بازگشت به پایگاه دانش
پایگاه دانش

نسل تازهٔ دوقلوهای دیجیتال در پالایشگاه؛ خودکارسازی مدیریت چرخهٔ عمر مدل

مطلب 68
•
PTQ، فصل دوم ۲۰۲۶؛ KBC (گروه Yokogawa)؛ ترجمه و بازنویسی فارسی؛ تصویر: Martin Falbisoner، Wikimedia Commons (CC BY-SA 4.0)

نمای پالایشگاه نفت در غروب، متناسب با موضوع دوقلوی دیجیتال پالایشگاه

پالایشگاه‌ها برای عملیات روزانه، برنامه‌ریزی بلندمدت و راهبردهای کاهش انتشار به شبیه‌سازی فرایند و مدل‌های برنامه‌ریزی خطی (LP) تکیه می‌کنند. این مدل‌ها در عمل همان دوقلوهای دیجیتال پالایشگاه‌اند. با یکپارچه‌تر شدن واحدها و تغییر مکرر شرایط عملیاتی، دقیق نگه‌داشتن این مدل‌ها دشوارتر شده است. مقاله‌ای که در شمارهٔ فصل دوم ۲۰۲۶ مجلهٔ PTQ منتشر شده، از دید متخصصان شرکت KBC، راهکار «مدیریت خودکار چرخهٔ عمر مدل» را بررسی می‌کند. باید توجه داشت که نویسندگان از شرکتی هستند که چنین محصولی عرضه می‌کند. بنابراین ارقام مقاله برآورد و پیش‌بینی شرکت‌اند، نه نتایج مستقل و قطعی.

مسئله؛ مدل دقیق هم از واقعیت فاصله می‌گیرد

حتی مدلی که خوب ساخته شده باشد، با تغییر عملکرد تجهیزات، نوسان خوراک و کیفیت داده، از واقعیت فاصله می‌گیرد. این افت معمولاً تدریجی و بی‌هشدار است. تا زمانی که فرض‌های برنامه‌ریزی دیگر با محدودیت‌های واقعی عملیات نخواند، کسی متوجه نمی‌شود. پیامدهای آن می‌تواند کاهش اثربخشی بهینه‌سازی، مصرف انرژی بیشتر و کم‌شدن اعتماد به تصمیم‌های مبتنی بر شبیه‌سازی باشد.

در بسیاری از پالایشگاه‌ها واسنجی و اعتبارسنجی مدل هنوز دستی است. مهندسان باید داده‌های چند منبع را با هم تطبیق دهند، انحراف‌ها را ارزیابی کنند و پارامترهای مدل را اصلاح کنند. این کار زمان، تخصص و هماهنگی میان تیم‌ها می‌خواهد و نیروی متخصص هم کمیاب‌تر می‌شود.

مقاله به دو آمار از منابع دیگر اشاره می‌کند:

  • بر اساس تحلیل Wood Mackenzie روی ۴۲۰ سایت، بیش از ۲۰ درصد ظرفیت پالایش جهان تا سال ۲۰۳۵ در معرض خطر تعطیلی است.

  • بر اساس پیش‌بینی Technavio، بازار تحول دیجیتال در نفت و گاز بین ۲۰۲۵ تا ۲۰۲۹ حدود ۵۶٫۴ میلیارد دلار رشد می‌کند، یعنی نرخ رشد مرکب سالانه حدود ۱۴٫۵ درصد.

چرا فرسودگی مدل به‌سادگی دیده نمی‌شود؟

مقاله می‌گوید فرسودگی مدل به‌ندرت به‌شکل شکست ناگهانی دیده می‌شود. انحراف‌های کوچک به‌تدریج انباشته می‌شوند. عواملی مثل رسوب‌گرفتن تجهیزات، پیرشدن کاتالیست، تغییر خوراک و رانش ابزار دقیق رفتار واحد را عوض می‌کنند. بهینه‌سازی بر پایهٔ فرض‌های کهنه، هدف‌های عملیاتی را از محدودیت‌های واقعی فرایند دور می‌کند. بهره‌وری یکپارچه‌سازی انرژی کم می‌شود، حاشیهٔ مدیریت هیدروژن تنگ‌تر می‌شود و مدل‌های برنامه‌ریزی عملکردی را نشان می‌دهند که فرضی است، نه قابل‌دستیابی.

