do fluxo multifásico em sistemas de produção de petróleo e gás. Diferentemente das redes neurais tradicionais, que aproximam correspondências entrada-saída para um conjunto específico de pontos, o FNO proposto aproxima correspondências entre espaços funcionais, permitindo assim a generalização em diversas escalas e configurações de um sistema. Neste caso, o FNO atua transferindo as representações do estado do sistema do espaço original para o domínio de Fourier, onde as convoluções espectrais podem ser aplicadas efetivamente para capturar as dependências espaciais globais existentes nos sistemas. Aqui, a representação do estado de entrada é projetada em um espaço latente de maior dimensão, e as transformações e ativações são aplicadas iterativamente usando transformadas de Fourier, núcleos espectrais e funções de ativação. Consulte o Arquivo Suplementar (S4.1) para as avaliações matemáticas do operador neural de Fourier.

Modelo de operador neural

O modelo de operador neural³⁷ atua como uma abordagem alternativa dentro do processo de operador neural para aproximar um operador físico não linear que define a dinâmica de produção de petróleo e gás. A descrição detalhada do modelo de operador neural está apresentada no Arquivo Suplementar (S4.2) (consulte o Arquivo Suplementar S10 para o Algoritmo 1: Aprendizado de Física com Operadores Neurais para o Algoritmo do Gêmeo Digital).

A abordagem proposta, que utiliza operadores neurais, começa, portanto, com a coleta de exemplos emparelhados de entradas e saídas, em que as entradas são exemplos de condições do sistema na forma de valores de contorno do sistema, variáveis de controle ou características físicas. O operador neural é treinado em uma fase iterativa que envolve a previsão de respostas a uma função de entrada, seguida pela melhoria das discrepâncias entre as previsões e as respostas reais, utilizando uma função de erro quadrático médio. Essa abordagem leva à otimização baseada em gradientes, pela qual um operador neural descobre operadores físicos sistêmicos que definem o comportamento do sistema. O sistema treinado pode, assim, prever com eficiência as respostas do sistema a diferentes condições de entrada.

Modelagem de sistemas espaço-temporais

Na arquitetura de gêmeo digital proposta³⁸, o processo de produção de petróleo e gás foi representado por um grafo espaço-temporal. Isso foi feito para conceitualizar a conectividade, bem como o processo de evolução temporal dos recursos produtivos distribuídos.

O processo de produção de petróleo e gás possui inerentemente uma estrutura distribuída em termos de poços, infraestrutura de dutos e sensores. Para capturar de forma eficiente as relações espaciais/temporais de tal processo, a abordagem de gêmeo digital desenvolvida neste artigo utiliza redes neurais gráficas espaciais/temporais (ST-GNN). Nessa abordagem, as entidades do sistema são representadas em termos de nós do grafo, e as relações espaciais/funcionais do sistema são indicadas por arestas do grafo. As relações temporais são expressas em termos de funções de janela, a fim de prever de forma eficiente as transições de estado do sistema e anomalias. Consulte o Arquivo Suplementar (S5) para obter uma descrição detalhada da Rede Neural Gráfica Espaço-Temporal (ST-GNN).

Sincronização de gêmeo digital usando Neural 4D VAR

A sincronização do gêmeo digital pode ser definida como a sincronização contínua do gêmeo virtual com um ambiente físico de produção de petróleo e gás em constante mudança, com base em leituras em tempo real de sensores. Na prática, os gêmeos digitais fazem previsões sobre estados em um sistema, como pressão, vazão e temperatura, com base na compreensão da dinâmica do sistema físico. No entanto, devido a incertezas e ruídos nos sensores, surge inevitavelmente uma discrepância entre previsões e medições. Por esse motivo, a fim de sincronizar previsões com medições reais, outro método conhecido como 'assimilação de dados' é introduzido neste trabalho, com o objetivo de tornar as previsões autoconsistentes com as medições físicas. Para garantir a sincronização do processo físico e do gêmeo digital durante observações com sensores ruidosos e esparsos, é incorporado um método de assimilação de dados neural 4D-Var. O componente adicionado tem como objetivo reduzir a lacuna entre as medições dos sensores e as previsões do modelo dentro de uma janela de assimilação. Utilizando a diferenciabilidade, o método neural 4D-Var permite aprendizado de ponta a ponta e possibilita a correção online do estado do gêmeo digital (consulte Arquivo Suplementar (S6) para Assimilação de Dados Neural 4D-Var, Arquivo Suplementar (S10) para Algoritmo 2: Sincronização do Gêmeo Digital Usando Neural 4D-Var e consulte Arquivo Suplementar (S11) para hiperparâmetros e detalhes de treinamento).

Detecção e diagnóstico de anomalias

No conjunto de dados simulado de petróleo e gás, anomalias foram injetadas mediante a introdução de perturbações controladas, como quedas de pressão superiores a 15%, picos anormais de fluxo e falhas em válvulas. Pontos de dados que excederam um valor de limite pré-definido ou que se desviaram de uma distribuição estatística de referência são identificados como anomalias. Para a formulação matemática do Quadro de Detecção de Anomalias (Arquivo Suplementar, S7).

Otimização e controle em malha fechada

No sistema proposto, o controle em malha fechada pode ser alcançado mediante a incorporação do DT harmônico e do módulo de aprendizado por reforço para otimização. Na parte dos gêmeos digitais, o gêmeo digital prevê o comportamento futuro do processo de produção de petróleo e gás sob diversas condições, como o posicionamento de diferentes válvulas, taxas de bomba ou controle de fluxo. Isso permite o desenvolvimento de uma área de segurança na qual o agente de controle pode avaliar o resultado de ações desejadas sem que elas sejam materializadas no processo do mundo real. Assim, aproveitando as previsões fornecidas pelo gêmeo digital, o módulo de aprendizado por reforço pode otimizar objetivos operacionais, incluindo a eficiência do processo, o consumo de energia e a estabilidade do processo, sem estar limitado por restrições do processo. Consulte o Arquivo Suplementar (S8) para a descrição matemática da Otimização e Controle em Malha Fechada.

Aprendizado e adaptação contínuos

Sistemas industriais enfrentam ambientes não estacionários com equipamentos envelhecidos, condições operacionais variantes no tempo e perturbações imprevistas. Para projetar uma abordagem para isso, o modelo de gêmeo digital proposto inclui um componente de aprendizado contínuo que atualiza operadores neurais, modelos de grafos e políticas com base em aprendizado incremental. Ao observar variações significativas e padrões não identificados, o aprendizado é facilitado pela incorporação de novos dados e pelo ajuste de parâmetros associados ao modelo de gêmeo digital.

A aprendizagem contínua também está aprimorando a robustez das políticas de controle e a detecção de anomalias, pois ajuda o sistema a identificar novos ou diferentes padrões de comportamento. Os feedbacks provenientes de anomalias nos resultados de controle são aplicados para ajustar modelos e otimizar uma política de aprendizagem por reforço que garantirá processos eficazes de tomada de decisão à medida que o sistema continuar a mudar e evoluir. Esse processo de aprendizagem adaptativa transforma um gêmeo digital de um mero observador passivo em um sistema inteligente capaz de sustentar processos de otimização em tempo real de sistemas complexos de produção de petróleo e gás por um período prolongado, utilizando um ambiente de infraestrutura tecnológica rigoroso e eficaz. Na Table 3, apresenta-se a arquitetura do modelo e os hiperparâmetros.

Consulte o Arquivo Suplementar (S9) para a formulação matemática da Adaptação por Aprendizado Contínuo.

