Bu çalışma, simüle edilmiş ve kıyaslama veri kümeleri üzerinde değerlendirilen, makine öğrenimi ve fizik tabanlı modeller kullanarak petrol ve gaz sistemlerinin izlenmesi ve optimizasyonu için kontrol farkındalığına sahip bir dijital ikiz çerçevesi sunmaktadır.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Petrol ve Gaz Üretim Sistemlerinin Gerçek Zamanlı İzlenmesi ve Optimizasyonu için Kontrol Duyarlı Bir Dijital İkiz Çerçevesinin Geliştirilmesi
Bu makalede
Özet
Özet
Bu makalede, petrol ve gaz üretim sistemlerini izlemek ve iyileştirmek için kontrol farkındalığına sahip bir dijital ikiz çerçevesi önerilmektedir. Yöntem; uzay-zamansal grafik sinir ağlarını, nöral 4D-Var veri asimilasyonunu, pekiştirmeli öğrenme tabanlı kontrolü ve fizik tabanlı sinir operatörlerini (FNO ve Sinir operatör modeli) birleştirmektedir. Çerçevenin değerlendirilmesi için kıyaslama siber-fiziksel sistem veri setleri (SWaT ve WADI) ve simüle edilmiş bir petrol ve gaz veri seti kullanılmıştır. Ortalama ölçümler kullanılarak gerçekleştirilen birkaç bağımsız çalışma ile doğrulanan sonuçlar; durum tahmini, anomali tespiti ve kontrol optimizasyonunda artan performansı göstermektedir. Bununla birlikte, değerlendirme kıyaslama ve simüle edilmiş veri setleriyle sınırlıdır; pratik uygulanabilirliği doğrulamak için gerçek endüstriyel verilerle ek validasyon yapılması gerekmektedir.
Giriş
Dünyanın artan enerji talebi nedeniyle güvenli ve etkili petrol ve gaz taşıma ağlarına olan ihtiyaç artmıştır. Ancak, boru hattı güvenilirliğinin sürdürülmesi, kötüleşen altyapı ve artan sistem karmaşıklığı nedeniyle ciddi şekilde engellenmektedir. Bu bağlamda, dijital ikiz (DT) teknolojisi; endüstriyel ortamlarda risk değerlendirmesine, kestirimci bakıma ve sistem optimizasyonuna olanak tanıyan veri odaklı bir yaşam döngüsü yönetim stratejisi olarak ilgi çekmiştir1,2,3,4,5. Reaktif bakımdan akıllı, veri odaklı karar verme süreçlerine geçişle birlikte, endüstriyel sistemlerdeki dijital dönüşüm; anomali tespitini, arıza öngörüsünü ve sistem güvenilirliğini artırmıştır6,7,8. Süreç optimizasyonu, kestirimci bakım ve akıllı üretimdeki DT uygulamaları birçok araştırmanın konusu olmuştur. Örneğin, kestirimci arıza analizi10 ve yeşil performans değerlendirmesi11 ile derin öğrenme tabanlı üretim optimizasyonu için DT tabanlı modeller önerilmiştir. DT'ler, petrol ve gaz endüstrisinde sistem modelleme, performans değerlendirmesi ve çok sensörlü veri entegrasyonu yoluyla izlemeyi ve anomali tanımlamasını iyileştirmek için kullanılmıştır12,13,14,15.
Bu gelişmelere rağmen, mevcut DT tekniklerinin çoğunluğu gerçek zamanlı senkronizasyon ve kontrolle çok az entegrasyona sahip olup; izleme, modelleme veya anomali tespiti gibi ayrı özelliklere odaklanmaktadır. Birçok sistem, çift yönlü etkileşimden ve adaptif öğrenme yeteneklerinden yoksun olup tek yönlü veri akışına sahip dijital gölgeler olarak işlev görmektedir. Dinamik koşulların ve karmaşık hata modellerinin sürekli öğrenme ve kontrol gerektirdiği petrol ve gaz sistemlerinde bu kısıtlama özellikle önemlidir. Ayrıca, mevcut siber-fiziksel sistem teknikleri çoğunlukla çevrimdışı analizlerle sınırlıdır ve karmaşık endüstriyel süreçlerde gerçek zamanlı kapalı döngü kontrolü desteklememektedir16. Ek olarak, mevcut yaklaşımlar dağıtık sensör etkileşimlerini tanımlamak için çoğunlukla geleneksel makine öğrenimi ve filtreleme tekniklerine dayanmakta, uzaysal-zamansal grafik sinir ağları gibi gelişmiş modellerden çok az yararlanmaktadır. Ayrıca, özellikle petrol ve gaz üretim sistemlerinde doğrusal olmayan fiziksel dinamikleri yakalamak için operatör öğrenme tekniklerinin kullanımına yönelik araştırmalar yetersizdir17. Bu nedenle, mevcut DT sistemleri karmaşık uzaysal-zamansal bağlantıları modellerken gerçek zamanlı veri asimilasyonunu ve adaptif kontrolü birleştirememektedir.
Endüstriyel kontrol ayarlarını taklit ettikleri için, SWaT ve WADI gibi kıyaslama veri kümeleri, siber-fiziksel sistemlerde DT tabanlı teknikleri doğrulamak için sıklıkla kullanılır18. Ek olarak DT'ler, endüstriyel süreçler boyunca artan verimlilik, daha iyi bilgi alışverişi ve güvenli veri transferi gibi daha genel faydalar sağlar19,20. Özellikle petrol ve gaz gibi yüksek riskli endüstrilerde21,22,23, güvenlik yönetimi, gerçek zamanlı izleme ve endüstriyel otomasyondaki potansiyelleri daha yaygın bir şekilde kabul görmeye başlamıştır. Buna rağmen, pratik uygulama için modelleme, izleme ve kontrol yeteneklerini birleştiren daha kapsamlı ve entegre çözümlere hala ihtiyaç vardır. 24,25 kaynaklarında belirtilen değerlendirme çalışmaları, DT'lerin operasyonel verimliliği ve karar verme süreçlerini iyileştirmedeki kullanım ve faydalarını göstererek temel oluşturmuştur. Tablo 1, petrol ve gaz üretimi ile kontrol yönetimi hakkındaki mevcut yöntemlerin karşılaştırmasını göstermektedir26,27,28,29. Petrol ve gaz üretim sistemlerinin yüksek operasyonel riskleri ve karmaşık dinamikleri nedeniyle, geleneksel bakım yöntemleri anomali tespiti ve tepki verme konusunda sıklıkla yetersiz kalmaktadır30,31,32,33. Güvenlik yönetimi ve uzaktan izleme son zamanlarda gelişmiş olsa da, gerçek zamanlı olarak sürekli algılayabilen, öğrenebilen ve kontrol edebilen akıllı sistemlere hala ihtiyaç duyulmaktadır.
