Sviluppo di un framework di Digital Twin consapevole del controllo per il monitoraggio e l'ottimizzazione in tempo reale dei sistemi di produzione di petrolio e gas

Sommario

Questo studio presenta un framework di gemello digitale consapevole del controllo per il monitoraggio e l'ottimizzazione dei sistemi petroliferi e del gas mediante modelli basati su apprendimento automatico e modelli informati dalla fisica, valutato su dataset simulati e di riferimento.

Abstract

In questo articolo viene proposto un framework basato sul gemello digitale consapevole del controllo per il monitoraggio e il miglioramento dei sistemi di produzione petrolifera e gassosa. Il metodo combina reti neurali grafiche spaziotemporali, assimilazione di dati neurale 4D-Var, controllo basato su apprendimento per rinforzo e operatori neurali informati dalla fisica (FNO e modello di operatore neurale). Il framework viene valutato utilizzando dataset di sistemi cibernetico-fisici di riferimento (SWaT e WADI) e un dataset simulato relativo al settore petrolifero e gassoso. I risultati, confermati da diverse esecuzioni indipendenti mediante misure medie, dimostrano un miglioramento delle prestazioni nella stima dello stato, nel rilevamento di anomalie e nell'ottimizzazione del controllo. Tuttavia, la valutazione si limita a dataset di riferimento e simulati; ulteriori convalidhe mediante dati reali del settore sono necessarie per verificare l'applicabilità pratica.

Introduzione

La necessità di reti sicure ed efficienti per il trasporto di petrolio e gas è aumentata a causa della crescente domanda energetica mondiale. Tuttavia, il mantenimento dell'affidabilità dei gasdotti è fortemente ostacolato dal degrado delle infrastrutture e dalla crescente complessità del sistema. A questo proposito, la tecnologia del gemello digitale (DT) ha suscitato interesse come strategia di gestione del ciclo di vita basata sui dati, che consente la valutazione del rischio, la manutenzione predittiva e l'ottimizzazione del sistema in ambienti industriali^1,2,3,4,5. Dalla manutenzione reattiva alla decisione intelligente basata sui dati, la trasformazione digitale nei sistemi industriali ha migliorato il rilevamento delle anomalie, la previsione dei guasti e l'affidabilità del sistema^6,7,8. Le applicazioni dei gemelli digitali nell'ottimizzazione dei processi, nella manutenzione predittiva e nella produzione intelligente sono state oggetto di numerose ricerche. Ad esempio, sono stati proposti modelli basati su gemelli digitali per l'analisi predittiva dei guasti¹⁰ e la valutazione delle prestazioni verdi¹¹, nonché l'ottimizzazione della produzione basata sull'apprendimento profondo. I gemelli digitali sono stati utilizzati nel settore del petrolio e del gas per migliorare il monitoraggio e l'identificazione delle anomalie attraverso la modellazione del sistema, la valutazione delle prestazioni e l'integrazione dei dati provenienti da più sensori^12,13,14,15.

Nonostante questi sviluppi, la maggior parte delle attuali tecniche di gemello digitale (DT) si concentra su caratteristiche discrete come monitoraggio, modellazione o rilevamento di anomalie, con scarsa integrazione della sincronizzazione e del controllo in tempo reale. Molti sistemi mancano di interazione bidirezionale e di capacità di apprendimento adattivo, funzionando come ombre digitali con flusso unidirezionale di dati. Nei sistemi petroliferi e del gas, dove le condizioni dinamiche e i modelli complessi di guasto richiedono un apprendimento e un controllo continui, questo limite risulta particolarmente significativo. Inoltre, le attuali tecniche di sistemi ciber-fisici non supportano il controllo in tempo reale a ciclo chiuso nei processi industriali complessi, limitandosi prevalentemente ad analisi offline¹⁶. Per descrivere le interazioni tra sensori distribuiti, gli approcci attuali si basano principalmente su tecniche tradizionali di machine learning e filtri, con scarso ricorso a modelli sofisticati come le reti neurali grafiche spaziotemporali. Inoltre, vi è una carenza di studi sull'uso di tecniche di apprendimento per operatori al fine di catturare dinamiche fisiche non lineari, specialmente nei sistemi di produzione petrolifera e del gas¹⁷. Di conseguenza, i sistemi DT esistenti non sono in grado di integrare assimilazione dati in tempo reale e controllo adattivo durante la modellazione di complesse relazioni spaziotemporali.

Poiché imitano le configurazioni di controllo industriale, set di dati di riferimento come SWaT e WADI sono frequentemente utilizzati per convalidare tecniche basate sui gemelli digitali (DT) nei sistemi cyber-fisici¹⁸. Inoltre, i gemelli digitali offrono vantaggi più generali, come un aumento della produttività, un migliore scambio di conoscenze e un trasferimento sicuro dei dati lungo i processi industriali^19,20. In particolare nei settori ad alto rischio come quello del petrolio e del gas^21,22,23, il loro potenziale nella gestione della sicurezza, nel monitoraggio in tempo reale e nell'automazione industriale sta ricevendo un riconoscimento sempre più ampio. Tuttavia, per un'implementazione pratica, sono ancora necessarie soluzioni più complete e integrate che uniscano capacità di modellazione, monitoraggio e controllo. Studi di valutazione come quelli citati in^24,25 hanno gettato le basi, dimostrando gli utilizzi e i benefici dei gemelli digitali nel migliorare l'efficienza operativa e i processi decisionali. Tabella 1 mostra il confronto tra i metodi esistenti relativi alla produzione e alla gestione del controllo nel settore del petrolio e del gas^26,27,28,29. A causa dei rischi operativi elevati e della complessa dinamica dei sistemi di produzione di petrolio e gas, i metodi tradizionali di manutenzione spesso risultano inadeguati per l'individuazione tempestiva e la reazione alle anomalie^30,31,32,33. Sebbene la gestione della sicurezza e il monitoraggio remoto siano migliorati recentemente, permangono la necessità di sistemi intelligenti in grado di rilevare, apprendere e controllare continuamente in tempo reale.

Questo articolo propone un'architettura di gemello digitale consapevole del controllo, che combina reti neurali grafiche spaziotemporali, assimilazione di dati neurale 4D-Var, operatori neurali fisicamente informati e controllo basato sul rinforzo dell'apprendimento per superare tali difficoltà. Il sistema proposto stabilisce una singola pipeline per la raccolta di dati, la stima dello stato, il rilevamento di anomalie e l'ottimizzazione del controllo. Mentre le reti neurali grafiche spaziotemporali registrano le interazioni tra sensori distribuiti, gli operatori neurali fisicamente informati, come l'operatore neurale di Fourier e la rete profonda di operatori (modello di operatore neurale), vengono utilizzati per rappresentare dinamiche di sistema non lineari complesse. L'apprendimento per rinforzo consente un controllo adattivo in ciclo chiuso, mentre l'assimilazione di dati neurali migliora l'accuratezza della stima dello stato. La generalizzabilità del metodo proposto in diversi contesti industriali è dimostrata valutandolo mediante set di dati di riferimento per sistemi ciberfisici (SWaT e WADI) e dati simulati del settore petrolifero e del gas. Questo lavoro supera carenze significative dei sistemi DT attuali e offre una soluzione scalabile e adattabile per il monitoraggio e l'ottimizzazione in tempo reale nei sistemi di produzione petrolifera e del gas, integrando modellazione, apprendimento e controllo in un framework unificato.

Protocollo

Questo studio non coinvolge partecipanti umani né soggetti animali. I set di dati utilizzati (SWaT e WADI) sono dataset di riferimento pubblicamente disponibili e non comprendono dati sensibili o personali.

L'approccio proposto stabilisce un gemello digitale consapevole del controllo, che permette l'integrazione di algoritmi avanzati di deep learning, assimilazione dei dati e valutazione continua e ottimizzazione dei sistemi di estrazione e controllo di petrolio e gas. In primo luogo, vengono raccolti e modellati dati in tempo reale provenienti da sensori multimodali distribuiti geograficamente nell'infrastruttura produttiva, utilizzando una struttura a grafo che definisce le connessioni e le interazioni tra i componenti produttivi. Successivamente, vengono sfruttati operatori neurali informati dalla fisica per costruire approssimazioni a livello di operatore delle equazioni fondamentali che governano il flusso multifase non lineare, facilitando simulazioni scalabili all'interno del gemello digitale. Nella ricerca, il termine «modello operatore neurale» è stato utilizzato per indicare la rete operatore profonda (Deep Operator Network). Al fine di incorporare le dipendenze spaziali e temporali tra le risorse produttive distribuite geograficamente, vengono addestrate reti neurali grafiche spaziotemporali all'interno delle rappresentazioni informate dalla fisica. Viene applicato un approccio differenziabile di assimilazione dei dati basato sul neurale 4DVAR per mantenere le previsioni della simulazione del gemello digitale coerenti e sincronizzate con i dati di monitoraggio in tempo reale, anche in presenza di misurazioni rumorose e irregolari dal punto di vista spaziale. Sulla base del gemello digitale sincronizzato in tempo reale, viene addestrato uno strumento di ottimizzazione guidato da apprendimento per rinforzo per il controllo in tempo reale. Infine, il gemello digitale rimane predisposto per l'aggiornamento continuo dei modelli e per una scalabilità adattata nel tempo, grazie a continui aggiornamenti derivanti da nuove misurazioni disponibili.

L'architettura del gemello digitale proposta migliora l'architettura convenzionale del gemello digitale aggiungendo intelligenza, adattabilità e consapevolezza del controllo. L'intera pipeline è composta da quattro moduli: (i) acquisizione dati/costruzione del grafo, (ii) stima dello stato mediante operatori neurali e ST-GNN, (iii) rilevamento delle anomalie mediante analisi basata sui residui, e (iv) controllo basato sull'apprendimento per rinforzo.

Figura 1: Architettura complessiva del gemello digitale consapevole del controllo. Il modello proposto di gemello digitale consapevole del controllo integra rilevamento delle anomalie, reti neurali grafiche spaziotemporali, sincronizzazione neurale 4D-Var, operatori neurali informati dalla fisica e controllo in ciclo chiuso basato sull'apprendimento per rinforzo per sistemi di produzione di petrolio e gas. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 1 rappresenta il processo funzionale di un gemello digitale con consapevolezza del controllo della produzione di petrolio e gas come sistema cibernetico-fisico in ciclo chiuso. Il processo funzionale inizia a livello del sistema di produzione di petrolio e gas, in cui diversi sensori distribuiti su pozzi, tubazioni, valvole e unità di trattamento acquisiscono dati su pressione, portata, temperatura e controlli in un determinato istante. I vari sensori acquisiscono dati in formati diversi, e i dati vengono inviati al gemello digitale, costituendo così la base della consapevolezza organizzativa in quell'istante.

