ЦИФРОВЫЕ ДВОЙНИКИ В НЕФТЕГАЗОДОБЫВАЮЩЕМ ОБЩЕСТВЕ: ТЕОРИЯ И ПРАКТИКА

DIGITAL TWINS IN THE OIL AND GAS PRODUCTION SOCIETY: THEORY AND PRACTICE

Elena Sharafislamova

Master's student of the Department "Digital technologies in the development and operation of oil and gas fields", FSBEI "Ufa State Petroleum Technological University", Russia, Ufa

Damir Galiullin

Master's student at Ufa Higher School of Economics and Management, FSBEI "Ufa State Petroleum Technological University", Russia, Ufa

Аннотация. Цифровизация является неотъемлемой частью развития нефтегазодобывающей отрасли и способствует повышению ее эффективности, надежности и безопасности. Внедрение современных технологий позволяет компаниям быть конкурентоспособными на рынке и успешно осуществлять добычу полезных ископаемых в условиях быстро меняющейся индустрии.

Abstract. Digitalization is an integral part of the development of the oil and gas industry and helps to increase its efficiency, reliability and safety. The introduction of modern technologies allows companies to be competitive in the market and successfully extract minerals in a rapidly changing industry.

Ключевые слова: цифровые двойники, цифровизация, цифровое месторождение.

Keywords: digital twins, digitalization, digital field.

Цифровое месторождение – комплексное технологическое решение, позволяющее осуществлять разработку и эксплуатацию с помощью цифровых технологий по мониторингу, контролю, управлению и оптимизации режимов работы производственных объектов

Цифровые двойники (или модели) используют системы уравнений, условий и алгоритмических правил. Модели позволяют рассчитывать параметры и показатели производственной системы, анализировать ее поведение. Модели могут применяться как на этапе проектирования технологических объектов, планирования мероприятий, так и при сопровождении эксплуатации таких объектов

На данный момент многие компании используют в той или иной мере модели, однако одним из признаков цифрового двойника является его большая интеграции в производственную деятельность. Для этого необходимо, как минимум, обеспечение поддержания модели в актуальном состоянии. Также необходимо создание дополнительных аналитических инструментов, как раз и позволяющих решать производственные задачи с использованием этих цифровых двойников: мониторинг режимов работы, проведение прогностических расчетов, расчет сценариев «ЧТО ЕСЛИ», системы поддержки принятия решений и т.д.

Также наблюдается тенденция к большему использованию интегрированных моделей различного рода, представляющих собой комплексификацию цифровых двойников разных технологических объектов в единую взаимосвязанную систему [1].

Цифровые двойники основаны на представлении сигналов дискретными полосами аналоговых уровней, а не в виде непрерывного спектра. Цифровые технологии главным образом используются в вычислительной цифровой электронике, прежде всего компьютерах, в различных областях электротехники, таких как робототехника, автоматизация, измерительные приборы, радио- и телекоммуникационные устройства и многие другие цифровые устройства. Ниже представлены существующие тенденции в области цифровизации нефтегазовой промышленности:

Киберфизическая система (Cyber-Physical System, CPS) – совокупность цифровых, аналоговых, физических и человеческих компонентов, функционирующих посредством интегрированной физической технологии и логики

CPS состоят из различных природных объектов, искусственных подсистем, управляющих контроллеров, пользователей и т.д., которые тесно взаимосвязаны. В CPS обеспечена координация между вычислительными и физическими ресурсами. Все это позволяет представить эту совокупность как единую систему

CPS использует междисциплинарные подходы, в ней объединяются кибернетика, механотроника, теория и практика управления процессами.

Предпосылки создания CPS:

– техническое развитие инструментов взаимодействия с физическим миром (сенсоры, исполнительные механизмы), систем передачи и хранения данных

– возможность получения большего эффекта при интеграции систем различного уровня, рода и направления между собой

– рост объемов информации о физическом мире, который не может быть обработан человеком.

Потенциально CPS могут позволить обеспечить интеграцию различных систем между собой (с формированием «системы систем») вплоть до создания систем национального или глобального уровня:

1. Интернет вещей – объединение (система) вещей, в т.ч. с взаимодействием M2M;

2. Интернет людей – объединение и взаимодействие людей;

3. Интернет сервисов – обеспечение доступа к различным видам цифровых услуг;

4. С развитием блокчейна возможно формирование Интернета ценностей[2].

Интернет вещей (Internet of Things, IoT) – концепция вычислительной сети физических объектов («вещей»), оснащенных встроенными технологиями для взаимодействия друг с другом или с внешней средой через Интернет (или другие коммуникационные сети). Концепция рассматривает организацию таких сетей как явление, способное перестроить экономические и общественные процессы, исключающее из части действий и операций необходимость участия человека

Индустриальный (или промышленный) интернет вещей (Industrial Internet of Things, IIoT) – использование интернета вещей в промышленности

При формировании информационного потока на месторождении при автоматизации процесса генерации информации, передачи и хранения данных можно говорить о внедрении отдельных элементов IoT.

