КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий

КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий

КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий

КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий

КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2020

КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ЦИФРОВЫХ БЛИЗНЕЦОВ ДЛЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

Имамвердиев Ядигар Н.

Нефтяные и газовые компании предполагают использовать технологию Industrial 4.0 для сохранения конкурентного преимущества перед лицом ухудшающейся структуры запасов углеводородов, нестабильных и резко снижающихся цен на энергоносители. Концепция «Нефть и газ 4.0», основанная на подходе Industry 4.0, стоит на повестке дня компаний последние 2-3 года. Хотя концепция «Нефть и газ 4.0» все еще находится в зачаточном состоянии, технология цифровых близнецов как одна из ее основных технологий привлекла большое внимание, но все еще существуют некоторые недоразумения относительно того, как ее можно использовать для создания дополнительных выгод при нефтегазовых операциях. Цифровой близнец – это виртуальный прототип реального физического объекта (нефтяного месторождения, скважины, оборудования или элемента инфраструктуры), продукта или процесса, суть которого заключается в сборе цифровых данных и использовании их для мониторинга и управления физического объекта, а также оптимизации принятых решений. Несмотря на успешное применение цифровых близнецов в ряде отраслей, нефтегазовая отрасль только сейчас начинает применять эту технологию, и ряд задач, связанных с этим, становится все более актуальным. Целью данной работы являются анализ проблем разработки моделей цифровых близнецов в нефтегазовой промышленности и разработка обобщенной концептуальной модели для цифровых близнецов. Применение цифровых близнецов в нефтегазовой отрасли анализируется с точки зрения интеграции информационных и операционных технологий. Подробно описываются компоненты системы управления данными, виртуального объекта и системы визуализации, входящие в предлагаемую модель цифрового близнеца. Для управления данными, процессами и моделями, которые входят в виртуальный объект, используются централизованные системы. Модели обучаются посредством машинного обучения, а также могут использовать знания экспертов и практику подобных цифровых близнецов (стр.41-51).