La metodologia proposta prevede i passaggi successivi:

Raccolta dei dati

Vengono acquisite informazioni in tempo reale da sensori riguardanti pressione, portata, temperatura e ingressi di controllo provenienti da ambienti di produzione petrolifera e gassiera. Altri set di dati di riferimento disponibili, come SWAT e WADI, vengono utilizzati per valutare le capacità di robustezza e generalizzazione. Per garantire la riproducibilità, ogni passaggio della metodologia proposta è specificato utilizzando dettagli tecnici.

[Si rimanda al File Supplementare (S1) per la Generazione del Dataset e la Simulazione.]

Per dimostrare le capacità del gemello digitale concettuale rispetto a dati temporali complessi e ad alta dimensionalità, nonché a eventi insoliti, vengono utilizzati due dataset pubblici di riferimento per sistemi di controllo industriale provenienti dal dominio della ricerca sui sistemi di controllo industriale: i dataset di riferimento Secure Water Treatment (SWaT) e Water Distribution (WADI)³⁴. Entrambi i dataset derivano da testbed cibernetico-fisici realistici e includono dati operativi multivariati di sensori e attuatori relativi a scenari normali e anomali/attaccati attivati su tali sistemi. Utilizzando i dataset SWaT e WADI, è possibile effettuare test cross-domain e dimostrare la generalizzabilità oltre i testbed cibernetico-fisici a sistemi industriali distribuiti più ampi, con dipendenze spaziali e temporali. La descrizione del dataset è riportata nella Tabella 2.

La ricerca proposta utilizza tre diversi set di dati per la valutazione approfondita della metodologia del gemello digitale sviluppata, mostrata nella Tabella 2. Il set di dati di base è composto da dati simulati relativi all'organizzazione produttiva nella produzione di petrolio e gas ed è destinato a riprodurre misurazioni operative reali rilevate dal sistema, nonché condizioni di controllo e/o di guasto. Inoltre, il set di dati Secure Water Treatment (SWaT) viene introdotto come esempio di un sistema fisico in scala ridotta, comprendente misurazioni provenienti da 51 sensori e attuatori nell'arco di circa 11 giorni, inclusi sia comportamenti normali che anomalie e attacchi creati artificialmente. Questo set di dati è ampiamente considerato un benchmark standard per la ricerca. Un altro set è il set di dati Water Distribution (WADI), i cui dati catturano il comportamento di un sistema di distribuzione idrica in scala ridotta, comprendente circa 123 variabili nell'arco di 16 giorni, inclusi diversi attacchi e condizioni operative normali. Il set di dati contiene complessivamente 15 attacchi differenti. I due set di dati sopra menzionati riguardano principalmente serie ad alta dimensionalità nel tempo e relazioni spaziali, come nei sistemi di controllo industriale.

Preelaborazione dei dati

Prima dell'addestramento del modello, tutti i set di dati subiscono un'accurata procedura di pretrattamento per garantire qualità, coerenza e riproducibilità dei dati. Tra le procedure di preelaborazione vi sono la gestione dei valori mancanti, il filtraggio del rumore, la normalizzazione e la riduzione delle caratteristiche. La descrizione dettagliata della pipeline di preelaborazione è riportata nel File Supplementare (S2).

Costruzione del grafo del sistema

Nella metodologia proposta, il sistema produttivo fisico per petrolio e gas è rappresentato sotto forma di grafo, che funge da struttura matematica per la descrizione delle correlazioni spaziali tra le risorse insieme alla dinamica dello stato del sistema nel tempo (si rimanda al File Supplementare (S3) per le Formulazioni della Costruzione del Grafo del Sistema).

Apprendimento della fisica mediante l'uso di operatori neurali

Per rappresentare correttamente le caratteristiche non lineari e multidimensionali dei sistemi di flusso multifase, l'approccio proposto utilizza operatori basati sulla fisica sotto forma di Operatori Neurali di Fourier (FNO) e modello operatore neurale. A differenza del metodo tradizionale di rappresentare le reti neurali come mappe puntuali, il concetto di operatori consente una generalizzazione in termini di diverse condizioni al contorno. Questa caratteristica rende questo metodo più adatto ai sistemi di flusso multifase utilizzati nella produzione di petrolio e gas, poiché i fenomeni fisici si verificano in modo continuo. Si rimanda al File Supplementare (S4) per le equazioni matematiche degli operatori neurali.

Per valutare ulteriormente la validità degli operatori neurali informati dalla fisica, sono stati eseguiti esperimenti aggiuntivi per analizzarne la capacità di approssimare mappe operatorie non lineari in diverse condizioni di flusso e con differenti ingressi di controllo. I risultati mostrano che tali operatori possono approssimare con precisione la mappa dell'operatore non lineare, confermando così la loro capacità di modellare accuratamente la dinamica del sistema, specialmente in presenza di elevata dimensionalità e a un costo computazionale inferiore rispetto ad altri risolutori. La valutazione quantitativa dell'accuratezza nell'apprendimento degli operatori è stata effettuata utilizzando l'errore quadratico medio tra gli stati del sistema predetti e quelli simulati, dimostrando prestazioni di approssimazione coerenti in diverse condizioni di flusso.

Figura 2: Flusso di lavoro del framework basato su operatore neurale informato dalla fisica. Un esempio del flusso di lavoro dell'operatore neurale informato dalla fisica illustra come gli ingressi di controllo, i dati dei sensori e le condizioni al contorno vengano utilizzati per apprendere la dinamica non lineare del flusso multifase e produrre previsioni rapide a livello di operatore del sistema. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Nel processo operativo del PINO presentato in Figura 2, il processo di apprendimento relativo a flussi multifase non lineari e fisicamente complessi nei processi petroliferi e del gas avviene in modo continuo. Questo inizia dallo strato di ingresso, dove il modello riceve dati eterogenei sul sistema in evoluzione fisica. Tale ingresso assume la forma di condizioni al contorno, che includono pressione, temperatura e velocità, nonché dati in tempo reale provenienti da sensori posizionati all'interno del sistema petrolifero e del gas, oltre a variabili di controllo come l'apertura delle valvole, la velocità delle pompe o l'apertura degli strozzatori. Tutti questi ingressi definiscono il funzionamento del sistema in evoluzione fisica.

Il componente chiave all'interno del flusso di lavoro è il PINO, realizzato attraverso FNO e il modello di operatore neurale. Il metodo proposto si differenzia e distingue in quanto utilizza operatori neurali per apprendere operatori tra spazi funzionali, a differenza delle reti neurali tradizionali, che tendono a concentrarsi su mappe puntuali tra ingressi e uscite. A questo livello, l'FNO è in grado di catturare le relazioni spaziali globali utilizzando il dominio di Fourier, mentre il modello di operatore neurale riesce ad apprendere rappresentazioni di operatori sfruttando sia la rete di ramo sia quella di tronco. Il modello appreso è guidato da vincoli fisici per garantire che la dinamica predetta si comporti come previsto nel flusso multifase. L'output dell'operatore neurale assume la forma di una soluzione in campo continuo delle principali variabili fisiche, come pressione, portate e distribuzione delle fasi per l'intera rete produttiva. Inoltre, i valori in uscita sono accurati per l'intero campo, inclusi pozzi, condotte e altre unità collegate, piuttosto che essere misurati in punti specifici come i sensori. In questo modo, l'output dell'operatore neurale consente di produrre rapidamente simulazioni altamente accurate, in grado di approssimare la soluzione di equazioni differenziali parziali senza doverle necessariamente risolvere. Tale soluzione funge da soluzione rapida nel gemello digitale.

Il processo di apprendimento dell'operatore neurale utilizza caratteristiche a livello di funzione e a livello di sistema, estratte dai processi di produzione di petrolio e gas. Tali caratteristiche consistono principalmente nelle variabili di stato fisico della produzione di petrolio e gas, ovvero campi continui, temperatura, portata, pressione e frazioni di fase per petrolio, gas e acqua. Le caratteristiche comprendono inoltre le condizioni al contorno, quali pressioni in ingresso, portate e posizioni delle valvole. Gli ingressi di controllo, che includono le posizioni delle valvole di strozzamento e la velocità delle pompe, sono anch'essi considerati al fine di prevedere le risposte in diversi scenari operativi. Il modello di operatore neurale riceve le caratteristiche fisiche e i parametri di controllo, che vengono elaborati dalle reti trunk e branch. Queste caratteristiche forniscono informazioni sufficienti affinché gli operatori neurali possano prevedere relazioni operative accurate, dipendenti sia dai processi fisici sia dai fattori operativi, per simulazioni rapide di gemelli digitali.

Operatore neurale di Fourier (FNO)

In questa ricerca, un operatore neurale di Fourier (FNO)³⁶ viene utilizzato per stimare efficacemente le corrispondenze operatoriali che descrivono la dinamica non lineare del flusso multifase nei sistemi di produzione di petrolio e gas. A differenza delle reti neurali tradizionali, che approssimano corrispondenze ingresso-uscita per un insieme specifico di punti, l'FNO proposto approssima corrispondenze tra spazi funzionali, consentendo così una generalizzazione su diverse scale e configurazioni di un sistema. In questo caso, l'FNO opera trasferendo le rappresentazioni dello stato del sistema dallo spazio originale al dominio di Fourier, dove le convoluzioni spettrali possono essere applicate efficacemente al fine di catturare le dipendenze spaziali globali presenti all'interno dei sistemi. La rappresentazione dello stato in ingresso viene proiettata in uno spazio latente di dimensione superiore, e le trasformazioni e le attivazioni vengono applicate in modo iterativo mediante trasformate di Fourier, kernel spettrali e funzioni di attivazione. Si rimanda al File Supplementare (S4.1) per le valutazioni matematiche dell'operatore neurale di Fourier.

Modello di operatore neurale

Il modello operatore neurale³⁷ funge da approccio alternativo all'interno del processo operatore neurale per approssimare un operatore fisico non lineare che definisce la dinamica di produzione di petrolio e gas. La descrizione dettagliata del modello operatore neurale è riportata nel File Supplementare (S4.2) (si rimanda al File Supplementare S10 per l'Algoritmo 1: Apprendimento della Fisica con Operatori Neurali per l'Algoritmo del Gemello Digitale).

L'approccio proposto basato sull'uso di operatori neurali inizia quindi raccogliendo esempi accoppiati di ingressi e uscite, in cui gli ingressi sono esempi di condizioni del sistema sotto forma di valori al contorno, variabili di controllo o caratteristiche fisiche. L'operatore neurale viene addestrato in una fase iterativa che prevede la previsione delle risposte a una funzione di ingresso e il successivo miglioramento delle deviazioni tra previsioni e risposte effettive mediante una funzione di errore quadratico medio. Questo approccio porta a un'ottimizzazione basata sui gradienti, grazie alla quale un operatore neurale scopre operatori fisici sistematici che definiscono il comportamento del sistema. Il sistema addestrato può quindi prevedere in modo efficiente le risposte del sistema a diverse condizioni di ingresso.