Bu makale, söz konusu zorlukların üstesinden gelmek için uzaysal-zamansal grafik sinir ağlarını, nöral 4D-Var veri asimilasyonunu, fizik tabanlı sinir operatörlerini ve pekiştirmeli öğrenme tabanlı kontrolü birleştiren kontrol farkındalıklı bir dijital ikiz mimarisi önermektedir. Önerilen sistem ile veri toplama, durum kestirimi, anomali tespiti ve kontrol optimizasyonu için tek bir işlem hattı kurulmuştur. Uzaysal-zamansal grafik sinir ağları dağıtık sensörler arasındaki etkileşimleri kaydederken, Fourier Sinir Operatörü ve Derin Operatör Ağı (Sinir operatör modeli) gibi fizik tabanlı sinir operatörleri, karmaşık doğrusal olmayan sistem dinamiklerini temsil etmek için kullanılır. Pekiştirmeli öğrenme adaptif, kapalı döngü kontrol imkanı sağlarken, nöral veri asimilasyonu durum kestirimi doğruluğunu artırır. Önerilen yöntemin endüstriyel ortamlara genelleştirilebilirliği, kıyaslama siber-fiziksel sistem veri kümeleri (SWaT ve WADI) ve simüle edilmiş petrol ve gaz verileri kullanılarak değerlendirilerek kanıtlanmıştır. Bu çalışma; modelleme, öğrenme ve kontrolü birleşik bir çerçevede birleştirerek, mevcut DT sistemlerinin temel eksikliklerini gidermekte ve petrol ve gaz üretim sistemlerinde gerçek zamanlı izleme ve optimizasyon için ölçeklenebilir ve esnek bir çözüm sunmaktadır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma herhangi bir insan katılımcı veya hayvan denek içermemektedir. Kullanılan veri setleri (SWaT ve WADI) halka açık kıyaslama veri setleridir ve herhangi bir hassas veya kişisel veri içermemektedir.
Önerilen yaklaşım; ileri düzey derin öğrenme algoritmalarının, veri asimilasyonunun ve petrol ile gaz çıkarma sistemleri ile kontrolünün sürekli değerlendirme ve optimizasyonunun entegrasyonuna olanak tanıyan, kontrol odaklı bir dijital ikiz oluşturur. İlk olarak, coğrafi olarak dağıtılmış üretim altyapısından gelen gerçek zamanlı çok modlu sensör verileri toplanır ve üretim bileşenleri arasındaki bağlantısallığı ve etkileşimleri tanımlayan bir graf yapısı kullanılarak modellenir. Ardından, dijital ikiz içerisinde ölçeklenebilir simülasyonu kolaylaştırmak amacıyla, doğrusal olmayan çok fazlı akışı yöneten temel denklemlerin operatör düzeyindeki yaklaşımlarını oluşturmak için fizik bilgili sinirsel operatörlerden yararlanılır. Araştırmada, Derin Operatör Ağı'na (Deep Operator Network) atıfta bulunmak için 'Sinirsel operatör modeli' terimi kullanılmıştır. Coğrafi olarak dağıtılmış üretim varlıkları arasındaki uzamsal ve zamansal bağımlılıkları dahil etmek için, fizik bilgili temsiller içerisinde uzay-zamansal graf sinirsel ağları eğitilir. Gürültülü ve uzamsal olarak düzensiz ölçümler mevcut olduğunda bile, dijital ikiz simülasyon tahminlerinin gerçek zamanlı izleme verileriyle tutarlı ve senkronize kalmasını sağlamak için nöral 4DVAR'dan yararlanan diferansiyellenebilir bir veri asimilasyonu yaklaşımı uygulanır. Gerçek zamanlı senkronize dijital ikiz üzerine, gerçek zamanlı kontrol için takviyeli öğrenme odaklı bir optimizasyon aracı eğitilir. Son olarak dijital ikiz, yeni mevcut ölçümlerden gelen sürekli güncellemeler sayesinde modellerin sürekli güncellenmesi ve uzun süreli adaptif ölçeklenebilirlik için donanımlı kalır.
Önerilen dijital ikiz mimarisi; geleneksel dijital ikiz mimarisine zeka, adaptasyon yeteneği ve kontrol farkındalığı ekleyerek onu geliştirmektedir. Tüm iş akışı dört modülden oluşmaktadır: (i) veri toplama/graf oluşturma, (ii) nöral operatörler ve ST-GNN aracılığıyla durum tahmini, (iii) rezidü tabanlı analiz yoluyla anomali tespiti ve (iv) pekiştirmeli öğrenme tabanlı kontrol.