O módulo de pré-processamento de dados é responsável por transformar dados brutos de sensores em entradas estruturadas e normalizadas adequadas para módulos de aprendizado posteriores. Especificamente, ele agrega medições históricas de sensores, remove ruídos e padroniza características para garantir qualidade consistente dos dados. Os dados processados, juntamente com condições de contorno e entradas de controle, são então fornecidos como entrada para o módulo de operador neural com informação física (FNO/modelo de operador neural), que aprende as relações físicas não lineares subjacentes e gera uma estimativa contínua do estado do sistema. Este estado estimado do sistema é subsequentemente utilizado pelo módulo de otimização de controle para atualizar estrategicamente as ações de controle de forma dinâmica. As saídas de controle otimizadas são então encaminhadas ao módulo de tomada de decisão, que interpreta os resultados e gera decisões acionáveis para a operação do sistema. Um mecanismo de feedback é incorporado para atualizar continuamente o sistema com base em novos dados observados, melhorando assim a adaptabilidade e o desempenho ao longo do tempo. Para aumentar a clareza e a reprodutibilidade, apresenta-se uma arquitetura em nível de sistema para ilustrar a interação entre os módulos. O sistema proposto consiste em quatro componentes principais, a saber, pré-processamento de dados, modelagem de operador neural com informação física, otimização de controle e tomada de decisão. Esses módulos estão interconectados por meio de interfaces entrada-saída bem definidas, garantindo um fluxo contínuo de dados, aprendizado iterativo e operação coordenada em todo o sistema de gêmeo digital.

Figura 3: Fluxograma da Arquitetura de Otimização de Controle em Nível de Sistema. Mostra a arquitetura geral do sistema do trabalho proposto. Clique aqui para visualizar uma versão maior desta figura.

A arquitetura do sistema mostra um panorama completo do modelo que pode ser usado para modelar e otimizar dinâmicas físicas não lineares complexas em sistemas de produção de petróleo e gás. Isso começa com os dados de entrada, que incluem os parâmetros utilizados na simulação e as condições de contorno usadas para representar o ambiente físico. Esses dados passam primeiro pelo módulo de pré-processamento de dados, onde são realizados normalização e extração de características. Isso prepara os dados para o próximo módulo, onde o operador neural, FNO, e o modelo de operador neural são utilizados. Esses modelos são usados para prever os estados do sistema, e essa informação é utilizada para otimizar os parâmetros do sistema por meio do módulo de otimização. Os resultados otimizados são então usados para tomada de decisões pelo módulo de tomada de decisão. Esse módulo ajuda a determinar a eficiência do sistema. A estrutura também inclui os resultados de saída, onde os resultados do processo de otimização são mostrados na Figura 3. Além disso, um laço de realimentação está incluído, no qual os dados passam novamente pelo módulo de pré-processamento após os resultados de saída.

Resultados

Para testar a validade dos operadores neurais informados pela física, foram realizados testes adicionais de desempenho para comparar o desempenho do FNO e do modelo de operador neural na modelagem da dinâmica do sistema de fluxo multifásico não linear. Os resultados mostraram que o FNO apresenta melhor desempenho na consistência espacial global, enquanto o modelo de operador neural apresenta maior adaptabilidade a entradas heterogêneas.

Para garantir um treinamento e avaliação eficazes do framework de gêmeo digital proposto, todos os experimentos foram realizados em um ambiente de computação de alto desempenho. O Python foi utilizado como linguagem de programação principal para a implementação. Um framework popular de aprendizado profundo com aceleração de GPU habilitada por CUDA e uma biblioteca otimizada de redes neurais profundas foi empregado para criar modelos de aprendizado profundo, tais como operadores neurais baseados na física, redes neurais gráficas espaciotemporais e módulos de aprendizado por reforço. Para facilitar o processamento de dados em larga escala e o treinamento de modelos com séries temporais multivariadas, os testes foram realizados em uma estação de trabalho com CPU de múltiplos núcleos, uma unidade de processamento gráfico (GPU) de alto desempenho com memória dedicada e pelo menos 64 GB de memória do sistema. Para assegurar compatibilidade com o ecossistema de aprendizado profundo, o ambiente do sistema operacional foi baseado em uma distribuição Linux.

Utilizou-se a otimização baseada em gradiente por mini-lotes para treinar os modelos, e diversas execuções independentes dos experimentos foram conduzidas para garantir confiabilidade estatística. A metodologia proposta pode ser replicada em configurações computacionais de alto desempenho comparáveis, graças à configuração computacional fornecida.

Para validar os resultados por meio de ensaios repetidos, todos os experimentos foram repetidos com múltiplas execuções independentes utilizando diferentes valores de inicialização aleatória. No caso dos experimentos que utilizaram dados simulados, o modelo foi executado em (N) ensaios independentes, e os valores foram relatados com a média de desempenho e o desvio padrão. No caso dos experimentos que utilizaram os dados de referência SWAT e WADI, as métricas de avaliação MAE, RMSE, F1 Score e AUROC foram calculadas nos dados de teste e médias ao longo dos experimentos repetidos para tornar os resultados estatisticamente robustos. Isso foi feito para obter uma estimativa confiável do desempenho do modelo e garantir que os aprimoramentos de desempenho não se devam a um único experimento.

No entanto, os resultados confirmaram que a integração de aprendizado baseado na física, modelagem espaço-temporal e técnicas de assimilação de dados em um sistema integrado de gêmeo digital resulta consistentemente em um desempenho aprimorado de monitoramento nas condições avaliadas, convergência mais rápida e decisões ótimas em tempo real, em comparação com os métodos convencionais. Tabela 4 mostra o ambiente de simulação do trabalho proposto.

O ambiente de simulação é modelado para representar com precisão a operação em tempo real dentro do setor industrial. Os dados dos sensores são coletados em intervalos curtos para representar o ambiente de dados em fluxo, e quantidades controladas de ruído são adicionadas para testar a robustez. Vários casos de falhas e perturbações são simulados para avaliar a detecção de anomalias e as capacidades de controle. Uma abordagem de janela deslizante é utilizada na avaliação, a fim de representar a operação em tempo real de maneira contínua, adequada para atualizações dinâmicas pelo protótipo digital proposto, para previsões e sincronizações de estado, bem como para gerar ações de controle.

No projeto do modelo de gêmeo digital com reconhecimento de controle, diversos critérios de avaliação devem ser considerados para avaliação simultânea. Primeiramente, para a capacidade de monitoramento e predição de estado da arquitetura do gêmeo digital, são utilizados critérios de regressão, como Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Erro Médio Percentual Absoluto (MAPE). O MAE e o MAPE calculam a precisão dos operadores neurais e dos modelos de grafos espaciotemporais em parâmetros-chave do sistema, como pressão, taxa de fluxo e temperatura, sendo válidos para os dados multivariados contínuos dos sensores utilizados no processo de produção de petróleo e gás.

Em segundo lugar, o processo de sincronização do próprio gêmeo digital, no que diz respeito ao erro de estimação de estado e à eliminação da deriva de previsão, também é avaliado. O erro de estimação de estado mede o grau de erro entre o estado real do sistema e o estado do gêmeo digital sincronizado, sendo um indicador da eficácia com que o módulo neural 4D-Var desenvolvido utiliza as observações do estado real do sistema para aprimorar as previsões da dinâmica do sistema. Por fim, a redução da deriva de previsão indica o ganho de desempenho da abordagem proposta em comparação com o sistema de gêmeo digital não sincronizado, devido à capacidade da abordagem de resistir a observações ruidosas ou esparsas do sistema.

Terceiro, quando se trata de detectar anomalias e diagnosticar falhas, são empregados parâmetros de avaliação orientados à classificação, como Precisão, Revocação (Recall), F1 e Área sob a Curva ROC (AUC). Enquanto a revocação refere-se à capacidade de diagnosticar com precisão erros reais sem deixar de identificar nenhum, a precisão pode ser vista como uma medida da validade de uma anomalia reconhecida. O desempenho pode ser adequadamente avaliado utilizando a métrica F1. Os parâmetros de avaliação são geralmente adotados em sistemas SWAT e WADI.