چون این انحراف‌ها تدریجی‌اند، ممکن است به‌عنوان نوسان عادی عملیات پذیرفته شوند و به‌عنوان نادقیقی مدل شناخته نشوند. نویسندگان این وضعیت را با پایش «ضربان قلب» پالایشگاه مقایسه می‌کنند. پایش روزانه و سنجش میزان انحراف، مثل نگهداری پیشگیرانه نبض مدل را پایدار نگه می‌دارد.

راهکار؛ چرخهٔ عمر مدل به‌جای واسنجی دوره‌ای

ایدهٔ اصلی این است که واسنجی دوره‌ای و پرزحمت، جای خود را به یک سامانهٔ پیوسته و خودپایش بدهد. چنین سامانه‌ای شبیه‌سازی فرایند، یادگیری ماشین و رایانش ابری را ترکیب می‌کند. نویسندگان تأکید می‌کنند که برخلاف ابزارهای صرفاً آماری و جعبه‌سیاه، این چارچوب بر اصول اولیهٔ مهندسی (first principles) استوار است. بنابراین معنای فیزیکی متغیرهای فرایند حفظ می‌شود و اعتبار مهندسی مدل از بین نمی‌رود.

کارکرد سامانه بر چند ابزار استوار است:

  • داشبورد نمای کلی دارایی‌ها: وضعیت واسنجی، شاخص‌های سلامت و امتیاز کیفیت داده در چند مدل را یک‌جا نشان می‌دهد تا مهندس ببیند کدام واحدها از محدودهٔ مجاز خارج می‌شوند.

  • نمودار اثر متغیرها بر سلامت مدل: نشان می‌دهد کدام متغیر فرایند و در چه زمانی سلامت مدل را کاهش می‌دهد و واسنجی مجدد کی لازم است.

  • شاخص سلامت (Health Index): سنجه‌ای ترکیبی که شدت انحراف، کیفیت داده و تاریخچهٔ واسنجی را یک‌جا می‌سنجد. این شاخص «شایستگی» هر دوقلوی دیجیتال را در یک عدد نشان می‌دهد. واسط‌های باز REST آن را در سطح سازمان در دسترس قرار می‌دهند تا دوقلوهای عملیاتی و مدل‌های برنامه‌ریزی با سامانهٔ ثبت داده هم‌گام بمانند.

روش کار؛ از پیکربندی تا اجرا

فرایند با تعریف سه گروه شاخص و تلورانس خطای مخصوص هر سایت آغاز می‌شود:

  • شاخص‌های عملکرد مدل (MPI): نشان می‌دهند مدل تا چه حد رفتار واقعی کارخانه را بازنمایی می‌کند.

  • پارامترهای کیفیت داده (DQP): نشان می‌دهند داده‌های واسنجی و اعتبارسنجی چقدر قابل‌اعتمادند.

  • شاخص‌های کلیدی عملکرد (KPI): دقت مدل را به نتایج عملیاتی مثل مصرف انرژی، پایداری ظرفیت، مصرف هیدروژن و شدت انتشار ربط می‌دهند.

پس از استقرار، سامانه دو کار اصلی انجام می‌دهد:

  • تشخیص خودکار افت کیفیت: شاخص‌های سلامت اختلاف داده‌های شبیه‌سازی‌شده و اندازه‌گیری‌شده را می‌سنجند. اگر از آستانه‌ها عبور کنند، هشدار خودکار صادر می‌شود. نقش مهندس از تحلیل‌گر داده به تصمیم‌گیر و عامل اقدام تغییر می‌کند.

  • واسنجی و تنظیم خودکار: بهینه‌سازی پارامتر، تحلیل حساسیت و پیش‌بینی متقاطع کیفیت واسنجی را روی چند مجموعه‌داده ارزیابی می‌کنند. رایانش ابری موازی چرخه‌های تنظیم را سریع می‌کند.