Şekil 1: Genel Kontrol Duyarlı Dijital İkiz Mimarisi. Petrol ve gaz üretim sistemleri için anomali tespiti, uzaysal-zamansal grafik sinir ağları, nöral 4D-Var senkronizasyonu, fizik tabanlı sinir operatörleri ve pekiştirmeli öğrenme tabanlı kapalı döngü kontrolü, önerilen kontrol duyarlı dijital ikiz modelinde entegre edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 1, petrol ve gaz üretim kontrol farkındalığına sahip bir dijital ikizin, kapalı döngü bir siber-fiziksel sistem olarak fonksiyonel sürecini temsil etmektedir. Fonksiyonel süreç, kuyularda, boru hatlarında, vanalarda ve işleme ünitelerinde dağıtılmış farklı sensörlerin belirli bir andaki basınç, akış hızı, sıcaklık ve kontrollerle ilgili verileri topladığı petrol ve gaz üretim sistemi düzeyinde başlar. Çeşitli sensörler verileri farklı formatlarda toplar ve veriler dijital ikize gönderilir; bu durum, o andaki organizasyonel farkındalığın temelini oluşturur.
Önerilen metodoloji şu ardışık adımları içermektedir:
Veri toplama
Petrol ve gaz üretim ortamlarından basınç, akış hızı, sıcaklık ve kontrol girdilerine ilişkin sensörlerden gelen gerçek zamanlı bilgiler alınmaktadır. Sağlamlık ve genelleme yetenekleri için SWAT ve WADI gibi mevcut diğer karşılaştırma veri kümeleri kullanılmaktadır. Tekrar üretilebilirliği sağlamak amacıyla, önerilen metodolojinin her adımı teknik ayrıntılar kullanılarak belirtilmiştir.
[Veri Kümesi Oluşturma ve Simülasyon için lütfen Ek Dosya'ya (S1) bakınız.]
Endüstriyel kontrol sistemleri araştırma alanından alınan iki halka açık kıyaslama endüstriyel kontrol sistemi veri seti, kavramsal dijital ikizin karmaşık ve yüksek boyutlu zaman serisi verilerinin yanı sıra sıra dışı olaylarla ilgili kapasitesini kanıtlamak için kullanılmıştır: Güvenli Su Arıtma (SWaT) ve Su Dağıtımı (WADI) kıyaslama veri setleri34. Her iki veri seti de gerçekçi siber-fiziksel test yataklarından türetilmiştir ve bu sistemlerde tetiklenen hem normal hem de anormal/saldırı senaryoları için çok değişkenli sensör ve aktüatör çalışma verilerini içermektedir. SWaT ve WADI veri setleri kullanılarak, alanlar arası testler yapmak ve siber-fiziksel test yataklarının ötesinde, konum ve zamanla ilgili bağımlılıkları olan daha geniş dağıtık endüstriyel sistemlere genellenebilirliği kanıtlamak mümkündür. Veri Seti Açıklaması Tablo 2'de gösterilmiştir.
Önerilen araştırma, Tablo 2'de gösterilen geliştirilmiş dijital ikiz metodolojisinin kapsamlı değerlendirmesi için üç farklı veri seti kullanmaktadır. Temel veri seti, petrol ve gaz üretimindeki üretim organizasyonuyla ilgili simüle edilmiş verilerden oluşmakta olup sistem tarafından algılanan gerçek operasyonel ölçümlerin yanı sıra kontrol ve/veya hata koşullarını yeniden üretmeyi amaçlamaktadır. Ayrıca, yaklaşık 11 gün boyunca 51 sensör ve aktüatörden alınan ölçümleri içeren, hem normal hem de yapay olarak oluşturulmuş anomalileri ve saldırıları kapsayan küçük ölçekli bir fiziksel sistem örneği olarak Secure Water Treatment (SWaT) veri seti tanıtılmıştır. Bu veri seti, araştırmalar için yaygın olarak standart karşılaştırma ölçütü olarak kabul edilmektedir. Bir diğer set ise, yaklaşık 123 değişkeni içeren küçük ölçekli su dağıtım sisteminin davranışını 16 gün boyunca hem farklı saldırıları hem de normal çalışma koşullarını kapsayacak şekilde kaydeden Water Distribution (WADI) veri setidir. Veri seti toplam 15 farklı saldırı içermektedir. Yukarıdaki iki veri seti, çoğunlukla endüstriyel kontrol sistemlerinde olduğu gibi zaman üzerindeki yüksek boyutlu seriler ve uzamsal ilişkiler etrafında şekillenmektedir.
Veri ön işleme
Model eğitimi öncesinde, veri kalitesini, tutarlılığını ve tekrarlanabilirliğini garanti etmek amacıyla tüm veri setleri kapsamlı bir ön işlem prosedüründen geçirilir. Ön işleme prosedürleri arasında eksik değer yönetimi, gürültü filtreleme, normalizasyon ve öznitelik ölçeklendirme yer almaktadır. Detaylı ön işleme hattı Ek Dosya (S2)'de açıklanmıştır.
Sistem grafının oluşturulması
Önerilen metodolojide, petrol ve gaz için fiziksel üretim sistemi, varlıklar arasındaki mekansal korelasyonların ve sistem durumunun zaman içindeki dinamiklerinin tanımlanması için matematiksel bir yapı görevi gören bir graf şeklinde temsil edilir (Sistem Grafı Kurulum Formülasyonları için Ek Dosyaya (S3) bakınız).
Nöral operatörler kullanılarak fizik öğrenimi
Çok fazlı akış sistemlerinin doğrusal olmayan ve çok boyutlu özelliklerinin doğru temsili için, önerilen yaklaşım Fourier Sinir Operatörleri (FNO) ve Sinir operatör modeli formundaki fizik-bilgili operatörleri kullanır. Sinir ağlarını noktasal eşlemeler olarak temsil eden geleneksel yöntemin aksine, operatör kavramı farklı sınır koşulları açısından genelleştirmeye olanak tanır. Fiziksel fenomenler sürekli olarak gerçekleştiği için bu özellik, yöntemi petrol ve gaz üretiminde kullanılan çok fazlı akış sistemleri için daha uygun hale getirir. Sinir operatörlerinin matematiksel denklemleri için lütfen Ek Dosya (S4)'ye bakınız.