Tabela 5 é usada para avaliar a eficácia do módulo proposto de sincronização neural 4D-Var na redução da deriva de previsão entre os modelos físico e cibernético para três conjuntos de dados. O erro de estado inicial corresponde ao erro entre os modelos sem sincronização, e o erro de estado final corresponde ao erro do modelo após a aplicação da sincronização. Pode-se observar uma melhoria significativa no erro de estado para os três conjuntos de dados, sendo a maior melhoria (72,2%) observada no modelo simulado de sistema de petróleo e gás, devido à sua relativa simplicidade em comparação com SWAT (63,6%) e WADI (57,7%). Essas medições são consistentes com os respectivos níveis de complexidade e de "ruído". A taxa aumentada de redução da deriva para o conjunto de dados simulado de petróleo e gás pode ser explicada pelo fato de que o ambiente simulado geralmente envolve um nível reduzido de ruído, menos perturbações aleatórias e comportamento do sistema bem definido quando comparado a outros sistemas ciberfísicos realistas, como SWAT e WADI. Entretanto, essa argumentação deve ser tratada como uma hipótese e não pode ser comprovada quantitativamente com base nos resultados deste trabalho. Em trabalhos futuros, medidas de complexidade como entropia, variância do ruído e dimensionalidade do sistema poderão ser utilizadas para validar esse argumento.

Figura 4: Monitoramento do desempenho em diferentes conjuntos de dados (Simulado de Petróleo e Gás, SWAT e WADI) avaliado por meio das métricas de erro MAE, RMSE e MAPE (%). As barras representam os valores médios obtidos a partir de múltiplas execuções independentes (n = 5). As barras de erro indicam o desvio padrão (DP), enquanto barras de erro sobrepostas mais finas representam o erro padrão da média (EPM = DP/√n). Os valores de DP e EPM para cada métrica são explicitamente mostrados na legenda. A significância estatística é avaliada por meio de testes t independentes em relação ao conjunto de dados de referência (Simulado de Petróleo e Gás), e os valores de p correspondentes são exibidos acima das barras. Clique aqui para visualizar uma versão maior desta figura.

A análise de desempenho do processo de monitoramento realizado pelo modelo de gêmeo digital proposto sobre conjuntos de dados como Petróleo e Gás Simulado, SWAT e WADI, levando em consideração os critérios de avaliação MAE, RMSE e MAPE, foi representada na Figura 4. O conjunto de dados de Petróleo e Gás Simulado apresenta a menor medida de erro em todos os critérios, o que manifesta claramente a precisão do monitoramento do estado do sistema em um ambiente simulado, onde os parâmetros do sistema são modelados com exatidão. Os conjuntos de dados SWAT e WADI demonstram erros no monitoramento do sistema que aumentam progressivamente devido à complexidade de sistemas reais, juntamente com seu ruído intrínseco e não linearidades, que não estão presentes em sistemas simulados. No entanto, o pequeno aumento nas medidas de erro de MAE e RMSE confirma a estabilidade do desempenho do sistema do modelo de gêmeo digital nessas circunstâncias.

Figura 5: Desempenho na detecção de anomalias em diferentes conjuntos de dados (Simulated Oil and Gas, SWAT e WADI) avaliado por meio do escore F1 e AUC. As barras representam os valores médios obtidos a partir de múltiplas execuções independentes (n = 5). As barras de erro indicam o DP, enquanto barras de erro sobrepostas mais finas representam o EP = DP/√n. Clique aqui para visualizar uma versão maior desta figura.

Figura 5 mostra a análise de avaliação do sistema proposto para detecção de anomalias com base na pontuação F1 e na AUC para os três conjuntos de dados. O conjunto de dados de Petróleo e Gás, que é o conjunto simulado, apresenta o melhor desempenho, pois alcança as pontuações mais altas de F1 e AUC. Embora haja uma queda gradual no desempenho, o sistema atinge alto desempenho em AUC entre os conjuntos de dados, com pequenas variações dependendo da complexidade do conjunto de dados. O alinhamento das curvas de pontuação F1 e AUC para os três conjuntos de dados mostra um ponto ótimo de equilíbrio, o que indica um bom compromisso e torna o sistema proposto confiável para detecção precoce de falhas e intrusões. O sistema proposto apresenta desempenho excepcional na identificação de anomalias nos três conjuntos de dados.

A precisão, a revocação e os valores F1 do modelo proposto de gêmeo digital na detecção de anomalias em diferentes conjuntos de dados são apresentados na Tabela 6 abaixo. Embora os altos valores de precisão indiquem que a maioria dos pontos de interesse identificados são de fato verdadeiros pontos de interesse, os altos valores de revocação mostram que a maior parte dos pontos de interesse reais são corretamente identificados, sem deixar de detectar os importantes. O ambiente de demonstração no domínio de petróleo e gás registra o maior valor F1 de 0,94, enquanto resultados ligeiramente inferiores nos conjuntos SWAT e WADI podem ser atribuídos a níveis mais altos de ruído e interdependências entre sensores e padrões de ataque. No entanto, os altos valores de F1 confirmam que foi alcançada uma modelagem e sincronização robustas de grafos espaço-temporais para a detecção de anomalias.

Figura 6: Curvas Características de Operação do Receptor (ROC) para detecção de anomalias nos conjuntos de dados Simulated Oil and Gas, SWAT e WADI. O desempenho é avaliado usando a Área Sob a Curva (AUC). O desvio padrão (SD) e o erro padrão da média (SEM = SD/√n, n = 5) dos valores de AUC estão incluídos na legenda para cada conjunto de dados. A linha tracejada diagonal representa o desempenho de classificação aleatória. Clique aqui para visualizar uma versão maior desta figura.

Figura 6 mostra as curvas da Característica Operacional do Receptor (ROC), juntamente com as medidas associadas de AUROC para os três diferentes conjuntos de dados, avaliando a precisão da detecção de anomalias independentemente da escolha do limiar. Na curva ROC do conjunto de dados simulado de Petróleo e Gás, a região se aproxima notavelmente da origem, estabelecendo assim um AUROC de 0,99, o que confirma a capacidade de classificação praticamente impecável. No caso dos conjuntos de dados SWAT e WADI, os valores de AUROC situam-se em 0,97 e 0,95, respectivamente, demonstrando boa capacidade de classificação apesar da presença de incertezas maiores. O fato de as curvas ROC estarem distantes das linhas que representam classificação aleatória garante que o modelo de gêmeo digital desenvolvido tenha desempenho notavelmente superior ao nível de acaso na detecção precisa de anomalias. As curvas da Característica Operacional do Receptor (ROC) na Figura 6 mostram o desempenho do modelo de gêmeo digital proposto na detecção de anomalias nos três conjuntos de dados. Os escores de AUROC são 0,99 para o conjunto de dados simulado de Petróleo e Gás, 0,97 para o conjunto de dados SWAT e 0,95 para o conjunto de dados WADI, indicando a capacidade de discriminação do modelo tanto em sistemas de controle industriais simulados quanto em sistemas de referência.

Tabela 7 apresenta uma descrição concisa das recompensas cumulativas e das violações de restrição para o módulo de aprendizado por reforço para controle em malha fechada integrado ao gêmeo digital. A recompensa cumulativa obtida representa o desempenho geral do controle com base nos objetivos operacionais, enquanto as violações de restrição representam o número total de violações durante a operação. As recompensas cumulativas com zero violações de restrição são as mais altas (96,5) para o nosso ambiente de modelo de petróleo e gás, estabelecendo controle e desempenho operacional ótimos.

Embora os conjuntos de dados SWaT e WADI apresentem recompensas cumulativas ligeiramente menores e algumas violações de restrição, a melhoria geral na redução de custos operacionais demonstra que a estrutura de gêmeo digital proposta permanece eficaz para o controle seguro e ótimo em ambientes dinâmicos.

