«Автоматизация и информатизация ТЭК»

Дифференцируемая физика – основа цифровых двойников в нефтегазовом комплексе

УДК: 519.673
DOI: -

Авторы:

¹ НИИгазэкономика, Москва, Россия

Ключевые слова: цифровое моделирование, дифференцируемое программирование, гибридная модель, оптимизация, технологический процесс, система

Аннотация:

В статье обсуждаются опыт и перспективы дальнейшего внедрения новой парадигмы – дифференцируемого программирования – в практику разработки прикладных цифровых моделей систем добычи, транспортировки, хранения, переработки и распределения углеводородов. Утверждается, что автодифференцируемые модели, разработанные на основе методов дифференцируемого программирования (модели "дифференцируемой физики"), открывают новые возможности для совершенствования управления нефтегазовым производством. Автодифференцируемость как свойство цифровых расчетных моделей является важной компонентой для решения различных прямых и обратных задач детализированного физико-технологического моделирования систем нефтегазового комплекса, включая задачи идентификации состояния систем по фактическим замерам и оптимального планирования стационарных и динамических режимов их работы. Отмечается, что дифференцируемое программирование позволяет объединить классические физико-математические модели фильтрации и течения флюидов с моделями машинного обучения в интегрированные гибридные автодифференцируемые модели. Это дает возможность использовать при моделировании крупных систем преимущества как моделей на основе знаний, так и моделей на основе данных. Показано, что применение этих подходов позволяет расширить спектр решаемых актуальных задач, а также многократно ускорить вычисления за счет использования специализированного аппаратного обеспечения (графических процессоров). Реализация автодифференцируемых гибридных моделей с помощью современных программных пакетов искусственного интеллекта расширяет арсенал методов и инструментов моделирования и оптимизации нефтегазовых систем. Предполагается, что практическая реализация предложенных подходов, основанных на дифференцируемом программировании, будет способствовать более интенсивному развитию цифровых двойников нефтегазового производства. Приводятся примеры использования предложенных подходов для решения прикладных отраслевых задач. Отмечаются вызовы, которые потребуется преодолеть при расширении использования новой парадигмы.

Список литературы:

1. Разработка и апробация методических подходов и цифровых технологий нейросетевого прокси-моделирования установившегося двухфазного течения многокомпонентной смеси в системах сбора и промысловой подготовки газа (на примере Чаяндинского НГКМ) / А.В. Белинский, В.А. Маришкин, В.В. Самсонова, П.В. Пятибратов // Автоматизация и информатизация ТЭК. – 2024. – № 4(609). – С. 44–59.
2. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России / Н.А. Кисленко, А.В. Белинский, А.С. Казак, О.И. Белинская // Автоматизация и информатизация ТЭК. – 2022. – № 5(586). – С. 6–17. – DOI: 10.33285/2782-604X-2022-5(586)-6-17
3. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая пром-сть. – 2021. – № 9(821). – С. 88–96.
4. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 2 // Газовая пром-сть. – 2021. – № 10(822). – С. 98–104.
5. Сухарев М.Г., Попов Р.В. Состояние и перспективы совершенствования математического и компьютерного обеспечения в сфере оперативного управления и среднесрочного планирования режимов крупномасштабных газотранспортных систем // Науч.-техн. сб. Вести газовой науки. – 2018. – № 2(34). – С. 4–13.
6. Motaei E., Ganat T. Smart proxy models art and future directions in the oil and gas industry: A review // Geoenergy Science and Engineering. – 2023. – Vol. 227. – P. 211918. – DOI: 10.1016/j.geoen.2023.211918
7. Blondel M., Roulet V. The Elements of Differentiable Programming. – 2024. – 451 p. – DOI: 10.48550/arXiv.2403.14606
8. Automatic differentiation in machine learning: A survey / A.G. Baydin, B.A. Pearlmutter, A.A. Radul, J.M. Siskind // J. of Machine Learning Research. – 2018. – Vol. 18, Issue 153. – P. 1–43. – DOI: 10.48550/arXiv.1502.05767
9. Griewank A. On automatic differentiation // Mathematical Programming: Recent Developments and Applications / editors: M. Iri, K. Tanabe. – Kluwer Academic Publishers, 1989. – P. 83–108.
10. Ramsundar В., Krishnamurthy D., Viswanathan V. Differentiable physics: A position piece. – 2021. – 12 p. – DOI: 10.48550/arXiv.2109.07573
11. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). – М.: Изд-во "Нефть и газ" РГУ нефти и газа им. И.М. Губкина, 2005. – 577 с.
12. Griewank A., Walther A. Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation. – Philadelphia: Society for Industrial and Applied Mathematics, 2008. – XXII, 438 p. – DOI: 10.1137/1.9780898717761
13. О новом методе цифрового моделирования нестационарных режимов течения газа в магистральных газопроводах с применением нейронных операторов / А.В. Белинский, Д.В. Горлов, И.А. Пятышев, А.Е. Титов // Газовая пром-сть. – 2024. – № 5(865). – С. 54–66.
14. Сухарев М.Г., Самойлов Р.В. Анализ и управление стационарными и нестационарными режимами транспорта газа. – М.: Издат. центр РГУ нефти и газа (НИУ) им. И.М. Губкина, 2017. – 399 с.
15. Сухарев М.Г., Попов Р.В. Новая методика моделирования нестационарных течений газа в системах газоснабжения // Изв. РАН. Энергетика. – 2015. – № 2. – С. 150–159.