Modellizzazione del sistema spazio-temporale

Nell'architettura del gemello digitale proposta³⁸, il processo di produzione di petrolio e gas è stato rappresentato mediante un grafo spaziotemporale. Questo è stato fatto per concettualizzare sia la connettività che l'evoluzione temporale delle risorse produttive distribuite.

Il processo di produzione di petrolio e gas ha intrinsecamente una struttura distribuita in termini di pozzi, infrastrutture di oleodotti e sensori. Per catturare in modo efficiente le relazioni spaziali/temporali di tale processo, l'approccio del gemello digitale sviluppato in questo articolo fa uso di reti neurali grafiche spaziotemporali (ST-GNN). In questo approccio, le entità del sistema sono rappresentate in termini di nodi del grafo, e le relazioni spaziali/ funzionali del sistema sono indicate da archi del grafo. Le relazioni temporali sono espresse mediante funzioni di finestra al fine di prevedere in modo efficiente le transizioni di stato del sistema e le anomalie. Si rimanda al File Supplementare (S5) per una descrizione dettagliata della Rete Neurale Grafica Spaziotemporale (ST-GNN).

Sincronizzazione del gemello digitale mediante Neural 4D VAR

La sincronizzazione del gemello digitale può essere definita come la sincronizzazione continua del gemello virtuale con un ambiente fisico di produzione petrolifera e gassosa in continua evoluzione, basata su letture in tempo reale dei sensori. In pratica, i gemelli digitali effettuano previsioni riguardo a stati di un sistema, come pressione, portata e temperatura, sulla base della comprensione della dinamica del sistema fisico. Tuttavia, a causa di incertezze e rumore dei sensori, sorge inevitabilmente una discrepanza tra previsioni e misurazioni. Per questo motivo, al fine di sincronizzare le previsioni con le misurazioni effettive, in questo lavoro viene introdotto un ulteriore metodo noto come «assimilazione dati». Per garantire la sincronizzazione tra il processo fisico e il gemello digitale durante osservazioni rumorose e sparse dei sensori, viene integrato un metodo di assimilazione dati neurale 4D-Var. Il componente aggiuntivo mira a ridurre il divario tra le misurazioni dei sensori e le previsioni del modello all'interno di una finestra di assimilazione. Sfruttando la differenziabilità, il metodo neurale 4D-Var consente un apprendimento end-to-end e permette la correzione in tempo reale dello stato del gemello digitale (si rimanda al Supplementary File (S6) per l'Assimilazione Dati Neurale 4D-Var, al Supplementary File (S10) per l'Algoritmo 2: Sincronizzazione del Gemello Digitale Mediante 4D-Var Neurale e al Supplementary File (S11) per i dettagli sui parametri iperottimizzati e sull'addestramento).

Rilevamento e diagnosi delle anomalie

Nel set di dati simulati di petrolio e gas, le anomalie sono state introdotte generando perturbazioni controllate come cali di pressione superiori al 15%, picchi anomali di flusso e malfunzionamenti delle valvole. I punti dati che superano un valore soglia prestabilito o che si discostano da una distribuzione statistica di riferimento vengono identificati come anomalie. Per la formulazione matematica del framework di rilevamento delle anomalie (File Supplementare, S7).

Ottimizzazione e controllo in ciclo chiuso

Nel sistema proposto, il controllo in ciclo chiuso può essere ottenuto integrando il gemello digitale armonioso e il modulo di apprendimento per rinforzo per l'ottimizzazione. Nella parte relativa ai gemelli digitali, il gemello digitale predice il comportamento futuro del processo di produzione di petrolio e gas sotto diverse condizioni, come la posizione di diverse valvole, le velocità delle pompe o il controllo del flusso. Ciò consente lo sviluppo di un'area di sicurezza in cui l'agente di controllo può valutare il risultato delle azioni desiderate senza doverle realizzare nel processo reale. Sfruttando quindi le previsioni fornite dal gemello digitale, il modulo di apprendimento per rinforzo può ottimizzare obiettivi operativi, inclusi l'efficienza del processo, il consumo energetico e la stabilità del processo, senza essere vincolato dai limiti del processo. Si rimanda al File Supplementare (S8) per la descrizione matematica dell'ottimizzazione e del controllo in ciclo chiuso.

Apprendimento e adattamento continui

I sistemi industriali si confrontano con ambienti non stazionari caratterizzati da invecchiamento delle apparecchiature, condizioni operative variabili nel tempo e disturbi imprevisti. Per progettare un approccio a questo problema, il modello di gemello digitale proposto include un componente in continuo apprendimento che aggiorna operatori neurali, modelli grafici e politiche basandosi sull'apprendimento incrementale. Quando si osservano variazioni significative e schemi non identificati, l'apprendimento è favorito attraverso l'integrazione di nuovi dati e la regolazione dei parametri associati al modello del gemello digitale.

L'apprendimento continuo migliora anche la robustezza delle politiche di controllo e del rilevamento delle anomalie, poiché aiuta il sistema a identificare nuovi modelli o comportamenti inediti. I feedback derivanti dalle anomalie nei risultati di controllo vengono utilizzati per aggiustare i modelli e ottimizzare una politica di apprendimento per rinforzo, garantendo processi decisionali efficaci mentre il sistema continua a cambiare ed evolversi. Questo processo di apprendimento adattivo trasforma il gemello digitale da semplice osservatore passivo a sistema intelligente in grado di sostenere nel tempo processi di ottimizzazione in tempo reale di complessi sistemi produttivi nel settore oil & gas, sfruttando un ambiente infrastrutturale tecnologico rigoroso ed efficace. Nella Tabella 3 è mostrata l'architettura del modello e gli iperparametri.

Si rimanda al File Supplementare (S9) per la formulazione matematica dell'adattamento dell'apprendimento continuo.

Il modulo di preelaborazione dei dati è responsabile della trasformazione dei dati grezzi provenienti dai sensori in ingressi strutturati e normalizzati, adatti ai moduli di apprendimento successivi. In particolare, aggrega le misurazioni storiche dei sensori, rimuove il rumore e standardizza le caratteristiche per garantire una qualità costante dei dati. I dati elaborati, insieme alle condizioni al contorno e agli ingressi di controllo, vengono quindi forniti come input al modulo dell'operatore neurale fisicamente informato (modello FNO/operatore neurale), che apprende le relazioni fisiche non lineari sottostanti e genera una stima continua dello stato del sistema. Questo stato stimato del sistema viene successivamente utilizzato dal modulo di ottimizzazione del controllo per aggiornare dinamicamente le strategie di controllo. Gli output di controllo ottimizzati vengono quindi inviati al modulo di decisione, il quale interpreta i risultati e genera decisioni operative. È previsto un meccanismo di retroazione per aggiornare continuamente il sistema sulla base di nuovi dati osservati, migliorando così l'adattabilità e le prestazioni nel tempo. Per migliorare chiarezza e riproducibilità, viene presentata un'architettura a livello di sistema per illustrare l'interazione tra i moduli. Il sistema proposto comprende quattro componenti principali, ovvero preelaborazione dei dati, modellazione dell'operatore neurale fisicamente informato, ottimizzazione del controllo e processo decisionale. Questi moduli sono interconnessi tramite interfacce di ingresso–uscita ben definite, garantendo un flusso di dati continuo, un apprendimento iterativo e un funzionamento coordinato all'interno dell'intero sistema del gemello digitale.

Figura 3: Diagramma di flusso dell'architettura di ottimizzazione del controllo a livello di sistema. Illustra l'architettura generale del sistema del lavoro proposto. Cliccare qui per visualizzare una versione ingrandita di questa figura.

L'architettura del sistema mostra un quadro completo del modello che può essere utilizzato per modellare e ottimizzare dinamiche fisiche non lineari complesse nei sistemi di produzione petrolifera e gassosa. Il processo inizia con i dati di ingresso, che comprendono i parametri utilizzati per la simulazione e le condizioni al contorno impiegate per rappresentare l'ambiente fisico. Questi dati passano innanzitutto attraverso il modulo di preelaborazione dei dati, dove vengono effettuate normalizzazione ed estrazione delle caratteristiche. Questo prepara i dati per il modulo successivo, in cui vengono utilizzati l'operatore neurale, FNO e il modello di operatore neurale. Questi modelli vengono impiegati per prevedere gli stati del sistema, e queste informazioni vengono utilizzate per ottimizzare i parametri del sistema tramite il modulo di ottimizzazione. I risultati ottimizzati vengono quindi utilizzati per prendere decisioni tramite il modulo di decisione. Questo modulo aiuta a determinare l'efficienza del sistema. Il quadro comprende inoltre i risultati in uscita, dove i risultati del processo di ottimizzazione sono mostrati in Figura 3. Inoltre, è presente un anello di retroazione, in cui i dati passano nuovamente attraverso il modulo di preelaborazione dopo i risultati in uscita.

Risultati

Al fine di verificare la validità degli operatori neurali basati sulla fisica, sono stati condotti ulteriori test sulle prestazioni per confrontare l'efficacia del modello FNO e dell'operatore neurale nella modellizzazione della dinamica del sistema di flusso multifase non lineare. I risultati hanno mostrato che l'FNO offre prestazioni migliori in termini di coerenza spaziale globale, mentre il modello operatore neurale si distingue per una maggiore adattabilità a ingressi eterogenei.

Per garantire una formazione e una valutazione efficaci del framework del gemello digitale proposto, tutti gli esperimenti sono stati eseguiti in un ambiente di calcolo ad alte prestazioni. Python è stato utilizzato come linguaggio di programmazione principale per l'implementazione. Per creare modelli di apprendimento profondo, come operatori neurali fisicamente informati, reti neurali grafiche spaziotemporali e moduli di apprendimento per rinforzo, è stato impiegato un noto framework di deep learning con accelerazione GPU abilitata da CUDA e una libreria ottimizzata per reti neurali profonde. Al fine di agevolare l'elaborazione di dati multivariati su larga scala e l'addestramento dei modelli, i test sono stati effettuati su una workstation dotata di CPU multi-core, unità di elaborazione grafica (GPU) ad alte prestazioni con memoria dedicata e almeno 64 GB di memoria di sistema. Per garantire la compatibilità con l'ecosistema del deep learning, l'ambiente del sistema operativo si basava su una distribuzione Linux.

È stata utilizzata un'ottimizzazione basata sul gradiente mini-batch per addestrare i modelli, e sono state condotte numerose esecuzioni indipendenti degli esperimenti per garantire l'affidabilità statistica. La metodologia proposta può essere replicata in contesti di calcolo ad alte prestazioni comparabili grazie alla configurazione computazionale fornita.