A viabilidade em tempo real do sistema de controle proposto, baseado em aprendizado por reforço (RL), foi avaliada mediante a análise da latência de inferência ponta a ponta de todos os módulos computacionais utilizados no sistema proposto. As observações experimentais na Tabela 8 mostram que o módulo do operador neural, o modelo do operador neural/FNO e o módulo da rede neural gráfica espaciotemporal (ST-GNN) apresentam sobrecargas computacionais moderadas devido às características temporais utilizadas durante o processo. Por outro lado, o módulo de decisão da política de aprendizado por reforço apresenta uma sobrecarga computacional muito baixa. O tempo cumulativo de inferência ponta a ponta de todos os módulos utilizados no sistema proposto está dentro da faixa típica dos ciclos de controle industriais. Especificamente, observou-se que a latência média de inferência ponta a ponta está entre 50 e 150 milissegundos por ciclo de controle, o que é compatível com os requisitos padrão de controle industrial. Isso indica que o sistema proposto pode ser utilizado em aplicações em tempo real e quase em tempo real. No entanto, observe que o tempo de inferência ponta a ponta pode variar conforme o hardware utilizado. Nesse sentido, o sistema proposto pode ser empregado em aplicações em tempo real.

Uma comparação quantitativa dos modelos FNO, operador neural, e abordagens de referência, como solucionadores numéricos tradicionais e técnicas atuais de aprendizado de operadores, é realizada para consolidar ainda mais a eficácia dos operadores neurais baseados na física. A avaliação apresentada na Table 9 concentra-se na capacidade de cada modelo em capturar a dinâmica do sistema e suas não linearidades. Métricas padrão, como erro quadrático médio (MSE), erro absoluto médio (MAE) e erro relativo entre os estados do sistema esperados e os valores reais de referência, são utilizadas para avaliar o desempenho. De acordo com os resultados experimentais, tanto o FNO quanto o modelo de operador neural superam as abordagens de referência na modelagem de dinâmicas multifásicas complexas, alcançando valores de erro reduzidos. Especificamente, o modelo de operador neural captura com sucesso as correspondências não lineares do operador sob diferentes condições de entrada, enquanto o FNO se destaca na aprendizagem de dependências espaciais globais.

A eficácia dos modelos de operador neural sugeridos é demonstrada pelos resultados comparativos quantitativos apresentados na Tabela 9. Em comparação com solucionadores numéricos de referência e técnicas atuais de aprendizado de operadores, tanto o FNO quanto o modelo de operador neural alcançam métricas de erro sensivelmente mais baixas. Em particular, o FNO apresenta o menor erro relativo e o menor erro quadrático médio, demonstrando sua capacidade superior em capturar a dinâmica de sistemas não lineares complexos. Além disso, o modelo de operador neural demonstra ganhos significativos, especialmente no que se refere à aprendizagem de mapeamentos de operadores não lineares sob diferentes condições. Testes t independentes são utilizados para avaliar a significância estatística; valores de p menores que 0,05 indicam uma melhoria substancial em relação ao solucionador numérico de referência. Os valores de p obtidos por ambos os modelos sugeridos são menores que 0,001, indicando que as melhorias observadas no desempenho são estatisticamente significativas e não resultado do acaso. Além disso, as técnicas sugeridas apresentam tempos de inferência significativamente mais curtos, demonstrando sua aplicabilidade em aplicações de gêmeos digitais em tempo real.

Para melhorar ainda mais a clareza da avaliação experimental do modelo proposto de gêmeo digital com percepção de controle, é fornecida uma comparação quantitativa abrangente da abordagem proposta com outros métodos em um formato tabular integrado. Essa comparação de diversos parâmetros de desempenho, como Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE), pontuação F1, Área sob a Curva (AUC), redução da deriva de previsão e recompensa cumulativa, permitirá uma avaliação integrada da precisão de monitoramento, capacidade de detecção de anomalias, eficiência de sincronização e desempenho de controle dos métodos na Tabela 10. Além disso, diversos parâmetros do procedimento de treinamento, como tamanho do lote, taxa de aprendizado, número de épocas e configuração de treinamento por módulo, são explicitamente mencionados para aumentar a transparência da avaliação experimental na Tabela 11. Adicionalmente, a escalabilidade e a eficiência computacional em termos de latência de inferência, utilização da GPU e viabilidade em tempo real da abordagem proposta também são avaliadas na Tabela 12.

O gêmeo digital proposto pode ser comparado abrangente com outros métodos, como o método de sincronização baseado em física, modelos LSTM e GNN, em termos de precisão de monitoramento, capacidade de sincronização, detecção de anomalias e desempenho de controle, conforme ilustrado na Tabela 13. Os gêmeos digitais baseados em física são menos adaptativos e apresentam margem de erro maior com base em abordagens estáticas. Abordagens neurais, como LSTM e GNN, são melhores, mas não combinam efetivamente física, sincronização e controle. O gêmeo digital proposto alcançou os melhores valores com RMSE de 0,20, redução de deriva de 72,2%, AUROC de 0,94, pontuação F1 de 0,92 e recompensa cumulativa de 95,5. Os resultados acima indicam claramente que a combinação eficaz de operadores neurais com informação física, modelagem de grafos no espaço e tempo, assimilação neural de dados e aprendizado por reforço pode melhorar significativamente um sistema de gêmeo digital preciso, robusto e com percepção de controle.

Figura 7: Custo de treinamento e utilização de recursos de diferentes componentes do sistema proposto, incluindo FNO, modelo de operador neural, GNN, módulo de RL e o framework total. As métricas incluem tempo de treinamento (horas) e uso de memória da GPU (GB). Os valores representam resultados médios de múltiplas execuções independentes (n = 5). As barras de erro indicam DP, enquanto as barras de erro sobrepostas mais finas representam o EP = DP/√n, refletindo a variabilidade entre as execuções. Clique aqui para visualizar uma versão maior desta figura.

Na Figura 7, o custo de treinamento e a utilização de recursos da abordagem proposta são apresentados por meio de seus componentes principais. Pode-se observar que os modelos de operadores neurais, como FNO e modelo de operador neural, apresentam custos de treinamento significativos e alta utilização de memória da GPU em comparação com o sistema como um todo. O alto custo de treinamento deve-se à capacidade de aprendizado em alta dimensão dos operadores. Verifica-se que os módulos de rede neural em grafos e aprendizado por reforço possuem custo de treinamento menor, mas são essenciais para a aprendizagem de dependências espaciais e controle adaptativo. Embora o sistema proposto tenha custos de treinamento mais elevados, o tempo de inferência demonstrou ser eficiente. Em comparação com métodos de referência, como modelos LSTM ou GNN isolados, o sistema proposto apresenta maior custo de treinamento devido à integração de múltiplos módulos, mas alcança maior precisão e robustez, conforme demonstrado na Tabela 13.

No geral, a estrutura de gêmeo digital proposta combina diversos elementos, cada um dos quais aborda um problema distinto na modelagem e controle de sistemas industriais complexos. Em contraste com solucionadores numéricos tradicionais, que frequentemente são computacionalmente onerosos e menos adequados para aplicações em tempo real, operadores neurais baseados na física, como o Operador Neural de Fourier e a Rede Profunda de Operadores, são utilizados para capturar de forma mais eficaz dinâmicas de sistema não lineares e de alta dimensionalidade. Modelos mais simples de aprendizado de máquina, como redes neurais feedforward ou recorrentes, podem ser empregados, mas normalmente não aprendem operadores físicos fundamentais e não conseguem generalizar entre diferentes configurações do sistema. As dependências entre sensores distribuídos, que estão inerentemente interligados em sistemas de produção de petróleo e gás, são modeladas por meio da rede neural gráfica espaço-temporal. Métodos convencionais, como modelos de séries temporais independentes ou arquiteturas recorrentes simples, podem resultar em menor precisão na estimativa de estado e na detecção de anomalias, já que não representam explicitamente as ligações espaciais. O controle adaptativo, que utiliza o módulo de aprendizado por reforço, permite que o sistema maximize decisões operacionais em ambientes dinâmicos e incertos. Estratégias de controle baseadas em regras ou estáticas, por outro lado, são rígidas e incapazes de se ajustar a condições variáveis do sistema ou a interrupções inesperadas. Embora existam alternativas com menor complexidade, normalmente elas tratam apenas de partes específicas do problema e são insuficientes para alcançar uma solução integrada que combine modelagem precisa, monitoramento em tempo real e controle adaptativo. Ao garantir que cada componente contribua para o desempenho geral do sistema, o design modular proposto melhora a precisão, escalabilidade e robustez em ambientes industriais desafiadores.