تحلیل حساسیت متغیرهای اثرگذارتر را مشخص می‌کند. بدین ترتیب واسنجی روی پارامترهای مهم متمرکز می‌شود و همگرایی سریع‌تر و اعتماد به اصلاح‌ها بیشتر می‌شود.

پروژهٔ آزمایشی در یک مجتمع بزرگ

مقاله پروژه‌ای آزمایشی را در اوایل ۲۰۲۴ توصیف می‌کند. محل اجرا یک مجتمع یکپارچهٔ پالایشگاهی و پتروشیمی با ظرفیت ۴۰۰ هزار بشکه در روز بود. این مجموعه چند واحد با تبدیل بالا دارد که در آن‌ها دقت شبیه‌سازی و هم‌ترازی با مدل LP برای سودآوری و رعایت الزامات انتشار مهم است.

با پیکربندی بالا، پروژه خط پایه‌ای برای سنجش دقت شبیه‌سازی، اعتبار داده و اثر عملیاتی در چند واحد ایجاد کرد. برای هر دوقلو، شاخص سلامت اختلاف پیش‌بینی مدل و داده‌های واقعی را می‌سنجید. با عبور از آستانه، سامانه به‌طور خودکار واسنجی مجدد را فعال می‌کرد و تیم مهندسی را مطلع می‌ساخت.

از نظر عملیاتی، نگهداری پیوستهٔ مدل دقت و سرعت واکنش برنامه‌ریزی را بهتر کرد و مدل LP را با محدودیت‌های روز، مثل بهره‌وری یکپارچه‌سازی انرژی و تغییر خوراک، هماهنگ نگه داشت. از نظر نیروی انسانی، خودکارسازی وابستگی به تخصص کمیاب را کم کرد و امکان داد مهندسان کمتر، سامانه‌های پیچیده‌تر را مدیریت کنند.

برآورد اثر عملکرد و ایمنی

مقاله می‌گوید مطالعات پالایشگاهی شروع کرده‌اند اثر عملیاتی دوقلوی دیجیتال را کمّی کنند. به نقل از منبعی دیگر، نتایج گزارش‌شده شامل کاهش توقف‌های برنامه‌ریزی‌نشده، مصرف انرژی و نیروی کار نگهداری است. همچنین نیاز به حفظ دقت دوقلو در طول زمان تأکید شده است، چون ارزش اقتصادی آن به هم‌ترازی پایدار مدل دیجیتال و عملکرد دارایی فیزیکی وابسته است.

جدول مقاله، برآوردهای پیش‌بینی‌شده برای یک پالایشگاه بزرگ بر پایهٔ استقرارهای اولیه را این‌گونه نشان می‌دهد:

  • ساعت مهندسی صرفه‌جویی‌شده: بیش از ۴٬۰۰۰ ساعت در سال

  • سرعت تنظیم مدل: ۱۰ برابر سریع‌تر

  • بهبود حاشیهٔ سود: ۰٫۵ تا ۲ میلیون دلار در سال به‌ازای هر دارایی

  • کاهش دی‌اکسید کربن: حدود ۲٬۵۰۰ تن در سال به‌ازای هر دارایی

این‌ها اعداد پیش‌بینی‌شده‌اند. نتیجهٔ قطعی یک پروژه یا سود خالص پس از کسر هزینهٔ پیاده‌سازی نیستند.

مقاله می‌افزاید پایش پیوستهٔ شاخص سلامت از تبدیل انحراف‌های کوچک به اختلال‌های بزرگ عملیاتی جلوگیری می‌کند. واسنجی خودکار هم مشعل‌سوزی را کم می‌کند و عملیات را پایدارتر نگه می‌دارد، انتشار را کاهش می‌دهد و ایمنی را بدون پیچیدگی اضافه بهتر می‌کند.