Per validare i risultati mediante prove ripetute, tutti gli esperimenti sono stati ripetuti con più esecuzioni indipendenti utilizzando diversi valori di inizializzazione casuale. Nel caso degli esperimenti che utilizzano dati simulati, il modello è stato eseguito per (N) prove indipendenti e i valori sono riportati con la media delle prestazioni e la deviazione standard. Per quanto riguarda gli esperimenti condotti con i dati di riferimento SWAT e WADI, le metriche di valutazione MAE, RMSE, F1 Score e AUROC sono state calcolate sui dati di test e mediate sugli esperimenti ripetuti per garantire solidità statistica ai risultati. Questo approccio è stato adottato per ottenere una stima affidabile delle prestazioni del modello e per assicurarsi che i miglioramenti osservati non siano attribuibili a un singolo esperimento.

Tuttavia, i risultati hanno confermato che l'integrazione di tecniche di apprendimento basato sulla fisica, modellazione spaziotemporale e assimilazione dei dati all'interno di un sistema integrato di gemello digitale porta sistematicamente a un miglioramento delle prestazioni di monitoraggio nelle condizioni valutate, a una convergenza più rapida e a decisioni ottimali in tempo reale rispetto ai metodi convenzionali. Tabella 4 mostra l'ambiente di simulazione del lavoro proposto.

L'ambiente di simulazione è modellato per assomigliare accuratamente al funzionamento in tempo reale all'interno dell'industria. I dati provenienti dai sensori vengono acquisiti a intervalli brevi per rappresentare l'ambiente di dati in streaming, e vengono aggiunte quantità controllate di rumore per testarne la robustezza. Vengono simulate diverse condizioni di guasto e disturbo per verificare le capacità di rilevamento delle anomalie e di controllo. Viene utilizzato un approccio basato su finestra scorrevole per la valutazione, al fine di rappresentare in modo continuo il funzionamento in tempo reale, adatto ad aggiornamenti dinamici da parte del gemello digitale proposto per le previsioni e la sincronizzazione dello stato, nonché per generare azioni di controllo.

Nella progettazione del modello di gemello digitale consapevole del controllo, devono essere considerati diversi criteri di valutazione per la valutazione simultanea. Innanzitutto, per monitorare e prevedere la capacità predittiva dello stato dell'architettura del gemello digitale, si utilizzano criteri di regressione come l'Errore Assoluto Medio (MAE), l'Errore Quadratico Medio (RMSE) e l'Errore Percentuale Assoluto Medio (MAPE). MAE e MAPE calcolano l'accuratezza degli operatori neurali e dei modelli grafici spaziotemporali su parametri chiave del sistema come pressione, portata e temperatura, ed è valido per i dati multivariati continui provenienti dai sensori impiegati nel processo di produzione petrolifera e gassosa.

In secondo luogo, viene valutato anche il processo di sincronizzazione del gemello digitale stesso, riguardo all'errore di stima dello stato e alla rimozione della deriva predittiva. L'errore di stima dello stato misura il grado di errore tra lo stato effettivo del sistema e lo stato del gemello digitale sincronizzato, costituendo un indicatore dell'efficacia con cui il modulo neurale 4D-Var sviluppato utilizza le osservazioni dello stato reale del sistema per migliorare le previsioni della dinamica del sistema. Infine, la riduzione della deriva predittiva indica il guadagno in termini di prestazioni dell'approccio proposto rispetto al sistema gemello digitale non sincronizzato, grazie alla capacità dell'approccio di resistere a osservazioni rumorose o sparse del sistema.

Terzo, per quanto riguarda il rilevamento di anomalie e la diagnostica dei guasti, si utilizzano parametri di valutazione orientati alla classificazione come Precisione, Richiamo, F1 e Area Sotto la Curva ROC (AUC). Mentre il richiamo indica la capacità di diagnosticare con precisione gli errori reali senza trascurarne alcuno, la precisione può essere considerata una misura della validità di un'anomalia riconosciuta. Le prestazioni possono essere adeguatamente valutate utilizzando il parametro F1. Tali parametri di valutazione sono generalmente adottati nei sistemi SWAT e WADI.

Tabella 5 viene utilizzata per valutare l'efficacia del modulo proposto di sincronizzazione neurale 4D-Var nel ridurre la deriva delle previsioni tra i modelli fisico e informatico per tre set di dati. L'errore dello stato iniziale corrisponde all'errore tra i modelli senza sincronizzazione, mentre l'errore dello stato finale corrisponde all'errore del modello dopo l'applicazione della sincronizzazione. Si può osservare un miglioramento significativo dell'errore di stato per tutti e tre i set di dati, con il miglioramento più elevato (72,2%) riscontrato per il modello simulato del sistema petrolifero e del gas, a causa della sua relativa semplicità rispetto a SWAT (63,6%) e WADI (57,7%). Queste misurazioni sono coerenti con i rispettivi livelli di complessità e di "rumore". Il tasso maggiore di riduzione della deriva per il set di dati simulato del settore petrolifero e del gas potrebbe essere spiegato dal fatto che l'ambiente simulato generalmente presenta un livello ridotto di rumore, minori perturbazioni casuali e un comportamento del sistema meglio definito rispetto ad altri sistemi ciber-fisici realistici come SWAT e WADI. Tuttavia, questa argomentazione dovrebbe essere considerata un'ipotesi e non è quantitativamente dimostrata sulla base dei risultati di questo studio. In lavori futuri, misure di complessità come entropia, varianza del rumore e dimensionalità del sistema potrebbero essere utilizzate per validare tale ipotesi.

Figura 4: Monitoraggio delle prestazioni su diversi insiemi di dati (Simulated Oil and Gas, SWAT e WADI) valutato mediante metriche di errore MAE, RMSE e MAPE (%). Le barre rappresentano i valori medi ottenuti da più esecuzioni indipendenti (n = 5). Le barre di errore indicano la deviazione standard (SD), mentre le barre di errore sovrapposte più sottili rappresentano l'errore standard della media (SEM = SD/√n). I valori di SD e SEM per ciascuna metrica sono esplicitamente indicati nella legenda. La significatività statistica è stata valutata mediante test t indipendenti rispetto all'insieme di dati di riferimento (Simulated Oil and Gas), e i corrispondenti p-valori sono mostrati sopra le barre. Cliccare qui per visualizzare una versione ingrandita di questa figura.

L'analisi delle prestazioni del processo di monitoraggio effettuato dal modello proposto del gemello digitale sui dataset come Simulated Oil and Gas, SWAT e WADI, tenendo conto dei criteri di valutazione MAE, RMSE e MAPE, è rappresentata nella Figura 4. Il dataset simulato di Oil and Gas presenta la misura d'errore più bassa per tutti i criteri, il che manifesta chiaramente l'accuratezza del monitoraggio dello stato del sistema in un ambiente simulato in cui i parametri del sistema sono modellati con precisione. I dataset SWAT e WADI mostrano errori nel monitoraggio del sistema che aumentano gradualmente a causa delle complessità dei sistemi reali, insieme al rumore intrinseco e alle nonlinearità, che non sono presenti nei sistemi simulati. Tuttavia, il lieve aumento delle misure d'errore di MAE e RMSE conferma la stabilità delle prestazioni del sistema del modello del gemello digitale in tali condizioni.

Figura 5: Prestazioni del rilevamento delle anomalie su diversi dataset (Oil and Gas simulato, SWAT e WADI) valutate mediante F1-score e AUC. Le barre rappresentano i valori medi ottenuti da più esecuzioni indipendenti (n = 5). Le barre di errore indicano la SD, mentre le barre di errore sovrapposte più sottili rappresentano la SEM = SD/√n. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 5 mostra l'analisi di valutazione del sistema proposto per la scoperta di anomalie basata sul punteggio F1 e sull'AUC per i tre dataset. Il dataset Oil and Gas, che è quello simulato, ha le prestazioni migliori poiché ottiene il punteggio F1 e l'AUC più elevati. Sebbene vi sia un graduale calo delle prestazioni, il sistema raggiunge comunque un'elevata performance in termini di AUC su tutti i dataset, con lievi variazioni in base alla complessità del dataset. L'allineamento delle curve del punteggio F1 e dell'AUC per i tre dataset mostra un punto ottimale, che indica un buon compromesso e rende il sistema proposto affidabile per la rilevazione precoce di guasti e intrusioni. Il sistema proposto si distingue in modo eccezionale nel riconoscimento delle anomalie nei tre dataset.

Precision, richiamo e punteggi F1 del modello di gemello digitale proposto nel rilevamento di anomalie su diversi dataset sono mostrati nella Tabella 6 di seguito. Sebbene alti valori di precisione indichino che la maggior parte dei punti di interesse identificati sono effettivamente veri punti di interesse, alti valori di richiamo mostrano che la maggior parte dei punti di interesse reali viene correttamente identificata senza trascurare quelli importanti. L'ambiente di dimostrazione nel dominio oil and gas registra il punteggio F1 più alto pari a 0,94, mentre risultati leggermente inferiori su SWAT e WADI possono essere attribuiti a livelli più elevati di rumore e interdipendenze tra sensori e schemi di attacco. Tuttavia, punteggi F1 elevati confermano che è stato raggiunto un robusto modellamento e sincronizzazione spazio-temporale del grafo per il rilevamento di anomalie.

Figura 6: Curve caratteristiche operative del ricevitore (ROC) per il rilevamento di anomalie nei dataset Simulated Oil and Gas, SWAT e WADI. Le prestazioni sono valutate mediante l'area sotto la curva (AUC). La deviazione standard (SD) e l'errore standard della media (SEM = SD/√n, n = 5) dei valori AUC sono inclusi nella legenda per ciascun dataset. La linea tratteggiata diagonale rappresenta le prestazioni di una classificazione casuale. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 6 mostra le curve caratteristiche operative del ricevitore (ROC), insieme alle misure associate di AUROC per i tre diversi set di dati, valutando l'accuratezza del rilevamento delle anomalie indipendentemente dalla scelta della soglia. Nella ROC relativa al dataset simulato di Oil and Gas, la regione si avvicina notevolmente all'origine, determinando un valore di AUROC pari a 0,99, il che conferma la capacità di classificazione praticamente perfetta. Per quanto riguarda i dataset SWAT e WADI, i valori di AUROC sono rispettivamente 0,97 e 0,95, indicando una buona capacità di classificazione nonostante la presenza di incertezze maggiori. Il fatto che le curve ROC siano nettamente distanti dalle linee che rappresentano una classificazione casuale garantisce che il modello di gemello digitale sviluppato funzioni notevolmente meglio del livello atteso per caso nel rilevamento accurato delle anomalie. Le curve caratteristiche operative del ricevitore (ROC) in Figura 6 mostrano le prestazioni del modello proposto di gemello digitale nel rilevamento delle anomalie sui tre dataset. I punteggi AUROC sono 0,99 per il dataset simulato di Oil and Gas, 0,97 per il dataset SWAT e 0,95 per il dataset WADI, indicando la capacità discriminante del modello sia nei sistemi di controllo industriale simulati che in quelli di riferimento.