Estudo / Trabalho	Técnicas Utilizadas	Resultados	Limitações
Operador Neural Profundo para Gêmeo Digital26	Operador neural DeepONet como modelo substituto	Predição em tempo real; ordens de grandeza mais rápido que simuladores físicos	Requer posicionamento cuidadoso de sensores; métodos de avaliação precisam melhorias
Gêmeo Digital com Sensores Virtuais Habilitados por DeepONet27	Sensores virtuais DeepONet no Gêmeo Digital	Predições rápidas; inferência em tempo real; estimativa abrangente de estado	O viés espectral afeta fenômenos de alta frequência; necessário modelagem híbrida
Gêmeo Digital com Aprendizado por Reforço Profundo + MPC Não Linear no Controle28	Integração de Aprendizado por Reforço Profundo & MPC Não Linear	Desempenho de controle aprimorado; menor erro de rastreamento e atualizações adaptativas do gêmeo	Aplicação limitada a embarcações; necessária extensão a sistemas de produção
Gêmeo Digital Baseado em IA na Automação Industrial29	APLICAÇÃO DE APRENDIZAGEM DE MÁQUINA SUPERVISIONADA/NÃO SUPERVISIONADA (LSTM, CNN, RF, etc.)	Alta precisão na predição de falhas & monitoramento	Principalmente APRENDIZAGEM DE MÁQUINA clássica; falta modelos profundos avançados espaço-temporais
Revisão de Gêmeos Digitais na Indústria de Petróleo & Gás16	Modelagem variada com IA/APRENDIZAGEM DE MÁQUINA & modelos mecanísticos	Classificação abrangente de estratégias de modelagem	Principalmente conceitual; poucas implementações práticas com APRENDIZAGEM PROFUNDA avançada

Tabela 1: Análise comparativa da produção e gestão de controle de petróleo e gás com métodos existentes. Uma visão geral das estratégias relevantes de gêmeo digital e controle, enfatizando os métodos empregados, os resultados obtidos e as limitações significativas.

Nome do Conjunto de Dados	Domínio / Sistema	Número de Características	Duração & Tamanho	Características dos Dados
Dados Simulados de Produção de Petróleo & Gás	Sistema de Produção de Petróleo & Gás (Simulação)	Multivariado (Pressão, Vazão, Temperatura, etc.)	Projetado para esta pesquisa	Sinais simulados em tempo real de sensores & controle, estados normais & de falha
SWaT	CPS de Tratamento de Água Seguro	~51 sensores + atuadores	~11 dias (~450 mil+ amostras)	Normal & anomalia (36 cenários de ataque)
WADI	CPS de Distribuição de Água	~123 sensores + atuadores	~16 dias (~1 milhão+ amostras)	Normal & anomalia (15 ataques)

Tabela 2: Descrição do conjunto de dados.
Descrição do conjunto de dados. Resumo dos conjuntos de dados do estudo, incluindo domínio, quantidade de características, duração e atributos dos dados.

Componente	Hiperparâmetro	Valor
ST-GNN	Número de camadas	3
ST-GNN	Dimensão oculta	64
ST-GNN	Comprimento da janela temporal	12
Operador Neural (FNO)	Número de modos de Fourier	16
Operador Neural (FNO)	Número de camadas	4
DeepONet	Tamanho da rede ramificada	[128, 128]
DeepONet	Tamanho da rede tronco	[128, 128]
Assimilação de Dados	Janela de assimilação	10 passos de tempo
Otimizador	Adam
Taxa de aprendizado	0,001
Tamanho do lote	64
Controlador RL	Fator de desconto (γ)	0,99
Controlador RL	Camadas da rede de política	[128, 64]

Tabela 3: Arquitetura do Modelo e Hiperparâmetros. Configurações arquiteturais importantes e ajustes de hiperparâmetros para os componentes de operadores neurais, assimilação de dados, aprendizado por reforço e redes neurais gráficas espaciais e temporais.

Parâmetro	Descrição
Plataforma de simulação	Python (v3.10) com PyTorch (v2.1)
Bibliotecas de suporte	NumPy (v1.24), SciPy (v1.10), Pandas (v1.5)
Hardware	GPU da série NVIDIA RTX (por exemplo, RTX 3090, 24 GB de VRAM), CPU Intel Core i7/i9, 32–128 GB de RAM
Aceleração por GPU	CUDA Toolkit (v11.8), cuDNN (v8.x)
Sistema operacional	Linux (Ubuntu 20.04) / Windows 10
Ambiente de desenvolvimento	Jupyter Notebook / VS Code
Intervalo de amostragem	1–10 segundos (configurável para simulação em tempo real)
Modelagem de ruído do sensor	Ruído gaussiano (σ = 0,01–0,05)
Cenários de falha	Falhas em sensores, distúrbios no fluxo e anomalias de controle
Modo de avaliação	Simulação em tempo real baseada em janela deslizante
Disponibilidade do código	O link do repositório será fornecido mediante solicitação / publicação para reprodutibilidade

Tabela 4: Ambiente de simulação. Informações sobre a configuração de hardware, plataforma de software, intervalo de amostragem, modelagem de ruído e cenários de falha na configuração experimental.

Conjunto de Dados	Erro no Estado Inicial	Erro no Estado Final	Redução de Deriva (%)
Simulado Oil & Gas	0.9	0.25	72.2
SWAT	1.1	0.4	63.6
WADI	1.3	0.55	57.7

Tabela 5:  Resultado experimental da Sincronização do Gêmeo Digital. Avaliação quantitativa do desempenho de sincronização que exibe a redução da deriva de previsão entre conjuntos de dados e os erros nas estimativas do estado inicial e final.

Conjunto de dados	Precisão	Revocação	Pontuação F1
Óleo & Gás simulado	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

Tabela 6: Desempenho na detecção de anomalias. Resultados da detecção de anomalias nos conjuntos de dados simulados de petróleo e gás, SWAT e WADI, incluindo precisão, revocação e pontuação F1.

Conjunto de Dados	Reward Acumulado ↑	Violações de Restrição ↓	Redução de Custo (%) ↑
Simulado de Petróleo & Gás	96.5 ± 0.8	0	18.7
SWAT	92.1 ± 1.2	1	14.3
WADI	89.7 ± 1.5	2	11.6

Tabela 7: Resultados experimentais do controle em malha fechada e da otimização. A recompensa cumulativa, as violações de restrição e a redução do custo operacional são utilizadas para avaliar o desempenho do controle em malha fechada.

Módulo	Latência Média (ms)	Descrição
Operador Neural (FNO/DeepONet)	18-25 ms	Aprendizado de operadores e previsão do estado do sistema
ST-GNN	22–35 ms	Modelagem de dependência espaço-temporal
Rede de Política de RL	5–10 ms	Geração de decisão de controle
Pré-processamento de Dados	8–12 ms	Normalização de entrada e preparação de características
Latência Total do Loop de Controle	55–82 ms	Tempo de execução de ação de controle ponta a ponta

Tabela 8: Avaliação do desempenho do controle em tempo real. Os valores de latência representam os tempos médios de inferência medidos por etapa de controle em uma configuração padrão de hardware.