Fizik tabanlı sinirsel operatörlerin geçerliliğini daha ayrıntılı değerlendirmek için, farklı akış durumları ve kontrol girişleri altında doğrusal olmayan operatör eşlemelerini yaklaşıklama kapasitelerini belirlemek amacıyla ek deneyler gerçekleştirilmiştir. Sonuçlar, operatörlerin doğrusal olmayan operatör eşlemesini doğru bir şekilde yaklaşıklayabildiğini göstermekte; böylece operatörlerin, özellikle yüksek boyutluluk durumunda, sistem dinamiğini diğer çözücülerden daha düşük hesaplama maliyetiyle doğru şekilde modelleme kapasitesi doğrulanmaktadır. Operatör öğrenme doğruluğunun kantitatif değerlendirmesi, tahmin edilen ve simüle edilen sistem durumları arasındaki ortalama kare hata kullanılarak yapılmış olup, farklı akış koşullarında tutarlı bir yaklaşıklama performansı sergilenmiştir.
Şekil 2: Fizik tabanlı nöral operatör çerçevesinin iş akışı. Fizik tabanlı nöral operatör iş akışına dair bir örnek; kontrol girişlerinin, sensör verilerinin ve sınır koşullarının doğrusal olmayan çok fazlı akış dinamiklerini öğrenmek ve hızlı, operatör düzeyinde sistem tahminleri üretmek için nasıl kullanıldığını göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 2'de sunulan PINO çalışma sürecinde, petrol ve gaz süreçlerindeki fiziksel olarak karmaşık doğrusal olmayan çok fazlı akışların öğrenme süreci sürekli bir şekilde gerçekleşir. Bu süreç, modelin fiziksel olarak gelişen sistem hakkında heterojen veriler aldığı giriş katmanında başlar. Bu giriş; basınç, sıcaklık ve hız gibi sınır koşullarının yanı sıra petrol ve gaz sistemi içinde konumlandırılmış sensörlerden gelen gerçek zamanlı veriler ve vanaların açıklığı, pompaların hızı veya şokların açıklığı gibi kontrol değişkenleri şeklinde gerçekleşir. Tüm bu girişler, fiziksel olarak gelişen sistemin işleyişini tanımlar.
İş akışındaki temel bileşen, FNO ve Neural operator modeli aracılığıyla gerçekleştirilen PINO'dur. Önerilen yöntem, girdiler ve çıktılar arasındaki noktasal eşlemeye odaklanma eğiliminde olan geleneksel sinir ağlarının aksine, fonksiyon uzayları arasındaki operatörleri öğrenmek için nöral operatörleri kullanması bakımından farklı ve özgündür. Bu düzeyde FNO, Fourier domenini kullanarak küresel uzaysal ilişkileri yakalayabilir ve Neural operator modeli ise hem branch hem de trunk ağlarını kullanarak operatör temsillerini öğrenebilir. Öğrenilen model, tahmin edilen dinamiklerin çok fazlı akışta beklendiği gibi davranmasını sağlamak için fiziksel kısıtlamalarla yönlendirilir. Nöral operatörün çıktısı; basınç, akış hızları ve faz dağılımı gibi önemli fiziksel değişkenlerin tüm üretim ağı için sürekli alan çözümü formundadır. Dahası, çıktı değerleri sensörler gibi belirli noktalardan ölçülmek yerine; kuyular, boru hatları ve diğer bağlı üniteler dahil olmak üzere tüm saha için doğrudur. Bu sayede, nöral operatörün çıktısı, kısmi diferansiyel denklemleri mutlaka çözmeye gerek kalmadan bu denklemlerin çözümüne yaklaşabilen, yüksek doğrulukta simülasyonları hızla üretme yeteneği sağlar. Bu çözüm, dijital ikizdeki hızlı çözüm olarak görev yapar.
Nöral operatör öğrenme süreci, petrol ve gaz üretim süreçlerinden elde edilen fonksiyon düzeyinde ve sistem düzeyinde özellikleri temel alır. Özellikler büyük oranda; sürekli alanlar olan sıcaklık, akış hızı, basınç ve petrol, gaz ve su için faz fraksiyonları gibi petrol ve gaz üretimine ait fiziksel durum değişkenlerinden oluşur. Özellikler ayrıca giriş basınçları, akış hızları ve vana konumlarını içeren sınır koşullarını da kapsar. Farklı operasyonel senaryolar altındaki yanıtları tahmin etmek için şok vanaları konumları ve pompa hızını içeren kontrol girişleri de dikkate alınır. Nöral operatör modeli, gövde ve dal ağları tarafından işlenen kontrol parametrelerini ve fiziksel özellikleri alır. Özellikler, hızlı dijital ikiz simülasyonları için hem fiziksel süreçlere hem de operasyonel faktörlere bağlı olan doğru operatör ilişkilerini tahmin edebilmeleri için nöral operatörlere yeterli bilgiyi sağlar.
Fourier sinir operatörü (FNO)
Bu araştırmada, petrol ve gaz üretim sistemlerinin doğrusal olmayan çok fazlı akış dinamiklerini tanımlayan operatör eşlemelerini etkili bir şekilde tahmin etmek için bir Fourier Sinir Operatörü (FNO)36 kullanılmıştır. Belirli bir nokta kümesi için giriş-çıkış eşlemelerini yaklaştıran geleneksel sinir ağlarının aksine, önerilen FNO fonksiyon uzayları arasındaki eşlemeleri yaklaştırarak bir sistemin çeşitli ölçekleri ve konfigürasyonları genelinde genelleme yapılmasına olanak tanır. Bu durumda FNO, sistem durum temsillerini orijinal uzaydan, sistemler içerisinde mevcut olan küresel uzamsal bağımlılıkları yakalamak amacıyla spektral konvolüsyonların etkili bir şekilde uygulanabildiği Fourier alanına taşıyarak çalışır. Bu süreçte, giriş durum temsili daha yüksek boyutlu bir gizli uzaya projekte edilir; dönüşümler ve aktivasyonlar ise Fourier dönüşümleri, spektral çekirdekler ve aktivasyonlar kullanılarak yinelemeli olarak uygulanır. Fourier sinir operatörü matematiksel değerlendirmeleri için lütfen Ek Dosya'ya (S4.1) bakınız.