Ключевые слова: нефтегазовая отрасль, цифровизация, цифровая трансформация, цифровые близнецы, цифровое месторождение, машинное обучение, IoT.
DOI : 10.25045/jpit.v11.i2.04
Литература
  • Sharma P., Hamedifar H., Brown A., & Green R. The dawn of the new age of the industrial Internet and how it can radically transform the offshore oil and gas industry / Offshore Technology Conference, 2017, 7 p. DOI: 10.4043/27638-MS.
  • Schwab K. The fourth industrial revolution. New York: Crown Business Publishing Group. 2016, 192 p.
  • Lu H., Guo L., Azimi, M., & Huang K. Oil and Gas 4.0 era: A systematic review and outlook // Computers in Industry, 201911, pp.68–90.
  • Taliangis P. Digital transformation of the oil, gas and energy value chain // The APPEA Journal, 2018, vol.582, pp.488–492.
  • Reis J., Amorim M., Melão N., & Matos P. Digital transformation: a literature review and guidelines for future research / World Conference on Information Systems and Technologies, 2018, pp.411–421.
  • Rasheed A., San O., & Kvamsdal T. Digital twin: Values, challenges and enablers. arXiv preprint arXiv:1910.01719. 2019, 31 p.
  • Gartner identifies the top 10 strategic technology trends for 2018. Gartner, Inc., 4 October 2017. https://www.gartner.com/newsroom/id/3812063.
  • Gefen C. Digital twin market-growth, size, share, forecast, industry analysis 2019-2027. https://works.bepress.com/charlie-gefen/63/download/
  • Tjønn A. Digital twin through the life of a field / Abu Dhabi International Petroleum Exhibition & Conference, 2018, pp.1–6. DOI: 10.2118/193203-MS.
  • Kritzinger W., Karner M., Traar G., Henjes J., & Sihn W. Digital twin in manufacturing: A categorical literature review and classification // IFAC-PapersOnLine, 2018, vol.51, no.11, pp.1016–1022.
  • Lim K. Y. H., Zheng P., & Chen C. H. A state-of-the-art survey of digital twin: Techniques, engineering product lifecycle management and business innovation perspectives // Journal of Intelligent Manufacturing, 2020, vol.31, pp.1313–1337. DOI: 10.1007/s10845-019-01512-w.
  • Grieves M., & Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In: Kahlen FJ., Flumerfelt S., Alves A. (eds) Transdisciplinary Perspectives on Complex Systems. Springer, 2017, pp.85–113.
  • Grieves M. Digital twin: Manufacturing excellence through virtual factory replication. White paper, 2014, 8 p.
  • Tao F., Zhang H., Liu A., & Nee A.Y. Digital twin in industry: State-of-the-art // IEEE Transactions on Industrial Informatics, 2018, vol.15, no.4, pp.2405–2415.
  • El Saddik A. Digital twins: The convergence of multimedia technologies // IEEE MultiMedia, vol. 25, no. 2, pp. 87-92. DOI:10.1109/mmul.2018.023121167.
  • Barricelli B.R., Casiraghi E., Gliozzo J., Petrini A., & Valtolina S. Human digital twin for fitness management // IEEE Access, 2020, 8, 26637-26664.
  • Negri E., Fumagalli L., & Macchi M. A review of the roles of digital twin in CPS-based production systems // Procedia Manufacturing, 2017, vol.11, pp.939–948.
  • Parks M. Digital twinning: Types of digital twins. https://eu.mouser.com/applications/digital-twinning-types/
  • Qi Q., Tao F., Hu T., Anwer N., Liu A., Wei Y., Wang L., Nee A. Enabling technologies and tools for digital twin // Journal of Manufacturing Systems, 2019, vol.10, pp.129–145.
  • Uhlemann T.H.J., Lehmann C., & Steinhilper R. The digital twin: Realizing the cyber-physical production system for industry 4.0 // Procedia CIRP, 2017, vol.61, pp.335–340.
  • Qi Q., & Tao F. Digital twin and big data towards smart manufacturing and industry 4.0: 360 degree comparison // IEEE Access, 2018, vol.6, pp.3585–3593.
  • Zeynalli A., Butdayev R., & Salmanov V. Digital transformation in oil and gas industry / SPE Annual Caspian Technical Conference, 2019, 7 p. 
    DOI: 10.2118/198337-MS.
  • Berge J. Digital transformation and IIoT for oil and gas production / Offshore Technology Conference, 2018, 10 p. DOI: 10.4043/28643-MS.
  • Devold H., Graven T., & Halvorsrød S.O. Digitalization of oil and gas facilities reduce cost and improve maintenance operations / Offshore Technology Conference, 2017, 16 p. DOI:10.4043/27788-MS.
  • Poddar T. Digital twin bridging intelligence among man, machine and environment / Offshore Technology Conference Asia, 2018, 4 p. DOI: 10.4043/28480-MS.
  • LaGrange E. Developing a digital twin: The roadmap for oil and gas optimization / SPE Offshore Europe Conference and Exhibition, 2019, 14 p. 
    DOI: 10.2118/195790-MS.
  • Min Q., Lu Y., Liu Z., Su C., & Wang B. Machine learning based digital twin framework for production optimization in petrochemical industry // International Journal of Information Management, 2019,49, pp.502–519.
  • Nadhan D., Mayani M. G., & Rommetveit R. Drilling with digital twins / IADC/SPE Asia Pacific Drilling Technology Conference and Exhibition, 2018.
  • Mayani M.G., Baybolov T., Rommetveit R., Ødegaard S.I., Koryabkin V., & Lakhtionov S. Optimizing drilling wells and increasing the operation efficiency using digital twin technology / IADC/SPE International Drilling Conference and Exhibition, 2020, 10 p. DOI:10.2118/199566-MS.
  • Temizel C., Canbaz C.H., Palabiyik Y., Putra D., Asena A., Ranjith R., and Jongkittinarukorn K. A comprehensive review of smart/intelligent oilfield technologies and applications in the oil and gas industry / SPE Middle East Oil and Gas Show and Conference, 2019, 22 p. DOI: 10.2118/195095-MS.
  • Пилипенко Д. Цифровое месторождение. Взгляд компании SAP // Дайджест НефтеГаз, 2018, №4(11) с.10–11.
  • Kosenkov S., Turchaninov V.Y., Korovin I.S., & Ivanov D.Y. Digital twin of the oil well, based on data mining technologies / Proc. of the 2nd International Conference on Modeling, Simulation and Optimization Technologies and Applications, 2018, pp.233–238.
  • Du L., & Yao A. Digital techniques and its application in oil and gas pipelines // Oil & Gas Storage and Transportation, 2007, vol.26, no.6, pp.7–10.
  • Hlady J., Glanzer M., & Fugate L. Automated creation of the pipeline digital twin during construction: Improvement to construction quality and pipeline integrity / 12th International Pipeline Conference2018, 12 p. DOI: 10.1115/IPC2018-78146.
  • Alguliyev R.M., Imamverdiyev Y.N., Sukhostat L.V. Intelligent diagnosis of petroleum equipment faults using a deep hybrid model // SN Applied Sciences, vol.2, 2020, pp.1–16.
  • Hajizadeh Y. Machine learning in oil and gas; a SWOT analysis approach // Journal of Petroleum Science and Engineering, 2019, vol.176, pp.661–663.
  • Zhang C., Zhou G., Hu J., & Li J. Deep learning-enabled intelligent process planning for digital twin manufacturing cell // Knowledge-Based Systems, 2020, vol.191, 105247.