Modelo	EQM ↓	EMA ↓	Erro Relativo (%) ↓	Tempo de Inferência (ms) ↓	Valor-p (vs Baseline)
Solucionador Numérico (Baseline)	0.0125 ± 0.0012	0.089 ± 0.006	8.75 ± 0.54	120.5 ± 5.2	—
Modelo Convencional de ML	0.0098 ± 0.0009	0.072 ± 0.005	6.42 ± 0.48	85.3 ± 4.7	0.021
Aprendizado de Operador Existente	0.0076 ± 0.0007	0.061 ± 0.004	5.18 ± 0.41	42.8 ± 3.1	0.008
DeepONet (Proposto)	0.0052 ± 0.0005	0.044 ± 0.003	3.67 ± 0.32	18.6 ± 2.4	< 0.001
FNO (Proposto)	0.0047 ± 0.0004	0.039 ± 0.002	3.21 ± 0.28	15.2 ± 2.1	< 0.001

Tabela 9: Comparação entre os modelos de referência e proposto em termos de precisão de previsão (MSE, MAE, Erro Relativo) e eficiência computacional (Tempo de Inferência). Os valores são apresentados como média ± desvio padrão em múltiplas execuções. Valores mais baixos indicam melhor desempenho. Os valores de p denotam significância estatística em comparação com o resolvedor numérico de referência.

Método	MAE ↓	RMSE ↓	F1-Score ↑	AUC ↑	Redução de Drift (%) ↑	Reward Cumulativo ↑
DT baseado em física	0.45	0.62	0.78	0.82	35.4	65.2
LSTM	0.32	0.48	0.85	0.88	48.7	74.5
GNN	0.28	0.41	0.88	0.91	55.3	81.3
Framework Proposto	0.2	0.3	0.94	0.97	72.2	95.5

Tabela 10: Comparação abrangente de desempenho. Comparação abrangente de desempenho do modelo de gêmeo digital com percepção de controle proposto com outras abordagens de referência para monitoramento, detecção de anomalias, sincronização e controle. Para precisão de previsão, são preferíveis valores menores de MAE e RMSE. Para desempenho em detecção de anomalias e sincronização, são preferíveis valores mais altos de F1-score, AUC, redução de deriva e recompensa.

Componente	Parâmetro	Valor/Configuração
Operadores Neurais (FNO/DeepONet)	Épocas	100–200
	Tamanho do Lote	32–64
	Taxa de Aprendizado	0,001
ST-GNN	Camadas	3
	Unidades Ocultas	64
	Janela Temporal	10–20 intervalos de tempo
Neural 4D-Var	Janela de Assimilação	Fixa (janela deslizante)
	Otimização	Descida do Gradiente
Aprendizado por Reforço	Fator de Desconto (γ)	0,95
	Pesos da Recompensa (α,β,γ)	0,6, 0,25, 0,15
Treinamento Geral	Otimizador	Adam
	Hardware	NVIDIA RTX GPU

Tabela 11: Configuração e parâmetros de implementação utilizados para os diferentes componentes do framework do gêmeo digital proposto. A tabela fornece uma visão geral dos diferentes hiperparâmetros e parâmetros de treinamento utilizados para garantir a reprodutibilidade do sistema proposto para os diversos componentes.

Componente	Tempo de Treinamento (hrs)	Latência de Inferência (ms)	Utilização da GPU (%)	Escalabilidade
Operadores Neurais	6–8	25–40	80–90	Alta
ST-GNN	3–4	15–25	60–70	Alta
Neural 4D-Var	2–3	20–30	65–75	Moderada
Controlador RL	1–2	10–20	50–60	Alta
Sistema Geral	12–16	<100 ms	70–85	Escalável

Tabela 12:  Análise de desempenho computacional e escalabilidade do modelo de gêmeo digital proposto para diferentes componentes. A latência é utilizada para representar o desempenho de inferência em tempo real, a GPU representa o desempenho computacional, e a escalabilidade representa a capacidade do modelo proposto de ser usado em aplicações em escala industrial.

Método	Monitoramento do RMSE	Redução da Deriva de Sincronização (%)	AUROC	Pontuação F1	Recompensa Acumulada
Modelo Digital Baseado na Física	0.45	28.6	0.78	0.74	42.3
Modelo Baseado em LSTM	0.31	41.2	0.86	0.83	61.7
Modelo Baseado em GNN	0.26	53.4	0.91	0.88	74.5
Modelo Digital Proposto	0.2	72.2	0.94	0.92	95.5

Tabela 13: Avaliação comparativa do trabalho proposto com métodos existentes. O desempenho do modelo de gêmeo digital sugerido em termos de monitoramento, sincronização, detecção de anomalias e métricas de controle é comparado com abordagens de linha de base e baseadas em aprendizado.

Configuração do Modelo	Erro de Monitoramento (RMSE)	Detecção de Anomalias (F1)	Desempenho de Controle (Recompensa)
Modelo Completo (Todos os Módulos)	0.2	0.92	95.5
– Sem Assimilação de Dados	0.29	0.88	89.2
– Sem ST-GNN	0.27	0.85	87.1
– Sem Aprendizado por Reforço	0.21	0.9	78.4
– Sem Aprendizado Contínuo	0.23	0.91	92.3

Tabela 14: Resultados experimentais e Estudo de ablação. Estudo de ablação examinando como cada parte do modelo de gêmeo digital proposto contribui para o desempenho geral do sistema.

Cenário	Disponibilidade de Dados	RMSE	Exatidão	Tratamento de Lacunas nas Observações
Normal	100%	Baixo	Alta	Estável
Perda Parcial	50–70%	Moderado	Alta	Interpolação robusta
Perda Severa	20–30%	Aumentado	Moderada	Degração suave
Falha de Sensor	Região por região 0%	Mais alto	Moderada	Generalização espacial

Tabela 15: Análise de robustez sob escassez de dados. A tabela a seguir indica o desempenho do framework neural 4D-Var proposto em diferentes situações de disponibilidade de dados. A tabela indica a robustez do modelo ao mostrar como os erros mudam em situações de perda parcial, alta esparsidade e perda total dos dados dos sensores.

Discussão

Os resultados desta pesquisa demonstram a eficácia do gêmeo digital com controle integrado desenvolvido em termos de sua capacidade de melhorar o monitoramento em tempo real, detecção e otimização do controle para uma ampla gama de CPS. Em comparação com os modelos tradicionais de monitoramento, a combinação do PINO e das redes neurais em grafos é mais eficaz em termos de precisão na estimativa de estado, mesmo para um sistema com ruído. Esse resultado é válido porque um modelo avançado de aprendizado de máquina no gêmeo digital é mais eficaz em termos de previsão e detecção no sistema³⁹.

Em comparação com as soluções atuais para detecção de anomalias, como detectores de anomalias baseados em gêmeos digitais que empregam aprendizado curricular ou modelos de representação causal, pode-se observar que o método proposto consegue alcançar desempenho competitivo ao comparar os resultados obtidos na literatura. Por exemplo, detectores de anomalias baseados em gêmeos digitais que utilizam aprendizado curricular permitiram uma melhoria moderada da pontuação F1 em laboratórios de teste de CPS, o que indica que os paradigmas de aprendizado podem afetar a eficiência dos processos de detecção⁴⁰. Ao mesmo tempo, os atuais modelos populares de gêmeos digitais enfatizam fortemente o raciocínio eficiente e a supressão de falsos positivos por meio de inferência causal, mas ao custo de maior complexidade do modelo no modelo causal. A este respeito, a nossa abordagem proposta de aprendizado por reforço sincronizado fornece tanto a otimização eficiente da operação quanto uma detecção de anomalias confiável dentro de um único ambiente. Deve-se notar, contudo, que a comparação do método proposto com outras abordagens não se baseia nos resultados de experimentos comparativos diretos, mas apenas nos resultados relatados por outros pesquisadores; portanto, a comparação deve ser feita levando-se isso em consideração.