Основные области применения:

– Отслеживание движения материалов, транспорта;

– Мониторинг активов;

– Удаленный сбор данных;

– Самообслуживание;

– Удаленное оказание услуг;

– Получение данных в режиме реального времени (real time).

Основные моменты:

1. Беспроводная передача данных через сеть Интернет (или другую сеть) – один из важнейших элементов IV промышленной революции

2. Развитая система «коммуникации» вещей предполагает способность вещей друг друга идентифицировать, характеризовать состояние, передавать друг другу данные и обрабатывать их

3. Возможность автоматизации операций и решений позволяет исключить человека из взаимодействия вещей, тем самым сделав это взаимодействие более автономным, надёжным, быстрым, системным и контролируемым

4. Часто при организации IoT говорят о взаимодействии M2M (machine-to-machine, межмашинное взаимодействие).

Приобретаемые преимущества при внедрении IoT в производство (IIoT):

– гибкость производства – отказ от жёстких «конвейерных» решений, что в конечном счёте позволяет массово принимать и выполнять индивидуальные заказы, свободней внедрять в производство новые решения, свободно использовать аутсорсинг;

– настраиваемость производства – за счёт его контроля на всех уровнях и благодаря его функционированию на единой технологической платформе;

– эффективность производства – снижение издержек, связанных с человеческим фактором: ошибок, простоев, высокой стоимости человеческого труда.

Примером внедрения IoT в быту может быть технология умного дома[3].

Индустриальный интернет вещей (Промышленный интернет, Industrial Internet of Things, IIoT) – разновидность интернета вещей, концепция вычислительной сети, промышленных производств и сложных физических машин, интегрированных с интеллектуальными системами.

Промышленный интернет вещей (Industrial Internet of Things) – многоуровневая система, включающая в себя датчики и контроллеры, установленные на узлах и агрегатах промышленного объекта, средства передачи собираемых данных и их визуализации, мощные аналитические инструменты интерпретации получаемой информации и многие другие компоненты.

Мобильные и носимые устройства – устройства, которыми оснащается полевой персонал, транспорт, оборудование и которые позволяют осуществлять мониторинг и управление движением ресурсами и контролировать состояние объектов.

Примерами использования может являться оснащение персонала и транспорта трекерами, системами связи (рациями, телефонами), средствами контроля состояния внешней среды (термометры, газоанализаторы) и т.д.

Помимо оснащения внедрение данной технологии подразумевает и создание соответствующей ИТ-среды, позволяющей консолидировать, визуализировать и анализировать поступающую информацию.

Примеры устройств для нефтегазовой отрасли: «Умная каска», фитнес браслет, смартфон, газоанализатор, автотрекеры, метеодатчик, ВТ-метка.

Большие данные (Big Data) – Серия подходов, инструментов и методов обработки структурированных и неструктурированных данных очень больших объемов и значительного многообразия для получения воспринимаемых человеком результатов, эффективных в условиях их непрерывного прироста и распределения по многочисленным узлам вычислительной сети. К Big Data относят наборы данных такого объёма, что традиционные инструменты не способны осуществлять их захват, управление и обработку за приемлемое для практики время.

Анализ больших данных (Big Data Analysis) – Инструменты и методы организации, хранения, обработки, работы, использования при расчетах и формирование новых знаний на основе обработки и анализа больших массивов информации о производственном объекте. Также можно выделить в самостоятельные технологии решения, базирующиеся на «больших данных» – машинное обучение, искусственный интеллект [4].

Извлечение данных (Data Mining) – Извлечение новых знаний и неочевидных зависимостей из больших объёмов сложных данных

Наука о данных (Data Science) – Комплекс инструментов и методик, направленных на анализ данных, поиск оптимальных решений на основе данных, представление результатов в форме, пригодной для дальнейшего практического использования. Часто Data Science связывают именно с профессиональной деятельностью, направленной на решение практических задач.

Искусственный интеллект (ИИ, AI, Artificial Intelligence) – Комплекс методов и программных решений, позволяющий системе принимать оптимальные решения при достижении сложной цели на основе анализа структурированной и / или неструктурированной информации, а также адаптироваться к отдельным изменениям во внешних условиях. К примеру, ИИ может использоваться при создании голосового помощника, видеоаналитике, оптимизация каких-либо показателей и т.д. Машинное обучение также можно отнести к методу ИИ.

Машинное обучение (ML, Machine Learning) – Построение на больших объемах данных прогностических моделей, алгоритмов путем обучения. Могут использоваться как интерпретируемые (например, деревья решений), так и неинтерпретируемые модели (например, нейронные сети). Одним и достоинств ML является скорость производимых расчетов, что повышает преимущества моделей при сопровождении эксплуатации в режиме реального времени. Однако имеются и недостатки – например, требования к объему и качеству обучающей выборки. В связи с этим при выборе используемого типа прогностической модели необходим анализ, в т.ч. сравнительный, по ограничениям, качеству прогноза, требованиям к входной информации и т.д. Примерами использования методов ML могут являться получение прогноза на основе текущих данных, восстановление данных, выявление неявных зависимостей между входными данными и т.д.[5].