Nöral operatör modeli
Nöral operatör modeli37, petrol ve gaz üretim dinamiklerini tanımlayan doğrusal olmayan bir fiziksel operatörü yaklaşık olarak hesaplamak için nöral operatör süreci dahilinde alternatif bir yaklaşım olarak işlev görür. Nöral operatör modelinin ayrıntılı açıklaması Ek Dosya (S4.2) içerisinde yer almaktadır (Ek Dosya S10'a bakınız; Algoritma 1: Dijital İkiz Algoritması için Nöral Operatörlerle Fizik Öğrenimi).
Bu nedenle, nöral operatörlerin kullanılmasına yönelik önerilen yaklaşım; girdilerin sistem sınır değerleri, kontrol değişkenleri veya fiziksel özellikler şeklindeki sistem koşulları örnekleri olduğu, girdi ve çıktıların eşleştirilmiş örneklerinin toplanmasıyla başlar. Nöral operatör, bir girdi fonksiyonuna verilen yanıtların tahmin edilmesini ve ardından tahminler ile gerçek yanıtlar arasındaki sapmaların bir ortalama kare hata fonksiyonu kullanılarak iyileştirilmesini içeren iteratif bir aşamada eğitilir. Bu yaklaşım, nöral operatörün sistem davranışını tanımlayan sistemik fizik operatörlerini keşfettiği, gradyan tabanlı bir optimizasyona yol açar. Böylece eğitilen sistem, farklı girdi koşullarına verilen sistem yanıtlarını verimli bir şekilde tahmin edebilir.
Uzay-zamansal sistem modellemesi
Önerilen dijital ikiz mimarisinde38, petrol ve gaz üretim süreci uzamsal-zamansal bir graf ile temsil edilmiştir. Bu işlem, dağıtık üretim kaynaklarının bağlantısallığının yanı sıra zaman içindeki evrim sürecini kavramsallaştırmak amacıyla yapılmıştır.
Petrol ve gaz üretim süreci; kuyular, boru hattı altyapısı ve sensörler açısından doğası gereği dağıtık bir yapıya sahiptir. Böyle bir süreç için mekansal/zamansal ilişkileri verimli bir şekilde yakalamak adına, bu çalışmada geliştirilen dijital ikiz yaklaşımı, uzay-zamansal grafik sinir ağlarından (ST-GNN) yararlanmaktadır. Bu yaklaşımda, sistem varlıkları grafik düğümleri olarak temsil edilirken, sistemin mekansal/fonksiyonel ilişkileri grafik kenarları ile belirtilmektedir. Sistem durum geçişlerini ve anomalileri verimli bir şekilde tahmin etmek amacıyla zamansal ilişkiler, pencereleme fonksiyonları şeklinde ifade edilmiştir. Uzay-Zamansal Grafik Sinir Ağının (ST-GNN) ayrıntılı açıklaması için lütfen Ek Dosya (S5)'ye bakınız.
Neural 4D VAR kullanılarak dijital ikiz senkronizasyonu
Dijital ikiz senkronizasyonu, sanal ikizin, gerçek zamanlı sensör okumalarına dayanarak sürekli değişen fiziksel petrol ve gaz üretim ortamıyla sürekli olarak senkronize edilmesi şeklinde tanımlanabilir. Pratikte dijital ikizler, fiziksel sistem dinamiklerinin anlaşılmasına dayanarak basınç, akış hızı ve sıcaklık gibi sistem durumları hakkında tahminler yürütür. Bununla birlikte, belirsizlikler ve sensör gürültüsü nedeniyle, tahminler ile ölçümler arasında kaçınılmaz bir tutarsızlık ortaya çıkar. Bu nedenle, tahminleri gerçek ölçümlerle senkronize etmek amacıyla, tahminlerin fiziksel ölçümlerle kendi içinde tutarlı hale getirilmesini sağlayan ve bu çalışmada 'veri asimilasyonu' olarak bilinen başka bir yöntem tanıtılmıştır. Gürültülü ve seyrek sensör gözlemleri sırasında fiziksel süreç ile dijital ikizin senkronizasyonunu sağlamak için nöral 4D-Var veri asimilasyonu yöntemi entegre edilmiştir. Eklenen bu bileşen, bir asimilasyon penceresi içinde sensör ölçümleri ile model tahminleri arasındaki farkı azaltmayı amaçlamaktadır. Diferansiyellenebilirliği kullanan nöral 4D-Var yöntemi, uçtan uca öğrenme sağlar ve dijital ikiz durumunun çevrim içi olarak düzeltilmesine olanak tanır (Nöral 4D-Var Veri Asimilasyonu için Ek Dosya (S6)'ye, Algoritma 2: Nöral 4D-Var Kullanarak Dijital İkiz Senkronizasyonu için Ek Dosya (S10)'ye ve hiperparametreler ile eğitim detayları için Ek Dosya (S11)'ye bakınız).
Anomali tespiti ve teşhisi
Simüle edilmiş petrol ve gaz veri setinde, %15'i aşan basınç düşüşleri, anormal akış sıçramaları ve vana arızaları gibi kontrollü perturbasyonlar eklenerek anomaliler oluşturulmuştur. Belirlenen bir eşik değerini aşan veya temel istatistiksel dağılımdan sapan veri noktaları anomali olarak tanımlanır. Anomali Tespit Çerçevesinin matematiksel formülasyonu için (Ek Dosya, S7).