Além disso, a inclusão da detecção de anomalias e da otimização de ações de controle dentro do gêmeo digital proposto ilustra a crescente importância das capacidades de suporte à decisão e atuação fornecidas pelos gêmeos digitais, uma direção atual das atividades de pesquisa e desenvolvimento associadas aos CPS. Artigos de pesquisa⁴¹ relacionados à calibração de gêmeos digitais usando aprendizado por reforço, como abordagens adaptativas para orientar sensores, mostram que o uso de agentes de aprendizado pode proporcionar benefícios adicionais, especialmente em termos de precisão e adaptabilidade, particularmente para sistemas dinâmicos. Isso confirma as descobertas sobre a melhoria da eficácia da otimização em malha fechada, reforçando assim a hipótese de que a integração inteligente pode aumentar a robustez e a eficiência dos CPS. A abordagem, como mencionado anteriormente, foi projetada para funcionar na indústria de petróleo e gás, mas a avaliação da abordagem baseia-se na simulação dessa indústria, bem como nos conjuntos de dados de referência dos CPS, ou seja, SWaT e WADI. Contudo, deve-se observar que a validação atual não inclui dados operacionais reais da indústria de petróleo e gás, e, portanto, a aplicabilidade a cenários reais de implantação deve ser interpretada com cautela. No futuro, será realizada uma avaliação comparativa do método proposto de aprendizado curricular e do método de gêmeo digital baseado em inferência causal dentro de um framework experimental unificado, a fim de comparar as duas abordagens de maneira controlada. Embora a integração desses módulos, incluindo operadores neurais, redes gráficas e aprendizado por reforço, aumente o custo computacional, cada módulo possui uma função específica a desempenhar. O estudo de ablação também valida o desempenho da abordagem proposta, já que o desempenho degrada-se caso algum dos módulos seja removido.

Teoricamente, esta pesquisa contribui significativamente para a incorporação de métodos baseados em modelos e orientados por dados na estrutura do gêmeo digital. A integração de operadores neurais informados pela física e técnicas de assimilação neural de dados no processo de estimação de estado fornece uma abordagem híbrida de modelagem para sistemas ciberfísicos (CPS), preenchendo assim uma lacuna importante na literatura de pesquisa sobre gêmeos digitais, que até agora tem dependido exclusivamente de simulações puramente baseadas em física ou modelos caixa-preta para simulações de CPS, mas não de ambos. Teoricamente, esta pesquisa alinha-se com o avanço da pesquisa em gêmeos digitais para modelos de CPS autônomos capazes de aprender e se adaptar continuamente, o que tem sido enfatizado na literatura recente.

Em termos de aplicabilidade, a abordagem proposta pode melhorar significativamente o funcionamento de CPS em ambientes industriais, pois permite confiabilidade em tempo real, identificação rápida e precisa de anomalias e estratégias de controle otimizadas, como resultado do aumento direto da segurança e eficiência na operação de CPS. Por exemplo, em ambientes industriais onde o sistema provavelmente está sujeito a ruídos nos sensores e a um modelo não linear, a abordagem de detecção sincronizada garante a identificação rápida de anormalidades, ao mesmo tempo que suprime a ocorrência de falsos alarmes. Diferentemente das soluções existentes baseadas em gêmeos digitais para detecção de intrusões, voltadas principalmente para métricas de classificação, a abordagem proposta permite tanto a identificação quanto a correção, contribuindo para a capacidade dos operadores do sistema de alterar proativamente o ambiente operacional do CPS antes da ocorrência de paradas. Além disso, a capacidade da abordagem sugerida de ser aplicada universalmente em diferentes contextos, evidenciada por seu desempenho em um conjunto de dados de referência, indica a aplicabilidade geral da abordagem em diversos ambientes de CPS, como manufatura inteligente, setor energético e sistemas de gerenciamento de infraestrutura crítica.

A escalabilidade do framework de gêmeo digital proposto é avaliada em termos de sua capacidade de gerenciar o aumento do tamanho do sistema e da complexidade temporal. Ao representar as interações entre sensores por meio de estruturas de grafos esparsos, a rede neural gráfica espaço-temporal escala eficientemente conforme aumenta o número de sensores e componentes monitorados, evitando o crescimento exponencial da complexidade computacional. Ao aprender mapeamentos de operadores independentemente da resolução de discretização, a aplicação de operadores neurais informados pela física melhora ainda mais a escalabilidade e permite a modelagem eficaz de sistemas em larga escala sem aumentos significativos no custo computacional. O framework utiliza métodos de janela deslizante e aprendizado baseado em sequências para gerenciar dependências temporais em horizontes de tempo maiores, sem comprometer a viabilidade computacional. Além disso, técnicas de aprendizado incremental reduzem a sobrecarga em implantações em larga escala, permitindo atualizações contínuas sem a necessidade de retratamento completo. Além disso, o processamento eficaz em tempo real de fluxos de dados de alta dimensionalidade é viabilizado pelo uso de computação paralela baseada em GPU. A arquitetura proposta é adequada para aplicações industriais em larga escala, como sistemas de produção de petróleo e gás com redes de sensores distribuídos e requisitos de monitoramento contínuo, uma vez que foi projetada para escalar tanto com o número de sensores quanto com a duração da operação.

O estudo de ablação ajudará a compreender a contribuição individual de cada módulo, ou seja, operadores neurais, ST-GNN, assimilação de dados e aprendizado por reforço. Um estudo de ablação foi realizado para medir os níveis de contribuição de diversos módulos principais individuais nesta arquitetura de gêmeo digital proposta. Esses módulos individuais incluem assimilação de dados, modelagem de grafos com espaço e tempo, aprendizado por reforço e aprendizado contínuo. Os efeitos da remoção desses módulos individuais foram examinados em termos dos níveis de impacto que geram na precisão de monitoramento, detecção de anomalias e controle. Os resultados finais validam claramente que é sempre melhor utilizar a arquitetura completa, de modo que a remoção de módulos individuais resulta em níveis variados de degradação de desempenho, indicando que diferentes componentes contribuem de maneira distinta para o desempenho geral do sistema. O nível de efeito da remoção do módulo de assimilação de dados mostra claramente um aumento no erro de previsão e afeta a confiabilidade em um nível igual no que se refere à detecção de anomalias. O nível de efeito da remoção do aprendizado por reforço mostra claramente que o controle foi significativamente afetado, especialmente quando apenas o monitoramento é considerado.

Os resultados da ablação mostrados na Tabela 14 indicam que diferentes módulos têm contribuições distintas para o desempenho do sistema. O módulo de assimilação de dados tem a maior contribuição para a precisão do desempenho de monitoramento, seguido pelo módulo ST-GNN. O módulo de aprendizado contínuo tem uma contribuição moderada para a precisão do desempenho de monitoramento, e o módulo de aprendizado por reforço tem a menor contribuição para a precisão do desempenho de monitoramento, embora tenha a maior contribuição para o desempenho de controle em termos da queda no valor da recompensa de 95,5 para 78,4.

Para validar a robustez do framework neural 4D-Var proposto, foram realizados experimentos sob condições de observação progressivamente agravadas. Especificamente, os experimentos incluíram os seguintes cenários: (i) falha parcial de sensores, em que a porcentagem de dados ausentes variou de 30% a 70%; (ii) perda total de sensores em regiões específicas; e (iii) atraso na comunicação resultando em observações esparsas no tempo. A partir dos resultados experimentais, o modelo proposto exibe desempenho robusto sob perda moderada de dados e degrada-se suavemente sob perda extrema de dados, demonstrando seu alto nível de adaptabilidade. Na Table 15 mostra-se o resultado da Análise de Robustez.

