بازگشت به پایگاه دانش
پایگاه دانش

دوقلوهای دیجیتال در نفت و گاز؛ از شبیه‌سازی تا بهینه‌سازی بلادرنگ

مطلب 67
•
Engineer Live، ۲۱ اکتبر ۲۰۲۶؛ ترجمه و بازنویسی فارسی؛ تصویر: SumitAwinash، Wikimedia Commons (CC BY-SA 4.0)

مدل دوقلوی دیجیتال یک سکوی نفتی، متناسب با موضوع دوقلوهای دیجیتال در نفت و گاز

دوقلوهای دیجیتال سال‌هاست که به‌عنوان راهکاری برای تحول در عملیات نفت و گاز مطرح می‌شوند؛ بااین‌حال، تبدیل شبیه‌سازی‌های پیشرفته به ابزاری که بتواند بر تصمیم‌های عملیاتی روزمره اثر بگذارد، همچنان چالش‌برانگیز بوده است. پیشرفت‌های هوش مصنوعی و مدل‌سازی مبتنی بر فیزیک اکنون به پر کردن این فاصله کمک می‌کنند و به بهره‌برداران امکان می‌دهند به تغییر شرایط واکنش نشان دهند، تولید را بهینه کنند و کارایی سامانه‌های صنعتی پیچیده را بهبود بخشند.

مدیرعامل و هم‌بنیان‌گذار شرکت Geminus AI در تلاش است نسل تازه‌ای از دوقلوهای دیجیتال را وارد عملیات واقعی کند. رویکرد این شرکت بر ترکیب مدل‌های مبتنی بر فیزیک با بهینه‌سازی بلادرنگ و سنجش عدم‌قطعیت استوار است؛ رویکردی که به گفته او می‌تواند به عبور از پروژه‌های آزمایشی محدود و حرکت به‌سوی راهکارهای مقیاس‌پذیر با ارزش عملیاتی قابل‌اندازه‌گیری کمک کند.

در این گفت‌وگو، تغییرات فناوری دوقلوی دیجیتال، اهمیت فیزیک در مدل‌سازی دارایی‌های پیچیده و الزامات گسترش این راهکارها در عملیات صنعتی بررسی می‌شود. همچنین به ظرفیت کاربرد این تجربه‌ها در مراکز داده، تولید برق و دیگر بخش‌های انرژی‌بر پرداخته می‌شود.

دوقلوهای دیجیتال اکنون در چه جایگاهی قرار دارند و چه چیزی آن‌ها را برای تصمیم‌گیری عملیاتی زنده مفید کرده است؟

مشکل از خود مفهوم دوقلوی دیجیتال نبود. بهره‌برداران مدت‌هاست ارزش داشتن مدلی دقیق از یک مجموعه کمپرسور یا شبکه جمع‌آوری را درک می‌کنند؛ مانع اصلی، هزینه و توجیه اقتصادی بود.

ساخت یک دوقلوی دیجیتال گاهی نزدیک به یک سال کار گروهی از متخصصان را می‌طلبید. مدل برای یک دارایی مشخص تنظیم می‌شد و ممکن بود تا زمان تکمیل، شرایط همان دارایی تغییر کرده باشد. در نتیجه، صنعت با مجموعه‌ای از پروژه‌های آزمایشی چشمگیر روبه‌رو شد که به عملیات روزمره راه پیدا نکردند.

سه تحول این وضعیت را تغییر داده است. نخست، زمان ساخت کاهش یافته است. کاری که پیش‌تر ماه‌ها یا سال‌ها زمان می‌برد، به کمک پلتفرم‌هایی که خود رویکرد مدل‌سازی را طراحی می‌کنند، می‌تواند بسیار سریع‌تر انجام شود. دوم، نگهداشت و به‌روزرسانی مدل است. اگر دوقلو نتواند فرسودگی، تعمیرات اساسی و ارتقای تجهیزات را دنبال کند، صرفاً تصویری از گذشته خواهد بود. مدل باید همگام با تغییر سامانه فیزیکی به‌روز بماند. سوم، دامنه مدل‌سازی است: به‌جای پوشش یک دارایی منفرد، دوقلوها باید میان دارایی‌ها و بخش‌های مختلف زنجیره ارزش ارتباط برقرار کنند. این عوامل می‌توانند دوقلوی دیجیتال را از یک مطالعه مهندسی به ابزاری قابل استفاده در اتاق کنترل تبدیل کنند.