Kapalı döngü optimizasyon ve kontrol
Önerilen sistemde, optimizasyon için uyumlu DT ve takviyeli öğrenme modülü entegre edilerek kapalı döngü kontrol sağlanabilir. Dijital ikizler kısmında, dijital ikiz; farklı vanaların konumlandırılması, pompa hızları veya akış kontrolü gibi çeşitli koşullar altında petrol ve gaz üretim sürecinin gelecekteki davranışını tahmin eder. Bu, kontrol ajanının istenen eylemlerin sonuçlarını gerçek dünyadaki süreçte somutlaştırmadan değerlendirebileceği bir güvenlik alanı geliştirilmesine olanak tanır. Böylece, dijital ikiz tarafından sunulan öngörülerden yararlanan takviyeli öğrenme modülü, süreç kısıtlamalarıyla sınırlanmadan sürecin verimliliği, enerji kullanımı ve süreç stabilitesi dahil olmak üzere işletim hedeflerini optimize edebilir. Kapalı döngü Optimizasyon ve Kontrol matematiksel açıklaması için lütfen Ek Dosya (S8)'ye bakınız.
Sürekli öğrenme ve adaptasyon
Endüstriyel sistemler; yaşlanan ekipmanlar, zamana bağlı değişen çalışma koşulları ve öngörülemeyen bozulmaların olduğu durağan olmayan ortamlarla karşı karşıyadır. Bunu yönetmek için bir yaklaşım tasarlamak amacıyla önerilen dijital ikiz modeli; artımlı öğrenmeye dayalı olarak nöral operatörleri, graf modellerini ve politikaları güncelleyen, sürekli öğrenen bir bileşen içermektedir. Büyük varyasyonlar ve tanımlanamayan modeller gözlemlendiğinde, yeni verilerin dahil edilmesi ve dijital ikiz modeliyle ilişkili parametrelerin ayarlanması yoluyla öğrenme kolaylaştırılmaktadır.
Sürekli öğrenme, sistemin yeni veya özgün davranış kalıplarını tanımlamasına yardımcı olduğu için hem kontrol politikalarının hem de anomali tespitinin sağlamlığını artırmaktadır. Kontrol sonucu anomalilerinden elde edilen geri bildirimler, modelleri ayarlamak ve sistem değişip gelişmeye devam ederken etkili karar verme süreçlerini sağlayacak bir pekiştirmeli öğrenme politikasını optimize etmek için uygulanır. Bu adaptif öğrenme süreci, bir dijital ikizi pasif bir gözlemci olmaktan çıkarıp, titiz ve etkili bir teknolojik altyapı ortamı kullanarak karmaşık petrol ve gaz üretim sistemlerinin gerçek zamanlı optimizasyon süreçlerini uzun bir süre boyunca sürdürebilen akıllı bir sisteme dönüştürür. Tablo 3, model mimarisini ve hiperparametreleri göstermektedir.
Sürekli Öğrenme Adaptasyonu matematiksel formülasyonu için lütfen Ek Dosya (S9)'ye bakınız.
Veri ön işleme modülü, ham sensör verilerini sonraki öğrenme modülleri için uygun, yapılandırılmış ve normalize edilmiş girdilere dönüştürmekten sorumludur. Özellikle, tutarlı veri kalitesini sağlamak için geçmiş sensör ölçümlerini toplar, gürültüyü giderir ve özellikleri standartlaştırır. İşlenen veriler, sınır koşulları ve kontrol girdileriyle birlikte, temel doğrusal olmayan fiziksel ilişkileri öğrenen ve sürekli bir sistem durum tahmini oluşturan fizik bilgisine dayalı sinirsel operatör modülüne (FNO/Sinirsel operatör modeli) girdi olarak sunulur. Tahmin edilen bu sistem durumu, daha sonra kontrol optimizasyon modülü tarafından kontrol stratejilerini dinamik bir şekilde güncellemek için kullanılır. Optimize edilmiş kontrol çıktıları, sonuçları yorumlayan ve sistem çalışması için uygulanabilir kararlar üreten karar verme modülüne iletilir. Yeni gözlemlenen verilere dayanarak sistemi sürekli olarak güncellemek, böylece zamanla adaptasyon yeteneğini ve performansı artırmak için bir geri besleme mekanizması entegre edilmiştir. Netliği ve tekrarlanabilirliği artırmak amacıyla, modüller arasındaki etkileşimi göstermek için sistem düzeyinde bir mimari sunulmuştur. Önerilen sistem; veri ön işleme, fizik bilgisine dayalı sinirsel operatör modelleme, kontrol optimizasyonu ve karar verme olmak üzere dört ana bileşenden oluşmaktadır. Bu modüller, tüm dijital ikiz sistemi boyunca sorunsuz veri akışını, yinelemeli öğrenmeyi ve koordineli çalışmayı sağlayacak şekilde iyi tanımlanmış girdi-çıktı arayüzleri aracılığıyla birbirine bağlanmıştır.
Şekil 3: Genel Sistem Düzeyi Kontrol Optimizasyon Mimarisi Akış Şeması. Önerilen çalışmanın genel sistem mimarisini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Sistem mimarisi, petrol ve gaz üretim sistemlerindeki karmaşık doğrusal olmayan fiziksel dinamiklerin modellenmesi ve optimize edilmesi için kullanılabilecek modelin eksiksiz bir resmini sunmaktadır. Süreç, simülasyon için kullanılan parametreleri ve fiziksel çevreyi temsil etmek için kullanılan sınır koşullarını içeren giriş verileriyle başlar. Bu veriler öncelikle, normalizasyon ve öznitelik çıkarımının yapıldığı veri ön işleme modülünden geçer. Bu işlem, verileri nöral operatör, FNO ve nöral operatör modelinin kullanıldığı bir sonraki modül için hazırlar. Bu modeller sistem durumlarını tahmin etmek için kullanılır ve bu bilgiler, optimizasyon modülü aracılığıyla sistem parametrelerini optimize etmek için kullanılır. Optimize edilmiş sonuçlar daha sonra karar verme modülü kullanılarak karar almak için kullanılır. Bu modül, sistemin verimliliğinin belirlenmesine yardımcı olur. Çerçeve ayrıca, optimizasyon süreci sonuçlarının Şekil 3'te gösterildiği çıktı sonuçlarını da içerir. Ek olarak, verilerin çıktı sonuçlarından sonra ön işleme modülünden geçtiği bir geri besleme döngüsü bulunmaktadır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Fizik tabanlı sinirsel operatörlerin geçerliliğini test etmek amacıyla, doğrusal olmayan çok fazlı akış sisteminin dinamiğini modellemede FNO ile Sinirsel operatör modelinin performansını karşılaştırmak için ek performans testleri gerçekleştirilmiştir. Sonuçlar, FNO'nun küresel uzamsal tutarlılıkta daha iyi performans gösterdiğini, Sinirsel operatör modelinin ise heterojen girdilere adaptasyonda daha başarılı olduğunu göstermiştir.