Uma limitação deste estudo está associada ao escopo da validação do modelo proposto. Deve-se observar que, embora o modelo seja destinado a sistemas de produção de petróleo e gás, a avaliação do modelo proposto baseou-se em valores simulados de petróleo e gás e em problemas de referência ciberfísicos, como SWaT e WADI. Também é importante destacar que, embora os problemas de referência estejam associados a processos de petróleo e gás, neste caso, os problemas estão relacionados ao tratamento e à distribuição de água.

No entanto, apesar desse desempenho ideal, ele apresenta algumas limitações. Por exemplo, possui uma complexidade computacional maior em comparação com algumas implementações de gêmeos digitais, especialmente com a integração de operadores neurais, redes gráficas e aprendizado por reforço. Isso poderia ser um obstáculo significativo para a adoção em plataformas com capacidades computacionais limitadas. Além disso, embora tenha se concentrado apenas em conjuntos de simulação e de referência, não foi possível incluir o nível de diversidade que seria encontrado em um CPS operacional. Isso pode ser observado em conjuntos de simulação, como SWAT e WADI, que geralmente são adotados em avaliações de CPS. Eles podem carecer do nível de diversidade presente em ambientes reais de CPS. O sistema também assume um fornecimento adequado de dados de sensores, o que nem sempre pode ser viável em CPS mais antigos. A principal limitação do sistema é a falta de dados reais da indústria de petróleo e gás para avaliá-lo, já que a avaliação do sistema baseia-se na simulação da indústria de petróleo e gás, bem como em conjuntos de dados de referência de CPS, ou seja, SWaT e WADI, os quais podem não refletir com precisão as complexidades reais da indústria de petróleo e gás. O sistema proposto demonstrou um desempenho promissor em termos de capacidades preditivas. No entanto, o sistema proposto exige custos computacionais mais elevados durante o processo de treinamento. No futuro, alternativas mais leves ao sistema proposto, incluindo operadores neurais de ordem reduzida, poda de modelos e modelos híbridos de física-ML, podem ser consideradas.

A escalabilidade e a implantação em um ambiente do mundo real, bem como sua integração em infraestruturas legadas existentes de CPS, onde a densidade de sensores e a qualidade das informações coletadas podem variar bastante, precisam ser estudadas em trabalhos futuros de pesquisa sobre técnicas de compressão de modelos. Além disso, a extensão deste sistema para incluir explicabilidade e laços de feedback para operadores poderia ser benéfica para melhorar a interpretabilidade e construir confiança na tomada de decisões autônomas. Adicionalmente, a integração de métodos de inferência causal nos processos atuais de detecção de anomalias, semelhantes aos empregados em gêmeos digitais causais, poderia ser útil para aprimorar a análise da causa raiz e minimizar alarmes falsos. Por fim, para garantir robustez, esta estrutura precisará ser validada utilizando dados reais de campo.

Esta pesquisa demonstrou o conceito de um modelo de gêmeo digital inteligente e ciente do controle, que visa aprimorar o monitoramento em tempo real, a detecção de anomalias e as capacidades de tomada de decisão em sistemas ciberfísicos complexos. Em contraste com os gêmeos digitais tradicionais, que são principalmente observadores passivos e utilizados para monitoramento em tempo real, esta pesquisa tem como objetivo integrar operadores neurais informados pela física, redes neurais gráficas espaciotemporais, assimilação neural de dados, controle baseado em aprendizado por reforço e algoritmos de aprendizado dentro de um único modelo de sistema de gêmeo digital. Primeiramente, o sistema é monitorado em tempo real por meio de um modelo de aprendizado informado pela física de um sistema não linear de equações por um sistema de gêmeo digital. Em segundo lugar, um sistema neural 4DVar é aplicado em um procedimento de assimilação de dados que sincroniza os sistemas físico e virtual, minimizando a deriva das previsões do sistema resultante de ruídos e mudanças no sistema. A detecção de anomalias é realizada em um modelo espaciotemporal das relações espaciais ou da evolução do sistema ao longo do tempo. Por fim, um agente de aprendizado por reforço gera ações de controle do sistema a partir de um estado do sistema sincronizado, válido sob a perspectiva de restrições de segurança do sistema, considerando também uma restrição de controle. Extensos experimentos realizados em um processo simulado de petróleo e gás, bem como nos cenários de referência de sistemas ciberfísicos SWAT e WADI, demonstraram o potencial de eficácia da abordagem proposta sob condições simuladas e de referência. O modelo proposto resultou em redução dos erros de monitoramento (MAE e RMSE), excelentes resultados na detecção de anomalias e comportamento consistente para controle em malha fechada. Esses resultados confirmaram que a sincronização entre detecção de anomalias e controle dentro do gêmeo digital é um fator importante para manter a confiabilidade e eficiência das operações. Outra área de possível desenvolvimento da tecnologia de gêmeos digitais é sua extensão por meio de inteligência artificial e causalidade. A avaliação do framework será realizada mediante a validação do mesmo utilizando dados reais da indústria de petróleo e gás.

É importante enfatizar que as conclusões obtidas neste estudo baseiam-se em conjuntos de dados simulados e de referência, e, portanto, a aplicabilidade a sistemas reais de petróleo e gás deve ser interpretada com cautela.

DISPONIBILIDADE DE DADOS:

Os conjuntos de dados SWaT e WADI utilizados neste estudo são conjuntos de dados de sistemas de controle industrial de acesso público e podem ser acessados por meio do repositório de conjuntos de dados do iTrust Lab: https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
CPU (Intel Xeon / AMD Ryzen)	Intel / AMD	Xeon / Ryzen Series	Utilizado para simulação de sistema, pré-processamento de dados e computação geral
Framework de Aprendizado Profundo (PyTorch 2.0)	Meta AI (PyTorch)	https://pytorch.org RRID:SCR_018536	Utilizado para implementar redes neurais, otimização e pipelines de treinamento
Biblioteca de Rede Neural Profunda (cuDNN 8.x)	NVIDIA cuDNN	cuDNN 8.x	Fornece primitivas otimizadas para operações de aprendizado profundo na GPU
DeepONet	Não Aplicável	https://arxiv.org/abs/1910.03193	No script, é referido como "modelo de operador neural"
GPU (NVIDIA RTX 4090)	NVIDIA	RTX 4090	Utilizado para o treinamento de modelos de aprendizado profundo, incluindo operadores neurais, ST-GNN e componentes de aprendizado por reforço
Aceleração de GPU (CUDA 11.8)	NVIDIA CUDA	CUDA 11.8 RRID:SCR_018131	Permite computação paralela baseada em GPU para treinamento de modelos de alto desempenho
Distribuição Linux (versão 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download; RRID:SCR_018127	Sistema operacional utilizado para a execução de experimentos e implantação de modelos
Sistema Operacional (Ubuntu 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download RRID:SCR_018127	Fornece ambiente de execução para todos os experimentos e implantação de modelos
Algoritmo de Otimização (Otimizador Adam)	Não Aplicável	https://arxiv.org/abs/1412.6980	Utilizado para treinar modelos com otimização adaptativa da taxa de aprendizado
Biblioteca otimizada de rede neural profunda (versão 8.x)	NVIDIA cuDNN	https://developer.nvidia.com/cudnn RRID:SCR_018131	Fornece primitivas aceleradas por GPU otimizadas para operações de rede neural profunda
Linguagem de Programação (Python 3.10)	Python Software Foundation	https://www.python.org/downloads RRID:SCR_008394	Linguagem de programação principal utilizada para implementação e experimentação
Memória do Sistema (≥ 64 GB RAM)	Corsair / Kingston / Crucial	https://www.corsair.com / https://www.kingston.com / https://www.crucial.com	Suporta o manuseio de dados multivariados de séries temporais de alta dimensão e treinamento de modelos grandes