Tabella 7 presenta una descrizione sintetica delle ricompense cumulative e delle violazioni dei vincoli per il modulo di apprendimento per rinforzo utilizzato per il controllo in ciclo chiuso integrato con il gemello digitale. La ricompensa cumulativa ottenuta rappresenta la prestazione complessiva del controllo in base agli obiettivi operativi, mentre le violazioni dei vincoli indicano il numero totale di violazioni verificatesi durante il funzionamento. Le ricompense cumulative con zero violazioni di vincolo risultano le più elevate (96,5) per il nostro ambiente modello nel settore oil & gas, dimostrando un controllo e una prestazione operativa ottimali.

Anche se i dataset SWaT e WADI mostrano ricompense cumulative leggermente inferiori e alcune violazioni dei vincoli, il miglioramento complessivo nel risparmio dei costi operativi dimostra che il framework proposto del gemello digitale rimane efficace per un controllo sicuro e ottimale in ambienti dinamici.

La fattibilità in tempo reale del sistema di controllo proposto, basato sull'apprendimento per rinforzo (RL), è stata valutata analizzando la latenza di inferenza end-to-end di tutti i moduli computazionali impiegati nel sistema. Le osservazioni sperimentali riportate nella Tabella 8 mostrano che il modulo operatore neurale, il modello FNO/operatore neurale e il modulo della rete neurale grafica spazio-temporale (ST-GNN) presentano un carico computazionale moderato, dovuto alle caratteristiche temporali utilizzate durante il processo. D'altro canto, il modulo di decisione della politica di apprendimento per rinforzo ha un carico computazionale estremamente ridotto. Il tempo cumulativo di inferenza end-to-end di tutti i moduli impiegati nel sistema rientra nell'intervallo tipico dei cicli di controllo industriali. In particolare, si osserva che la latenza media di inferenza end-to-end è compresa tra 50 e 150 millisecondi per ciclo di controllo, valore compatibile con i requisiti standard del controllo industriale. Questo dimostra che il sistema proposto può essere utilizzato per applicazioni in tempo reale e quasi in tempo reale. Tuttavia, si noti che il tempo di inferenza end-to-end può variare in base all'hardware utilizzato. A tale riguardo, il sistema proposto risulta adatto per applicazioni in tempo reale.

Viene effettuato un confronto quantitativo tra l'FNO, il modello di operatore neurale e approcci di base, come i tradizionali risolutori numerici e le attuali tecniche di apprendimento degli operatori, al fine di consolidare ulteriormente l'efficacia degli operatori neurali basati sulla fisica. La valutazione riportata nella Tabella 9 si concentra sulla capacità di ciascun modello di riprodurre la dinamica del sistema e le sue dinamiche non lineari. Per valutare le prestazioni si utilizzano metriche standard come l'errore quadratico medio (MSE), l'errore assoluto medio (MAE) e l'errore relativo tra gli stati del sistema previsti e quelli reali. I risultati sperimentali indicano che sia l'FNO sia il modello di operatore neurale superano gli approcci di base nella modellizzazione di dinamiche multifase complesse, ottenendo valori di errore ridotti. In particolare, il modello di operatore neurale riesce a catturare con successo le corrispondenze operatoriali non lineari sotto diverse condizioni di ingresso, mentre l'FNO si distingue nell'apprendimento delle dipendenze spaziali globali.

L'efficacia dei modelli di operatore neurale proposti è dimostrata dai risultati comparativi quantitativi mostrati nella Tabella 9. Rispetto ai solutori numerici di base e alle attuali tecniche di apprendimento degli operatori, sia FNO che il modello di operatore neurale raggiungono metriche di errore sensibilmente più basse. In particolare, FNO presenta l'errore relativo e l'errore quadratico medio più bassi, dimostrando la sua superiore capacità di catturare la dinamica di sistemi non lineari complessi. Inoltre, il modello di operatore neurale mostra miglioramenti significativi, specialmente per quanto riguarda l'apprendimento di mappe operatorie non lineari in diverse condizioni. Per valutare la significatività statistica si utilizzano test t indipendenti; valori di p inferiori a 0,05 indicano un miglioramento sostanziale rispetto al solutore numerico di base. I valori di p ottenuti da entrambi i modelli proposti sono inferiori a 0,001, indicando che i miglioramenti osservati nelle prestazioni sono statisticamente significativi e non dovuti al caso. Inoltre, le tecniche proposte mostrano tempi di inferenza significativamente più brevi, dimostrandone l'applicabilità in applicazioni di gemello digitale in tempo reale.

Per migliorare ulteriormente la chiarezza della valutazione sperimentale del modello proposto del gemello digitale consapevole del controllo, viene fornito un confronto quantitativo completo dell'approccio proposto con altri metodi in un formato tabellare integrato. Questo confronto di diversi parametri di prestazione, come Errore Assoluto Medio (MAE), Errore Quadratico Medio (RMSE), punteggio F1, Area Sotto la Curva (AUC), riduzione della deriva delle previsioni e ricompensa cumulativa, permetterà una valutazione integrata dell'accuratezza del monitoraggio, della capacità di rilevamento delle anomalie, dell'efficienza di sincronizzazione e delle prestazioni di controllo dei metodi in Table 10. Inoltre, diversi parametri della procedura di addestramento, come dimensione del batch, tasso di apprendimento, numero di epoche e configurazione dell'addestramento per modulo, sono esplicitamente indicati per migliorare la trasparenza della valutazione sperimentale in Table 11. Inoltre, scalabilità ed efficienza computazionale in termini di latenza di inferenza, utilizzo della GPU e fattibilità in tempo reale dell'approccio proposto sono valutate anche in Table 12.

Il gemello digitale proposto può essere confrontato in modo esaustivo con altri metodi, come il metodo di sincronizzazione basato sulla fisica, i modelli LSTM e GNN, in termini di accuratezza del monitoraggio, capacità di sincronizzazione, rilevamento delle anomalie e prestazioni di controllo, come illustrato nella Tabella 13. I gemelli digitali basati sulla fisica sono meno adattivi e presentano un margine di errore maggiore a causa di approcci statici. Gli approcci neurali, come LSTM e GNN, sono migliori ma non combinano in modo efficace fisica, sincronizzazione e controllo. Il gemello digitale proposto ha raggiunto i migliori valori con un RMSE di 0,20, una riduzione della deriva del 72,2%, un AUROC di 0,94, un F1-Score di 0,92 e una ricompensa cumulativa di 95,5. I risultati sopra riportati indicano chiaramente che la combinazione efficace di operatori neurali informati dalla fisica, modellazione grafica nello spazio e nel tempo, assimilazione neurale dei dati e apprendimento per rinforzo può migliorare in modo significativo un sistema di gemello digitale accurato, robusto e consapevole del controllo.

Figura 7: Costo di addestramento e utilizzo delle risorse per i diversi componenti del sistema proposto, inclusi FNO, modello di operatore neurale, GNN, modulo RL e l'intero framework. Le metriche includono il tempo di addestramento (ore) e l'utilizzo della memoria GPU (GB). I valori rappresentano i risultati medi ottenuti da più esecuzioni indipendenti (n = 5). Le barre di errore indicano la SD, mentre le barre di errore più sottili sovrapposte rappresentano la SEM = SD/√n, riflettendo la variabilità tra le esecuzioni. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Nella Figura 7 sono presentati il costo di addestramento e l'utilizzo delle risorse dell'approccio proposto nei loro componenti principali. Si può osservare che i modelli di operatori neurali, come FNO e il modello di operatore neurale, presentano costi di addestramento e utilizzo della memoria GPU significativi rispetto all'intero sistema. L'elevato costo di addestramento è dovuto alla capacità di apprendimento in alta dimensione degli operatori. Si è riscontrato che i moduli di rete neurale su grafi e apprendimento per rinforzo hanno un costo di addestramento inferiore, ma sono fondamentali per l'apprendimento delle dipendenze spaziali e del controllo adattivo. Sebbene il sistema proposto abbia costi di addestramento più elevati, il tempo di inferenza risulta efficiente. Rispetto ai metodi di riferimento come modelli LSTM o GNN autonomi, il sistema proposto comporta un costo di addestramento maggiore a causa dell'integrazione multi-modulo, ma raggiunge una maggiore accuratezza e robustezza, come dimostrato nella Tabella 13.

Nell'insieme, la struttura del gemello digitale proposta combina diversi elementi, ognuno dei quali affronta un problema specifico nella modellizzazione e nel controllo di sistemi industriali complessi. A differenza dei tradizionali risolutori numerici, spesso onerosi dal punto di vista computazionale e meno adatti ad applicazioni in tempo reale, vengono utilizzati operatori neurali basati sulla fisica, come l'Operatore Neurale di Fourier e la Rete Neurale Operatore Profonda, per rappresentare in modo più efficace dinamiche di sistema non lineari e ad alta dimensionalità. Possono essere impiegati modelli di machine learning più semplici, come reti neurali feedforward o reti ricorrenti, ma in genere non apprendono operatori fisici fondamentali e non riescono a generalizzare tra diverse configurazioni del sistema. Le dipendenze tra sensori distribuiti, intrinsecamente collegate nei sistemi di produzione petrolifera e del gas, vengono modellate mediante una rete neurale grafica spaziotemporale. Metodi convenzionali, come modelli indipendenti di serie temporali o architetture ricorrenti semplici, possono portare a una minore accuratezza nella stima dello stato e nel rilevamento di anomalie, poiché non considerano esplicitamente le connessioni spaziali. Il controllo adattivo, che sfrutta il modulo di apprendimento per rinforzo, consente al sistema di ottimizzare le decisioni operative in ambienti dinamici e incerti. Le strategie di controllo basate su regole o statiche, al contrario, sono rigide e incapaci di adattarsi a condizioni di sistema variabili o a interruzioni impreviste. Sebbene esistano alternative con complessità ridotta, queste di solito affrontano soltanto aspetti specifici del problema e non sono sufficienti per ottenere una soluzione integrata che includa modellizzazione accurata, monitoraggio in tempo reale e controllo adattivo. Assicurando che ogni componente contribuisca alle prestazioni complessive del sistema, la progettazione modulare proposta migliora l'accuratezza, la scalabilità e la robustezza in ambienti industriali complessi.