ساده‌سازی پیچیدگی و حفظ تخصص

خودکارسازی به پر کردن شکاف نیروی انسانی و مهارت در صنعت انرژی و شیمیایی هم کمک می‌کند. به نقل از Deloitte، نیاز به متخصصان STEM، به‌ویژه در مهندسی پیشرفته، عملیات و تحلیل، از عرضه فراتر رفته است. همچنین بیش از ۱٫۲ میلیون نفر، یعنی حدود ۶۰ درصد نیروی کار این حوزه، به ارتقای مهارت در فناوری‌ها و فرایندهای دیجیتال و تحلیل نیاز خواهند داشت.

با خودکارسازی واسنجی‌های تکراری، تیم‌های کوچک‌تر می‌توانند عملیات بزرگ‌تر و پیچیده‌تری را مدیریت کنند. مهندسان جوان به‌جای تطبیق دستی داده‌ها روی تحلیل تمرکز می‌کنند و متخصصان باتجربه دانش خود را صرف راهبردهای بهینه‌سازی می‌کنند. به گفتهٔ نویسندگان، این خودکارسازی دانش فرایندی را حفظ می‌کند، از «رانش» دانش سازمانی جلوگیری می‌کند و انضباط داده‌محور را ترویج می‌دهد. داشبوردهای استاندارد و گردش‌کارهای راهنما دسترسی به داده‌های مدل را میان مهندسی فرایند، برنامه‌ریزی و مدیریت انرژی دموکراتیک‌تر می‌کنند.

جایگاه دوقلوی دیجیتال در عملیات روزمره

در گذشته، مدل‌های شبیه‌سازی به‌صورت موردی برای راستی‌آزمایی فرض‌های طراحی، عیب‌یابی یا ارزیابی تصمیم‌های سرمایه‌ای به کار می‌رفتند. مدیریت پیوستهٔ چرخهٔ عمر این رویکرد را عوض می‌کند و مدل را در تصمیم‌گیری روزانه مشارکت می‌دهد. تیم‌های برنامه‌ریزی، بهینه‌سازی و عملیات می‌توانند به بازنمایی مشترک و پیوسته اعتبارسنجی‌شدهٔ رفتار کارخانه تکیه کنند. این کار فاصلهٔ میان بهینه‌سازی فرضی و شرایط قابل‌دستیابی را کم می‌کند و ثبات و اعتماد به تصمیم‌ها را افزایش می‌دهد.

نویسندگان تأکید می‌کنند مدیریت خودکار چرخهٔ عمر جایگزین تخصص مهندسی نمی‌شود، بلکه آن را تقویت می‌کند، چون دانش سازمانی را دائماً در بازنمایی دیجیتال دارایی تعبیه می‌کند.

جمع‌بندی

مقاله نگهداری خودکار مدل را گامی تعیین‌کننده به‌سوی «پالایشگاه خودگردان» می‌داند. اگر بتوان شبیه‌سازی را از یک کار مهندسی دوره‌ای به یک سامانهٔ عملکردی پیوسته تبدیل کرد، دوقلوی دیجیتال همراه با دارایی فیزیکی تکامل می‌یابد. به تعبیر نویسندگان، چنین دوقلویی «دارایی» می‌ماند، نه «بدهی».

نکتهٔ کلیدی این است که ارزش دوقلوی دیجیتال فقط به ساخت مدل وابسته نیست، بلکه به حفظ هم‌ترازی آن با دارایی واقعی در طول زمان بستگی دارد. دقت کنید که اعداد منافع، برآورد اولیهٔ فروشنده‌اند و پیش از تصمیم‌گیری باید با داده‌های هر پالایشگاه سنجیده شوند.

منبع: PTQ، فصل دوم ۲۰۲۶، مقالهٔ Next-gen digital twins: automating model lifecycle management، KBC (شرکتی از گروه Yokogawa)؛ ترجمه و بازنویسی فارسی.

https://ptqmagazines.digitalrefining.com/PTQ-Q2-2026/57/

منبع تصویر: Martin Falbisoner، Wikimedia Commons، مجوز CC BY-SA 4.0، نمای پالایشگاه Wesseling در غروب. https://commons.wikimedia.org/wiki/File:Wesseling_Refinery_at_Dusk,_March_2018.jpg

سوالی دارید؟

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