Önerilen dijital ikiz çerçevesinin etkili bir şekilde eğitilme...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Bu araştırmadan elde edilen bulgular, geliştirilen kontrol farkındalığına sahip dijital ikizin, geniş bir CPS yelpazesi için gerçek zamanlı izleme, tespit ve kontrol optimizasyonunu geliştirme yeteneği açısından etkinliğini kanıtlamaktadır. Geleneksel izleme modelleriyle karşılaştırıldığında, PINO ve graf sinir ağlarının kombinasyonu, gürültülü bir sistemde bile durum tahmini doğruluğu açısından daha etkindir. Bu bulgunun nedeni, dijital ikizdeki gelişmiş bir makine öğrenimi modelinin, sistemdeki tahmin ve tespit süreçle...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarların herhangi bir çıkar çatışması yoktur.
Teşekkürler
Yazarlar, bu araştırmanın tamamlanması sırasında Çin, Karamay'daki CNPC Xinjiang Petrol Sahası Şirketi'nin Veri Şirketi ve Üretim Komuta Departmanı tarafından sağlanan teknik ve kurumsal destek için teşekkür ederler. Bu çalışma için herhangi bir dış finansman alınmamıştır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| CPU (Intel Xeon / AMD Ryzen) | Intel / AMD | Xeon / Ryzen Serisi | Sistem simülasyonu, veri ön işleme ve genel hesaplamalar için kullanılır |
| Derin Öğrenme Çerçevesi (PyTorch 2.0) | Meta AI (PyTorch) | https://pytorch.org RRID:SCR_018536 | Sinir ağlarının, optimizasyonun ve eğitim hatlarının uygulanması için kullanılır |
| Derin Sinir Ağı Kütüphanesi (cuDNN 8.x) | NVIDIA cuDNN | cuDNN 8.x | GPU üzerindeki derin öğrenme işlemleri için optimize edilmiş primitifler sağlar |
| DeepONet | Uygulanamaz | https://arxiv.org/abs/1910.03193 | Betikte, "sinir operatörü modeli" olarak adlandırılmıştır |
| GPU (NVIDIA RTX 4090) | NVIDIA | RTX 4090 | Sinir operatörleri, ST-GNN ve pekiştirmeli öğrenme bileşenleri dahil derin öğrenme modellerinin eğitimi için kullanılır |
| GPU Hızlandırma (CUDA 11.8) | NVIDIA CUDA | CUDA 11.8 RRID:SCR_018131 | Yüksek performanslı model eğitimi için GPU tabanlı paralel hesaplamayı etkinleştirir |
| Linux dağıtımı (sürüm 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download; RRID:SCR_018127 | Deneylerin yürütülmesi ve model dağıtımı için kullanılan işletim sistemi |
| İşletim Sistemi (Ubuntu 22.04 LTS) | Canonical (Ubuntu) | https://ubuntu.com/download RRID:SCR_018127 | Tüm deneyler ve model dağıtımı için yürütme ortamı sağlar |
| Optimizasyon Algoritması (Adam Optimizer) | Uygulanamaz | https://arxiv.org/abs/1412.6980 | Adaptif öğrenme oranı optimizasyonu ile modelleri eğitmek için kullanılır |
| optimize edilmiş derin sinir ağı kütüphanesi (sürüm 8.x) | NVIDIA cuDNN | https://developer.nvidia.com/cudnn RRID:SCR_018131 | Derin sinir ağı işlemleri için optimize edilmiş GPU hızlandırmalı primitifler sağlar |
| Programlama Dili (Python 3.10) | Python Software Foundation | https://www.python.org/downloads RRID:SCR_008394 | Uygulama ve deneyleme için kullanılan temel programlama dili |
| Sistem Belleği (≥ 64 GB RAM) | Corsair / Kingston / Crucial | https://www.corsair.com / https://www.kingston.com / https://www.crucial.com | Yüksek boyutlu çok değişkenli zaman serisi verilerinin işlenmesini ve büyük model eğitimini destekler |
Kaynaklar
- Rebello CM, Jäschke J, Nogueira IBR. Digital twin framework for optimal and autonomous decision-making in cyber-physical systems: Enhancing reliability and adaptability in the oil and gas industry. arXiv preprint arXiv:2311.12755. 2023. https://doi.org/10.48550/arXiv.2311.12755
- Priyanka EB, Thangavel S, Gao XZ, Sivakumar N. Digital twin for oil pipeline risk estimation using prognostic and machine learning techniques. J Ind Inf Integr. 2022;26:100272. https://doi.org/10.1016/j.jii.2021.100272
- Xu X, Liu B, Guo J. Asset management of oil and gas pipeline systems based on digital twin. IFAC Pap OnLine. 2020;53:715–719. https://doi.org/10.1016/j.ifacol.2020.12.123
- Shen F, Ren SS, Zhang XY. A digital twin-based approach for optimization and prediction of oil and gas production. Math Probl Eng. 2021;2021:3062841. https://doi.org/10.1155/2021/3062841
- Wanasinghe TR, et al. Digital twin for the oil and gas industry: Overview, research trends, opportunities, and challenges. IEEE Access. 2020;8:104175–104197. https://doi.org/10.1109/ACCESS.2020.2999087
- Wang B, Tao F, Fang X. Smart manufacturing and intelligent manufacturing: A comparative review. Engineering. 2021;7:738–757. https://doi.org/10.1016/j.eng.2020.07.017
- Wang C, Wang C, Wang K. Technology research and standard development of predictive maintenance for intelligent manufacturing equipment. China Standardization. 2021;2:15–21.