Studio / Lavoro	Tecniche Utilizzate	Risultati	Limitazioni
Operatore Neurale Profondo per Gemello Digitale26	Operatore neurale DeepONet come modello surrogato	Predizione in tempo reale; più veloce di diversi ordini di grandezza rispetto ai simulatori fisici	Richiede un posizionamento accurato del sensore; i metodi di valutazione necessitano di miglioramenti
Gemello digitale abilitato al rilevamento virtuale mediante DeepONet27	Sensori virtuali DeepONet nel gemello digitale	Previsioni rapide; inferenza in tempo reale; stima completa dello stato	La distorsione spettrale influenza i fenomeni ad alta frequenza; è necessaria una modellizzazione ibrida
Gemello Digitale con DRL + NMPC nel Controllo28	Apprendimento per rinforzo profondo & Integrazione MPC non lineare	Miglioramento delle prestazioni di controllo; errore di tracciamento ridotto e aggiornamenti adattivi gemelli	Applicazione limitata ai vasi; ulteriore applicazione ai sistemi di produzione necessaria
Gemello Digitale Basato sull'Intelligenza Artificiale nell'Automazione Industriale29	Apprendimento supervisionato/non supervisionato (LSTM, CNN, RF, ecc.)	Elevata accuratezza nella previsione dei guasti &monitoraggio	Principalmente ML classico; manca di modelli deep avanzati spazio-temporali
Olio & Recensione del Gemello Digitale del Gas16	Diversi AI/ML & modellizzazione meccanicistica	Comprehensive taxonomy of modeling strategies	Principalmente concettuale; implementazioni pratiche minime con DL avanzato

Tabella 1: Analisi comparativa della produzione di petrolio e gas e del relativo controllo gestionale con metodi esistenti. Una panoramica sulle pertinenti strategie basate sul gemello digitale e sui sistemi di controllo, con particolare attenzione ai metodi impiegati, ai risultati ottenuti e ai principali svantaggi.

Nome del set di dati	Dominio / Sistema	N. di caratteristiche	Durata & Dimensione	Caratteristiche dei Dati
Olio simulato & Dati sulla produzione di gas	Olio & Sistema di produzione del gas (simulazione)	Multivariata (Pressione, Portata, Temperatura, ecc.)	Progettato per questa ricerca	Sensore simulato in tempo reale & segnali di controllo, normali & stati di guasto
SWaT	Trattamento Sicuro dell'Acqua CPS	~51 sensori + attuatori	~11 giorni (~450k+ campioni)	Normale & anomalia (36 scenari di attacco)
WADI	Sistema di distribuzione dell'acqua CPS	~123 sensori + attuatori	~16 giorni (~1 milione di campioni+)	Normale & anomalia (15 attacchi)

Tabella 2: Descrizione del dataset.
Descrizione del dataset. Riassunto dei dataset dello studio, inclusi dominio, numero di caratteristiche, durata e attributi dei dati.

Componente	Parametro iperparametro	Valore
ST-GNN	Numero di strati	3
ST-GNN	Dimensione nascosta	64
ST-GNN	Lunghezza della finestra temporale	12
Operatore neurale (FNO)	Numero di modi di Fourier	16
Operatore neurale (FNO)	Numero di strati	4
DeepONet	Dimensione della rete branch	[128, 128]
DeepONet	Dimensione della rete trunk	[128, 128]
Assimilazione dati	Finestra di assimilazione	10 passi temporali
Ottimizzatore	Adam
Tasso di apprendimento	0,001
Dimensione del batch	64
Controllore RL	Fattore di sconto (γ)	0,99
Controllore RL	Strati della rete della politica	[128, 64]

Tabella 3: Architettura del modello e iperparametri. Configurazioni architetturali importanti e impostazioni degli iperparametri per gli operatori neurali, l'assimilazione dei dati, l'apprendimento per rinforzo e i componenti delle reti neurali grafiche spaziotemporali.

Parametro	Descrizione
Piattaforma di simulazione	Python (v3.10) con PyTorch (v2.1)
Librerie di supporto	NumPy (v1.24), SciPy (v1.10), Pandas (v1.5)
Hardware	GPU NVIDIA RTX series (ad esempio, RTX 3090, 24 GB VRAM), CPU Intel Core i7/i9, 32–128 GB RAM
Accelerazione GPU	CUDA Toolkit (v11.8), cuDNN (v8.x)
Sistema operativo	Linux (Ubuntu 20.04) / Windows 10
Ambiente di sviluppo	Jupyter Notebook / VS Code
Intervallo di campionamento	1–10 secondi (configurabile per simulazione in tempo reale)
Modellizzazione del rumore del sensore	Rumore gaussiano (σ = 0,01–0,05)
Scenari di guasto	Guasti del sensore, disturbi del flusso e anomalie di controllo
Modalità di valutazione	Simulazione in tempo reale basata su finestra scorrevole
Disponibilità del codice	Il link al repository verrà fornito su richiesta / alla pubblicazione per garantire la riproducibilità

Tabella 4: Ambiente di simulazione. Informazioni sulla configurazione hardware, piattaforma software, intervallo di campionamento, modellazione del rumore e scenari di guasto nell'allestimento sperimentale.

Set di dati	Errore dello stato iniziale	Errore dello stato finale	Riduzione della deriva (%)
Simulated Oil & Gas	0.9	0.25	72.2
SWAT	1.1	0.4	63.6
WADI	1.3	0.55	57.7

Tabella 5:  Risultato sperimentale della sincronizzazione del gemello digitale. Valutazione quantitativa delle prestazioni di sincronizzazione che mostra la riduzione della deriva delle previsioni tra diversi dataset e gli errori di stima dello stato iniziale e finale.

Dati	Precisione	Recupero	Punteggio F1
Simulato Petrolio & Gas	0.95	0.93	0.94 ± 0.01
SWAT	0.9	0.88	0.92 ± 0.02
WADI	0.87	0.85	0.90 ± 0.02

Tabella 6:  Prestazioni nel rilevamento delle anomalie. Risultati del rilevamento delle anomalie sui dataset simulati di petrolio e gas, SWAT e WADI, inclusi precisione, richiamo e punteggio F1.

Set di dati	Ricompensa cumulativa ↑	Violazioni dei vincoli ↓	Riduzione dei costi (%) ↑
Simulato Oil & Gas	96.5 ± 0.8	0	18.7
SWAT	92.1 ± 1.2	1	14.3
WADI	89.7 ± 1.5	2	11.6

Tabella 7:  Risultati sperimentali del controllo in ciclo chiuso e dell'ottimizzazione. Il premio cumulativo, le violazioni dei vincoli e la riduzione dei costi operativi vengono utilizzati per valutare le prestazioni del controllo in ciclo chiuso.

Modulo	Latenza media (ms)	Descrizione
Operatore neurale (FNO/DeepONet)	18-25 ms	Apprendimento dell'operatore e previsione dello stato del sistema
ST-GNN	22–35 ms	Modellizzazione delle dipendenze spaziotemporali
Rete della politica di RL	5–10 ms	Generazione delle decisioni di controllo
Preelaborazione dei dati	8–12 ms	Normalizzazione degli ingressi e preparazione delle caratteristiche
Latenza totale del ciclo di controllo	55–82 ms	Tempo di esecuzione end-to-end dell'azione di controllo

Tabella 8: Valutazione delle prestazioni di controllo in tempo reale. I valori di latenza rappresentano i tempi medi di inferenza misurati per ogni passo di controllo in una configurazione hardware standard.

Modello	MSE ↓	MAE ↓	Errore relativo (%) ↓	Tempo di inferenza (ms) ↓	Valore p (rispetto al valore di riferimento)
Solutore numerico (valore di riferimento)	0.0125 ± 0.0012	0.089 ± 0.006	8.75 ± 0.54	120.5 ± 5.2	—
Modello convenzionale di ML	0.0098 ± 0.0009	0.072 ± 0.005	6.42 ± 0.48	85.3 ± 4.7	0.021
Apprendimento operatore esistente	0.0076 ± 0.0007	0.061 ± 0.004	5.18 ± 0.41	42.8 ± 3.1	0.008
DeepONet (proposto)	0.0052 ± 0.0005	0.044 ± 0.003	3.67 ± 0.32	18.6 ± 2.4	< 0.001
FNO (proposto)	0.0047 ± 0.0004	0.039 ± 0.002	3.21 ± 0.28	15.2 ± 2.1	< 0.001

Tabella 9: Confronto tra modelli di base e modelli proposti in termini di accuratezza predittiva (MSE, MAE, Errore Relativo) ed efficienza computazionale (Tempo di Inferenza). I valori sono riportati come media ± deviazione standard su più esecuzioni. Valori più bassi indicano prestazioni migliori. I valori di p indicano la significatività statistica rispetto al risolutore numerico di base.

Metodo	MAE ↓	RMSE ↓	F1-Score ↑	AUC ↑	Riduzione della deriva (%) ↑	Ricompensa cumulativa ↑
DT basato sulla fisica	0.45	0.62	0.78	0.82	35.4	65.2
LSTM	0.32	0.48	0.85	0.88	48.7	74.5
GNN	0.28	0.41	0.88	0.91	55.3	81.3
Framework proposto	0.2	0.3	0.94	0.97	72.2	95.5

Tabella 10: Confronto completo delle prestazioni. Confronto completo delle prestazioni del modello proposto del gemello digitale consapevole del controllo con altri approcci di base per il monitoraggio, il rilevamento di anomalie, la sincronizzazione e il controllo. Per quanto riguarda l'accuratezza della previsione, si preferiscono valori più bassi di MAE e RMSE. Per le prestazioni nel rilevamento di anomalie e nella sincronizzazione, si preferiscono valori più alti di F1-score, AUC, riduzione della deriva e reward.

Componente	Parametro	Valore/Impostazione
Operatori Neurali (FNO/DeepONet)	Epoche	100–200
	Dimensione del Batch	32–64
	Tasso di Apprendimento	0,001
ST-GNN	Strati	3
	Unità Nascoste	64
	Finestra Temporale	10–20 intervalli temporali
Neural 4D-Var	Finestra di Assimilazione	Fissa (finestra scorrevole)
	Ottimizzazione	Discesa del Gradiente
Apprendimento per Rinforzo	Fattore di Sconto (γ)	0,95
	Pesi della Ricompensa (α,β,γ)	0,6, 0,25, 0,15
Addestramento Generale	Ottimizzatore	Adam
	Hardware	NVIDIA RTX GPU

Tabella 11: Configurazione e parametri di implementazione utilizzati per i diversi componenti del framework del gemello digitale proposto. La tabella fornisce una panoramica dei diversi iperparametri e parametri di addestramento utilizzati per garantire la riproducibilità del sistema proposto per i diversi componenti.