تفاوت شبیه‌سازی یک دارایی با بهینه‌سازی آن در زمان واقعی چیست؟

شبیه‌ساز معمولاً در هر نوبت به یک پرسش پاسخ می‌دهد و پاسخ آن ممکن است دیر به دست برسد. برای مثال، یک متخصص ممکن است چند روز صرف ساخت و اجرای سناریویی برای یافتن نقطه تنظیم بهتر یک کمپرسور کند؛ اما تا آن زمان شرایط میدان تغییر کرده باشد. چنین کاری برای طراحی و برنامه‌ریزی ارزشمند است، اما به‌تنهایی پاسخ‌گوی نیاز عملیات روزانه نیست.

بهینه‌سازی بلادرنگ سه قابلیت می‌خواهد که شبیه‌سازی به‌تنهایی فراهم نمی‌کند:

  • سرعت: پاسخ باید آن‌قدر سریع آماده شود که بتواند تصمیم یا اقدام همان شیفت را تغییر دهد.

  • مدیریت واقع‌بینانه عدم‌قطعیت: وضعیت سامانه هیچ‌گاه با دقت کامل شناخته نمی‌شود. بنابراین، توصیه‌ای که فقط تحت یک مجموعه فرض محدود معتبر باشد، برای اقدام ایمن کافی نیست. باید دامنه‌ای از شرایط محتمل بررسی و اقدامی انتخاب شود که در آن دامنه عملکرد مناسبی داشته باشد.

  • لایه تصمیم‌گیری: بهینه‌ساز باید اهداف و محدودیت‌ها را به نقاط تنظیم مشخصی تبدیل کند که اپراتور بتواند بر اساس آن‌ها اقدام کند؛ نه اینکه فقط پیش‌بینی ارائه دهد و قضاوت را به فرد دیگری واگذار کند.

تفاوت دیگری نیز وجود دارد: شبیه‌ساز ممکن است دارایی را مطابق طراحی اولیه مدل کند، اما بهینه‌ساز باید وضعیت دارایی را همان‌طور که امروز کار می‌کند بازنمایی کند.

چرا مدل‌سازی فیزیک‌محور اهمیت دارد؟

صنعت نفت و گاز داده‌های فراوانی دارد، اما این داده‌ها همیشه برای پاسخ‌گویی به پرسش‌های مهم کافی نیستند. تاریخچه عملیاتی، بیشتر درباره شرایطی اطلاعات می‌دهد که سامانه پیش‌تر تجربه کرده است. درحالی‌که پرسش‌های مهم اغلب به وضعیتی مربوط‌اند که دارایی هنوز در آن کار نکرده است؛ برای مثال، خوراک سنگین‌تر، نرخ تولید بالاتر، دمای محیط نامعمول یا از مدار خارج شدن یک کمپرسور.

مدل صرفاً آماری ممکن است در چنین شرایطی برون‌یابی ضعیفی انجام دهد، بی‌آنکه خطای آن به‌سادگی آشکار شود. وارد کردن معادلات حاکم بر انتقال حرارت، دینامیک سیالات و رفتار فازی به مدل کمک می‌کند تا هنگام مواجهه با شرایط خارج از داده‌های آموزشی نیز به اصول فیزیکی متکی بماند.

دلیل دوم، محدود بودن مشاهده‌پذیری سامانه است. در بسیاری از تجهیزات فقط بخش‌هایی از وضعیت اندازه‌گیری می‌شود؛ برای نمونه، فشار در نقطه‌ای مشخص ثبت می‌شود، درحالی‌که محدودیت واقعی ممکن است به دمای نقطه‌ای دیگر در پایین‌دست وابسته باشد. فیزیک به پر کردن فاصله میان داده‌های قابل‌اندازه‌گیری و اطلاعات موردنیاز کمک می‌کند.