- Ren S, Zhang Y, Huang B. Lifecycle big-data-driven smart manufacturing services for complex products. J Mech Eng. 2018;54:194–203.
- Li L, Lei B, Mao C. Digital twin in smart manufacturing. J Ind Inf Integr. 2022;26:100289. https://doi.org/10.1016/j.jii.2021.100289
- Grieves M, Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In: Transdisciplinary perspectives on complex systems. Cham: Springer; 2017. p. 85–113. https://doi.org/10.1007/978-3-319-38756-7_4
- Yang M, et al. A novel embedding model based on a transition system for building industry-collaborative digital twin. Appl Sci. 2022;12:553. https://doi.org/10.3390/app12020553
- Wang T, Feng K, Ling J. Pipeline condition monitoring towards digital twin systems: A case study. J Manuf Syst. 2024;73:256–274. https://doi.org/10.1016/j.jmsy.2023.12.005
- Malek NG, et al. Live digital twin for smart maintenance in structural systems. IFAC Pap OnLine. 2021;54:1047–1052. https://doi.org/10.1016/j.ifacol.2021.10.146
- Yun J, Kim S, Kim J. Digital twin technology in the gas industry: A comparative simulation study. Sustainability. 2024;16:5864. https://doi.org/10.3390/su16145864
- Bhowmik S. Digital twin for offshore pipeline corrosion monitoring: A deep learning approach. In: Proc Offshore Technology Conf. 2021. D041S049R003.
- Hamidishad N, et al. Digital twin frameworks for oil and gas processing plants: A comprehensive literature review. Processes. 2025;13:3488. https://doi.org/10.3390/pr13123488
- Homaei M, et al. Causal digital twins for cyber-physical security: A framework for robust anomaly detection in industrial control systems. arXiv. 2025.
- Ahmed CM, Palleti VR, Mathur AP. WADI: A water distribution testbed for research in secure cyber-physical systems. In: Proc Int Workshop Cyber-Physical Systems Smart Water Networks. 2017.
- Sudhakar R. Robust digital twin approach towards operational excellence and sustainability goals. In: Proc Abu Dhabi Int Petroleum Exhibition Conf. 2023.
- Knebel FP, et al. Cloud and edge computing for implementation of digital twins in oil and gas industries. Comput Ind Eng. 2023;182:109363. https://doi.org/10.1016/j.cie.2023.109363
- Daher E. Digital safety trends in oil and gas. In: Proc SPE Asia Pacific Oil and Gas Conf. 2023.
- Tao F, et al. Digital twin in industry: State-of-the-art. IEEE Trans Ind Inform. 2019;15:2405–2415. https://doi.org/10.1109/TII.2018.2873186
- Sircar A, et al. Digital twin in the hydrocarbon industry. Pet Res. 2023;8:270–278. https://doi.org/10.1016/j.ptlrs.2023.03.002
- Li G, et al. Intelligent drilling and completion: A review. Engineering. 2022;18:33–48. https://doi.org/10.1016/j.eng.2021.12.004
- Hammerschmid M, et al. Development of virtual representations for energy plants: From digital model to predictive twin. Energies. 2023;16:2641. https://doi.org/10.3390/en16062641
- Lu L, Jin P, Karniadakis GE. Deep operator network: Learning nonlinear operators for identifying differential equations. arXiv. 2019.
- Lin M, et al. Reinforcement learning-based model predictive control for discrete-time systems. IEEE Trans Neural Netw Learn Syst. 2023;35:3312–3324. https://doi.org/10.1109/TNNLS.2022.3140110
- Huang Z, et al. Survey on AI-driven digital twins in Industry 4.0. Sensors. 2021;21:6340. https://doi.org/10.3390/s21196340
- Wang Y, et al. Structural health monitoring of oil and gas pipelines. Ocean Eng. 2024;308:118293. https://doi.org/10.1016/j.oceaneng.2024.118293
- Khisty VH. SCADA systems in oil and gas: Driving innovation and efficiency. Int J Res Appl Sci Eng Technol. 2024;12:96–107.
- Ma Z, Hao Z, Zhao Z. Energy-saving scheduling algorithm of wireless monitoring sensors. Energy Inform. 2024;7:104. https://doi.org/10.1186/s42162-024-00264-4
- Aba EN, et al. Petroleum pipeline monitoring using IoT platform. SN Appl Sci. 2021;3:180. https://doi.org/10.1007/s42452-021-04180-5
- Gulzar Q, Mustafa K. Cyber-attack detection in industrial control systems. Sci Rep. 2025;15:26575. https://doi.org/10.1038/s41598-025-26575-0
- Bloemheuvel S, et al. Graph construction for spatiotemporal data in GNNs. Int J Data Sci Anal. 2024;18:157–174. https://doi.org/10.1007/s41060-024-00423-7
- Li Z, et al. Fourier neural operator for parametric PDEs. arXiv. 2020.
- Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks. arXiv. 2017.
- Wu H, et al. Review of digital twins across processes. Sensors. 2023;23:8306. https://doi.org/10.3390/s23198306
- Xu Q, Ali S, Yue T. Digital twin-based anomaly detection. ACM Trans Softw Eng Methodol. 2023;32:1867–1878. https://doi.org/10.1145/3583555
- Ogbodo CO, et al. Adaptive sensor steering using reinforcement learning. Proc R Soc A. 2026;482:2329.
- Tao F, Qi Q, Liu A, Kusiak A. Data-driven smart manufacturing. J Manuf Syst. 2018;48:157–169. https://doi.org/10.1016/j.jmsy.2018.01.006
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.