Componente	Tempo di addestramento (ore)	Latenza di inferenza (ms)	Utilizzo della GPU (%)	Scalabilità
Operatori neurali	6–8	25–40	80–90	Elevata
ST-GNN	3–4	15–25	60–70	Elevata
Neural 4D-Var	2–3	20–30	65–75	Moderata
Controllore RL	1–2	10–20	50–60	Elevata
Sistema complessivo	12–16	<100 ms	70–85	Scalabile

Tabella 12: Analisi delle prestazioni computazionali e della scalabilità del modello di gemello digitale proposto per diversi componenti. La latenza è utilizzata per rappresentare le prestazioni di inferenza in tempo reale, la GPU per rappresentare le prestazioni computazionali, e la scalabilità indica la capacità del modello proposto di essere impiegato in applicazioni su scala industriale.

Metodo	RMSE monitorato	Riduzione della deriva di sincronizzazione (%)	AUROC	F1-Score	Ricompensa cumulativa
Digital Twin basato sulla fisica	0.45	28.6	0.78	0.74	42.3
Modello basato su LSTM	0.31	41.2	0.86	0.83	61.7
Modello basato su GNN	0.26	53.4	0.91	0.88	74.5
Digital Twin proposto	0.2	72.2	0.94	0.92	95.5

Tabella 13: Valutazione comparativa del lavoro proposto rispetto ai metodi esistenti. Le prestazioni del modello di gemello digitale suggerito in termini di monitoraggio, sincronizzazione, rilevamento delle anomalie e metriche di controllo vengono confrontate con approcci basati su baseline e su apprendimento automatico.

Configurazione del modello	Errore di monitoraggio (RMSE)	Rilevamento di anomalie (F1)	Prestazioni di controllo (Reward)
Modello completo (tutti i moduli)	0.2	0.92	95.5
– Senza assimilazione dati	0.29	0.88	89.2
– Senza ST-GNN	0.27	0.85	87.1
– Senza apprendimento per rinforzo	0.21	0.9	78.4
– Senza apprendimento continuo	0.23	0.91	92.3

Tabella 14:  Risultati sperimentali e studio di ablazione. Studio di ablazione volto a esaminare in che modo ciascuna componente del modello di gemello digitale proposto contribuisce alle prestazioni complessive del sistema.

Scenario	Disponibilità dei dati	RMSE	Precisione	Gestione dei gap nelle osservazioni
Normale	100%	Basso	Alta	Stabile
Perdita parziale	50–70%	Moderato	Alta	Interpolazione robusta
Perdita grave	20–30%	Aumentato	Moderata	Decadimento graduale
Guasto del sensore	0% per regione	Superiore	Moderata	Generalizzazione spaziale

Tabella 15: Analisi della robustezza in condizioni di scarsità di dati. La seguente tabella indica le prestazioni del framework neurale 4D-Var proposto in diverse situazioni di disponibilità dei dati. La tabella evidenzia la robustezza del modello mostrando come gli errori variano in caso di perdita parziale, elevata sparsità e perdita totale dei dati provenienti dai sensori.

Discussione

I risultati di questa ricerca dimostrano l'efficacia del gemello digitale sviluppato con consapevolezza del controllo, in termini della sua capacità di migliorare il monitoraggio in tempo reale, il rilevamento e l'ottimizzazione del controllo per un'ampia gamma di CPS. Rispetto ai modelli tradizionali per il monitoraggio, la combinazione di PINO e reti neurali grafiche risulta più efficace in termini di accuratezza nella stima dello stato, anche per un sistema rumoroso. Questo risultato è valido perché un modello avanzato di apprendimento automatico nel gemello digitale è più efficace in termini di previsione e rilevamento all'interno del sistema³⁹.

Rispetto alle soluzioni attuali per il rilevamento di anomalie, come i rilevatori di anomalie basati sul gemello digitale che impiegano l'apprendimento per gradi o modelli di rappresentazione causale, si può osservare che il metodo proposto è in grado di raggiungere prestazioni competitive confrontando i risultati ottenuti in letteratura. Ad esempio, i rilevatori di anomalie basati su gemello digitale che utilizzano l'apprendimento per gradi hanno permesso un moderato miglioramento del punteggio F1 per testbed CPS, indicando che i paradigmi di apprendimento possono influenzare l'efficienza dei processi di rilevamento⁴⁰. Allo stesso tempo, i modelli attuali più diffusi di gemello digitale pongono forte enfasi su un ragionamento efficiente e sulla soppressione dei falsi positivi mediante inferenza causale, ma a scapito di una maggiore complessità del modello nel componente causale. A questo riguardo, il nostro approccio proposto basato su apprendimento per rinforzo sincronizzato fornisce sia un'ottimizzazione efficiente delle operazioni sia un solido rilevamento di anomalie all'interno di un unico framework. Va tuttavia precisato che il confronto del metodo proposto con altri approcci non si basa sui risultati di esperimenti comparativi diretti, ma soltanto sui risultati riportati da altri ricercatori; pertanto, tale confronto va effettuato tenendo conto di questa limitazione.

Inoltre, l'aggiunta di rilevamento delle anomalie e l'ottimizzazione delle azioni di controllo all'interno del gemello digitale proposto illustrano l'importanza crescente delle capacità di supporto alle decisioni e di attuazione fornite dai gemelli digitali, un attuale indirizzo delle attività di ricerca e sviluppo associate ai CPS. Articoli di ricerca⁴¹ relativi alla calibrazione del gemello digitale mediante apprendimento per rinforzo, come approcci adattivi per la guida dei sensori, mostrano che l'uso di agenti apprendenti può offrire benefici aggiuntivi, specialmente in termini di accuratezza e adattabilità, in particolare per sistemi dinamici. Ciò conferma i risultati riguardanti il miglioramento dell'efficacia dell'ottimizzazione in ciclo chiuso, rafforzando così l'ipotesi che un'integrazione intelligente possa aumentare la robustezza e l'efficienza dei CPS. L'approccio, come menzionato in precedenza, è progettato per funzionare nel settore petrolifero e del gas, ma la valutazione dell'approccio si basa sulla simulazione del settore petrolifero e del gas, nonché sui dataset di riferimento dei CPS, ovvero SWaT e WADI. Tuttavia, va notato che la validazione attuale non include dati operativi reali del settore petrolifero e del gas, e pertanto l'applicabilità a scenari di implementazione reali deve essere interpretata con cautela. In futuro, verrà effettuata una valutazione comparativa del metodo proposto di apprendimento curricolare e del metodo del gemello digitale basato sull'inferenza causale all'interno di un quadro sperimentale unificato, al fine di confrontare i due approcci in modo controllato. Sebbene l'integrazione di questi moduli, inclusi operatori neurali, reti grafiche e apprendimento per rinforzo, aumenti il costo computazionale, ciascun modulo svolge una funzione specifica. Lo studio di ablazione conferma anche le prestazioni dell'approccio proposto, poiché le prestazioni peggiorano se uno qualsiasi dei moduli viene rimosso.

Teoricamente, questa ricerca apporta contributi significativi all'integrazione di metodi basati su modelli e metodi basati sui dati all'interno della struttura del gemello digitale. L'integrazione di operatori neurali informati dalla fisica e di tecniche di assimilazione neurale dei dati nel processo di stima dello stato fornisce un approccio di modellizzazione ibrida per i sistemi fisici informatici (CPS), colmando così un'importante lacuna presente nella letteratura sulla ricerca del gemello digitale, che finora si è basata o su simulazioni puramente fisiche o su modelli black-box per le simulazioni dei CPS, ma non su entrambi contemporaneamente. Teoricamente, questa ricerca si allinea con l'evoluzione della ricerca sui gemelli digitali per modelli CPS autonomi in grado di apprendere e adattarsi continuamente, aspetto sottolineato nella letteratura recente.

Per quanto riguarda l'applicabilità, l'approccio proposto può migliorare notevolmente il funzionamento dei CPS in ambito industriale poiché consente un'affidabilità in tempo reale, un'identificazione rapida e precisa delle anomalie e strategie di controllo ottimali grazie al miglioramento diretto della sicurezza e dell'efficienza nel funzionamento dei CPS. Ad esempio, in contesti industriali in cui l'ambiente è spesso caratterizzato da rumore nei sensori e da un modello di sistema non lineare, l'approccio di rilevamento sincronizzato garantisce un'individuazione rapida delle anomalie riducendo al contempo il verificarsi di falsi allarmi. A differenza delle soluzioni esistenti basate su gemelli digitali per i sistemi CPS, finalizzate principalmente a metriche di classificazione, l'approccio proposto consente sia l'identificazione che la correzione delle anomalie, contribuendo così alla capacità degli operatori del sistema di modificare proattivamente l'ambiente operativo del CPS prima del verificarsi di interruzioni. Inoltre, la capacità dell'approccio suggerito di applicarsi universalmente in contesti diversi, dimostrata dalle prestazioni ottenute sul dataset di riferimento, indica l'applicabilità complessiva dell'approccio in diversi ambiti dei CPS, come la produzione intelligente, il settore energetico e i sistemi di gestione delle reti infrastrutturali critiche.

La scalabilità del framework del gemello digitale proposto viene valutata in base alla sua capacità di gestire l'aumento delle dimensioni del sistema e della complessità temporale. Rappresentando le interazioni tra sensori mediante strutture grafiche sparse, la rete neurale spazio-temporale scala in modo efficiente all'aumentare del numero di sensori e dei componenti monitorati, evitando una crescita esponenziale della complessità computazionale. Applicando operatori neurali informati dalla fisica, che apprendono mapping operatoriali indipendentemente dalla risoluzione di discretizzazione, si migliora ulteriormente la scalabilità, consentendo una modellazione efficace di sistemi su larga scala senza incrementi apprezzabili del costo computazionale. Il framework utilizza metodi a finestra scorrevole e apprendimento basato su sequenze per gestire le dipendenze temporali su orizzonti temporali più ampi, mantenendo la fattibilità computazionale. Inoltre, tecniche di apprendimento incrementale riducono il sovraccarico nelle implementazioni su larga scala, permettendo aggiornamenti continui senza la necessità di un riaddestramento completo. Inoltre, l'utilizzo di calcoli paralleli basati su GPU rende possibile l'elaborazione in tempo reale di flussi di dati ad alta dimensionalità. L'architettura proposta risulta pertanto adatta ad applicazioni industriali su larga scala, come i sistemi di produzione di petrolio e gas dotati di reti di sensori distribuiti e di requisiti di monitoraggio continuo, poiché è progettata per scalare sia con il numero di sensori sia con la durata dell'operazione.