دلیل سوم، اعتماد است. اپراتور معمولاً به‌سادگی نقطه تنظیم یک واحد حیاتی را بر اساس پیشنهاد یک مدل غیرشفاف تغییر نمی‌دهد. مدلی که بر پایه فیزیک ساخته شده باشد می‌تواند منطق خود را با مفاهیم آشنای مهندسی توضیح دهد و این شفافیت ممکن است در پذیرفته شدن یا نادیده ماندن توصیه‌ها نقش داشته باشد.

چالش‌های گذر از پروژه آزمایشی به استقرار در مقیاس واقعی

نخست اینکه دارایی بعدی الزاماً مانند دارایی قبلی رفتار نمی‌کند. حتی واحدهایی که با طراحی مشابه و در زمان نزدیک به هم راه‌اندازی شده‌اند، پس از مدتی ممکن است به‌دلیل تفاوت در وظیفه عملیاتی، خوراک و سابقه تعمیرات، رفتار متفاوتی پیدا کنند. بنابراین، مدلی که برای یک واحد آموزش دیده، ممکن است برای واحد دیگر مناسب نباشد. گسترش در مقیاس بالا به روشی نیاز دارد که ساخت دوقلوی اختصاصی هر دارایی را با هزینه مناسب ممکن کند؛ چالشی که بیش از آنکه به افزایش نیروی انسانی وابسته باشد، به طراحی الگوریتمی مربوط است.

چالش دوم، تغییر تدریجی شرایط و فاصله گرفتن مدل از واقعیت است. سامانه‌های فیزیکی فرسوده می‌شوند، آسیب می‌بینند، تعمیر می‌شوند و ارتقا پیدا می‌کنند. اگر به‌روز نگه داشتن مدل هر بار به یک دوره طولانی کار متخصصان نیاز داشته باشد، برنامه ممکن است به‌تدریج متوقف شود و عملیات بر پایه مدلی ادامه یابد که دیگر با واقعیت تطبیق ندارد.

چالش سوم، ساختار سازمانی است. در بسیاری از بهره‌برداران، تیم‌های زیرسطحی، تأسیسات و فرایند هرکدام اهداف جداگانه‌ای دارند. در نتیجه، ممکن است یک تیم افزایش تولید را دنبال کند، درحالی‌که محدودیت پردازش در بخش دیگری قرار دارد. افزایش نفت تولیدی ارزشی ندارد اگر کارخانه نتواند آن را فرآورش کند.

همچنین، سنجش عدم‌قطعیت نباید به مرحله‌ای موکول شود که قرار است پس از ساخت مدل انجام شود. اگر از ابتدا بخشی از طراحی سامانه نباشد، ممکن است همواره به مرحله بعد موکول شود و مدل، با وجود پیچیدگی فنی، برای عملیات قابل‌استفاده نباشد.

تأثیر عملیاتی بر تولید و کاهش مشعل‌سوزی

برای نمونه، می‌توان شبکه بزرگی از جمع‌آوری گاز را در نظر گرفت که صدها چاه را به واحدهای تراکم و خطوط لوله‌ای به طول صدها مایل متصل می‌کند. افت فشار سرچاه، تغییر دمای محیط یا از مدار خارج شدن تجهیزات می‌تواند اپراتورها را به مشعل‌سوزی وادار کند. این وضعیت هم انتشار آلاینده‌ها را افزایش می‌دهد و هم امکان فروش بخشی از محصول را از بین می‌برد؛ حتی در دارایی‌هایی که در مجموع به‌خوبی اداره می‌شوند.