Lo studio di ablazione contribuirà a comprendere il contributo individuale di ciascun modulo, ovvero operatori neurali, ST-GNN, assimilazione dei dati e apprendimento per rinforzo. È stato condotto uno studio di ablazione per misurare i livelli di contributo di numerosi moduli principali individuali in questa architettura proposta di gemello digitale. Questi moduli individuali includono assimilazione dei dati, modellizzazione grafica con spazio e tempo, apprendimento per rinforzo e apprendimento continuo. Gli effetti della rimozione di questi singoli moduli sono stati esaminati in termini di livelli di impatto che generano sull'accuratezza del monitoraggio, sulla rilevazione delle anomalie e sul controllo. I risultati finali confermano chiaramente che è sempre preferibile utilizzare l'intera architettura, e pertanto la rimozione di singoli moduli comporta diversi gradi di degrado delle prestazioni, indicando che i diversi componenti contribuiscono in modo differente alle prestazioni complessive del sistema. Il livello di effetto derivante dalla rimozione del modulo di assimilazione dei dati mostra chiaramente un aumento dell'errore di previsione e incide sulla affidabilità in misura pari rispetto al rilevamento delle anomalie. Il livello di effetto della rimozione dell'apprendimento per rinforzo mostra chiaramente che il controllo è risultato significativamente compromesso, specialmente quando si considera soltanto il monitoraggio.

I risultati dell'analisi di ablazione mostrati nella Tabella 14 indicano che diversi moduli hanno contributi differenti alle prestazioni del sistema. Il modulo di assimilazione dati ha il contributo maggiore all'accuratezza delle prestazioni di monitoraggio, seguito dal modulo ST-GNN. Il modulo di apprendimento continuo ha un contributo moderato all'accuratezza delle prestazioni di monitoraggio, mentre il modulo di apprendimento per rinforzo ha il contributo minore all'accuratezza delle prestazioni di monitoraggio, sebbene abbia il contributo maggiore alle prestazioni di controllo in termini di riduzione del valore della ricompensa da 95,5 a 78,4.

Per validare la robustezza del framework neurale 4D-Var proposto, sono stati condotti esperimenti in condizioni di osservazione progressivamente peggiorate. In particolare, gli esperimenti hanno incluso i seguenti scenari: (i) guasto parziale dei sensori, in cui la percentuale di dati mancanti variava dal 30% al 70%; (ii) perdita completa del segnale in regioni specifiche; e (iii) ritardo nelle comunicazioni che ha causato osservazioni temporalmente sparse. Dai risultati sperimentali, il modello proposto mostra prestazioni robuste in caso di perdita moderata di dati e un degrado graduale in caso di perdita estrema di dati, dimostrandone un elevato livello di adattabilità. Nella Tabella 15 sono riportati i risultati dell'analisi di robustezza.

Un limite di questo studio è associato all'ambito della validazione del modello proposto. Va notato che, sebbene il modello sia concepito per sistemi di produzione petrolifera e del gas, la valutazione del modello proposto si è basata su valori simulati di petrolio e gas e su problemi benchmark cibernetico-fisici come SWaT e WADI. È inoltre importante osservare che, sebbene i problemi benchmark siano associati a processi petroliferi e del gas, in questo caso specifico essi riguardano il trattamento e la distribuzione dell'acqua.

Tuttavia, nonostante questa prestazione ottimale, presenta alcune limitazioni. Ad esempio, ha una complessità computazionale più elevata rispetto ad alcune implementazioni di gemelli digitali, specialmente con l'integrazione di operatori neurali, reti grafiche e apprendimento per rinforzo. Questo potrebbe rappresentare un ostacolo significativo per l'adozione su piattaforme con capacità computazionali limitate. Inoltre, sebbene si sia concentrato soltanto su set di simulazione e benchmark, non è stato possibile includere il livello di diversità presente in un CPS operativo. Ciò è evidente in set di simulazione come SWAT e WADI, comunemente adottati nelle valutazioni dei CPS, che potrebbero mancare del livello di diversità riscontrabile negli ambienti CPS reali. Il sistema presuppone inoltre un adeguato approvvigionamento di dati provenienti da sensori, il che potrebbe non essere sempre fattibile nei CPS più datati. La limitazione principale del sistema è la mancanza di dati reali del settore petrolifero e del gas per valutarlo, poiché la sua valutazione si basa su simulazioni del settore petrolifero e del gas, nonché su dataset benchmark dei CPS, ovvero SWaT e WADI, che potrebbero non riflettere accuratamente le complessità reali del settore. Il sistema proposto ha dimostrato prestazioni promettenti in termini di capacità predittive. Tuttavia, richiede costi computazionali più elevati durante il processo di addestramento. In futuro, potranno essere considerate alternative più leggere al sistema proposto, tra cui operatori neurali a ordine ridotto, potatura del modello e modelli ibridi fisica-machine learning.

Scalabilità e implementazione in un ambiente reale, e la loro integrazione nelle infrastrutture CPS esistenti in cui la densità dei sensori e la qualità delle informazioni rilevate possono variare notevolmente, dovranno essere studiate in futuri lavori di ricerca sulle tecniche di compressione dei modelli. Inoltre, l'estensione di questo sistema per includere spiegabilità e cicli di feedback per gli operatori potrebbe essere vantaggiosa per migliorare la comprensibilità e costruire fiducia nei processi decisionali autonomi. In aggiunta, l'integrazione di metodi di inferenza causale all'interno dei processi attuali di rilevamento delle anomalie, simili a quelli impiegati nei gemelli digitali causali, potrebbe risultare utile per migliorare l'analisi delle cause profonde e ridurre al minimo i falsi allarmi. Infine, al fine di garantire robustezza, questo framework dovrà essere convalidato utilizzando dati reali raccolti sul campo.

Questa ricerca ha dimostrato il concetto di un modello di gemello digitale intelligente e consapevole del controllo, volto a migliorare il monitoraggio in tempo reale del sistema, le capacità di rilevamento delle anomalie e il processo decisionale nei sistemi ciberfisici complessi. A differenza dei gemelli digitali tradizionali, che sono principalmente osservatori passivi utilizzati per il monitoraggio in tempo reale, questa ricerca mira a integrare operatori neurali informati dalla fisica, reti neurali grafiche spaziotemporali, assimilazione neurale dei dati, controllo basato su apprendimento per rinforzo e algoritmi di apprendimento all'interno di un unico modello di sistema gemello digitale. Il sistema viene innanzitutto monitorato in tempo reale mediante un modello di apprendimento informato dalla fisica di un sistema di equazioni non lineari da parte di un sistema gemello digitale. In secondo luogo, viene applicato un sistema neurale 4DVar per una procedura di assimilazione dei dati che sincronizza i sistemi fisico e virtuale al fine di ridurre al minimo la deriva delle previsioni del sistema causata dal rumore e dai cambiamenti del sistema. Il rilevamento delle anomalie viene effettuato su un modello spaziotemporale che rappresenta o le relazioni spaziali o l'evoluzione del sistema nel tempo. Infine, un agente di apprendimento per rinforzo genera azioni di controllo del sistema a partire da uno stato del sistema sincronizzato, che risulta valido sotto il profilo dei vincoli di sicurezza del sistema, tenendo conto anche di un vincolo di controllo. Ampie sperimentazioni condotte su un processo simulato nel settore petrolifero e su scenari di riferimento per i sistemi ciberfisici come SWAT e WADI hanno dimostrato l'efficacia potenziale dell'approccio proposto in condizioni simulate e di riferimento. Il modello proposto ha determinato una riduzione degli errori di monitoraggio (MAE e RMSE), risultati eccellenti nel rilevamento delle anomalie e un comportamento coerente nel controllo in ciclo chiuso. Questi risultati hanno confermato che la sincronizzazione tra rilevamento delle anomalie e controllo all'interno del gemello digitale rappresenta un fattore importante per mantenere l'affidabilità e l'efficienza delle operazioni. Un ulteriore ambito di sviluppo potenziale della tecnologia del gemello digitale è la sua estensione mediante intelligenza artificiale e causalità. La valutazione del framework sarà effettuata convalidandolo mediante dati reali del settore petrolifero e del gas.

È importante sottolineare che le conclusioni tratte in questo studio si basano su set di dati simulati e di riferimento, e pertanto la loro applicabilità a sistemi reali di petrolio e gas deve essere interpretata con cautela.

DISPONIBILITÀ DEI DATI:

I dataset SWaT e WADI utilizzati in questo studio sono dataset pubblicamente disponibili di sistemi di controllo industriale e possono essere accessibili tramite il repository di dataset del laboratorio iTrust: https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
CPU (Intel Xeon / AMD Ryzen)	Intel / AMD	Xeon / Ryzen Series	Utilizzato per la simulazione del sistema, la pre-elaborazione dei dati e il calcolo generale
Framework di apprendimento profondo (PyTorch 2.0)	Meta AI (PyTorch)	https://pytorch.org RRID:SCR_018536	Utilizzato per l'implementazione di reti neurali, ottimizzazione e pipeline di addestramento
Libreria per reti neurali profonde (cuDNN 8.x)	NVIDIA cuDNN	cuDNN 8.x	Fornisce primitive ottimizzate per operazioni di apprendimento profondo su GPU
DeepONet	Non applicabile	https://arxiv.org/abs/1910.03193	Nello script, è indicato come "modello di operatore neurale"
GPU (NVIDIA RTX 4090)	NVIDIA	RTX 4090	Utilizzato per l'addestramento di modelli di apprendimento profondo, inclusi operatori neurali, ST-GNN e componenti di apprendimento per rinforzo
Accelerazione GPU (CUDA 11.8)	NVIDIA CUDA	CUDA 11.8 RRID:SCR_018131	Consente il calcolo parallelo basato su GPU per l'addestramento di modelli ad alte prestazioni
Distribuzione Linux (versione 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download; RRID:SCR_018127	Sistema operativo utilizzato per l'esecuzione degli esperimenti e il deployment del modello
Sistema operativo (Ubuntu 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download RRID:SCR_018127	Fornisce l'ambiente di esecuzione per tutti gli esperimenti e il deployment del modello
Algoritmo di ottimizzazione (Adam Optimizer)	Non applicabile	https://arxiv.org/abs/1412.6980	Utilizzato per l'addestramento dei modelli con ottimizzazione del tasso di apprendimento adattivo
libreria ottimizzata per reti neurali profonde (versione 8.x)	NVIDIA cuDNN	https://developer.nvidia.com/cudnn RRID:SCR_018131	Fornisce primitive accelerate da GPU ottimizzate per operazioni di reti neurali profonde
Linguaggio di programmazione (Python 3.10)	Fondazione Python	https://www.python.org/downloads RRID:SCR_008394	Linguaggio di programmazione principale utilizzato per l'implementazione e la sperimentazione
Memoria di sistema (≥ 64 GB RAM)	Corsair / Kingston / Crucial	https://www.corsair.com / https://www.kingston.com / https://www.crucial.com	Supporta l'elaborazione di dati multivariati ad alta dimensione e l'addestramento di modelli di grandi dimensioni