در سطح عملیات، تغییر اصلی در نقاط تنظیم و به‌ویژه در تناوب به‌روزرسانی آن‌هاست. به‌جای اتکا به یک پاسخ کارشناسی که پس از تغییر شرایط آماده می‌شود، دوقلو می‌تواند تنظیمات کمپرسورها را پیوسته با وضعیت واقعی میدان تطبیق دهد. هدف، کاهش مشعل‌سوزی و باز کردن محدودیت جریان است.

بخش قابل‌توجهی از منفعت احتمالی می‌تواند از کاهش محافظه‌کاری بیش از حد حاصل شود. وقتی پیامد تغییرات قابل‌پیش‌بینی نیست، انتخاب محتاطانه معمولاً کاهش جریان و حفظ حاشیه ایمنی گسترده است؛ اما این حاشیه می‌تواند هر روز بخشی از تولید را محدود کند. مدلی که عدم‌قطعیت خود را هم برآورد می‌کند، می‌تواند به بهره‌بردار کمک کند به‌جای تکیه بر بدترین حالت قابل‌تصور، تصمیم را با توجه به محدودیت‌هایی تنظیم کند که در همان زمان واقعاً برقرارند.

کاربرد در مراکز داده و سایر صنایع

مراکز داده یکی از حوزه‌های دارای ظرفیت بالقوه‌اند. پویایی عملیاتی، مصرف انرژی و هزینه‌های بهره‌برداری آن‌ها، مدیریت شبکه خنک‌سازی را در کنار تولید و توزیع برق به مسئله‌ای پیچیده تبدیل می‌کند. از این نظر، این مسائل به مدیریت شبکه‌های جمع‌آوری و انتقال در صنعت انرژی شباهت دارند.

شبکه برق و تولید انرژی نیز از حوزه‌های نزدیک‌اند. پس از آن می‌توان به صنایع شیمیایی و مواد، معدن و فلزات و در مراحل بعد به داروسازی و هوافضا اشاره کرد. نیاز بنیادی در این صنایع مشابه است: سامانه‌ای فیزیکی که پرهزینه و متغیر است، فقط بخشی از وضعیت آن قابل مشاهده است و تصمیم‌ها باید سریع‌تر از روندهای تحلیلی سنتی گرفته شوند.

چند درس از صنعت انرژی قابل تعمیم است. دارایی‌هایی با طراحی یکسان ممکن است در عمل متفاوت رفتار کنند؛ بنابراین، لازم است هر دارایی مدل متناسب خود را داشته باشد و آن مدل به‌روز بماند. ارزش اقتصادی نیز اغلب در سطح زنجیره ارزش شکل می‌گیرد، نه فقط در یک دارایی منفرد؛ زیرا بهینه‌سازی یک واحد در سامانه‌ای محدود ممکن است صرفاً گلوگاه را به بخش دیگری منتقل کند.

همچنین، عدم‌قطعیت باید از ابتدا در طراحی لحاظ شود و پاسخ مدل باید به دست فردی برسد که تصمیم عملیاتی را می‌گیرد. اگر استفاده از سامانه به حضور یک دانشمند داده نیاز داشته باشد، ممکن است در بخش مهندسی باقی بماند و به محیط واقعی عملیات راه پیدا نکند؛ چالشی که به گفته مدیرعامل Geminus AI، هوش مصنوعی صنعتی در سال‌های گذشته با آن روبه‌رو بوده است.

منبع: Engineer Live، ۲۱ اکتبر ۲۰۲۶؛ ترجمه و بازنویسی فارسی از مصاحبه‌ای دربارهٔ دوقلوهای دیجیتال در نفت و گاز.

https://engineerlive.com/digital-twins-in-oil-and-gas-from-simulation-to-real-time-optimisation/

منبع تصویر: SumitAwinash، Wikimedia Commons، مجوز CC BY-SA 4.0، دوقلوی دیجیتال یک سکوی نفتی. https://commons.wikimedia.org/wiki/File:Oil_rig_Jan_23.jpg

سوالی دارید؟

تیم ما آماده است تا به سوالات شما پاسخ دهد و راهنمایی‌های لازم را ارائه کند.