Abstract
<jats:p>Розроблена система підтримки ухвалення рішень (DSS) для прогнозного теплового керування трубопроводами ґрунтується на створенні цифрового двійника, який відображає геометрію, матеріали, середовище та датчики трубопроводу. Така модель дає змогу прогнозувати розподіл температур, виявляти аномалії, моделювати втрати тепла та формувати керувальні дії в реальному часі. У центрі системи працює модуль прогнозування, який оцінює майбутній стан температурного поля на основі поточних даних і фізичних закономірностей теплопередачі. Для цього використовують як емпіричні моделі, так і нейромережеві предиктори. Навчання моделі виконується до досягнення високої точності, після чого вона інтегрується в DSS і може оновлюватися за новими даними. Нечітка логіка в системі дає змогу враховувати невизначеність, оперуючи поняттями типу «перегрів» чи «нестабільність». Вхідні дані перетворюються на ступені належності до цих понять, після чого застосовують нечіткі правила ухвалення рішень. Результати цих правил перетворюються на конкретні дії системи, наприклад, зниження потужності нагріву. Крім того, система містить модуль навчання з підкріпленням, який автоматично вдосконалює стратегію керування, аналізуючи наслідки дій у змінних умовах. Він обирає ті дії, які забезпечують підтримання температур у допустимих межах, енергоефективність та запобігання аваріям. Для врахування впливу сегментів один на одного застосовують імовірнісні графові моделі – Байєсівські мережі, які моделюють поширення теплових ефектів уздовж трубопроводу. У процесі експериментальної перевірки модель DSS продемонструвала високу точність: результати симуляцій підтвердили, що система здатна точно відтворювати реальні температурні профілі трубопроводу. Обґрунтовано, що система забезпечує можливість масштабування на складні мережеві трубопровідні структури, включно з розгалуженими магістралями та багатокомпонентними вузлами. Розширена інтеграція цифрового двійника з реальними сенсорними даними дає змогу виявляти потенційні відхилення та прогнозувати розвиток несправностей задовго до їх фактичного прояву. Установлено, що вдосконалений процес прогнозування сприяє адаптивному керуванню тепловими режимами, що знижує експлуатаційні витрати та підвищує загальну надійність трубопровідної інфраструктури. Доведено, що застосування комбінованого підходу, який поєднує методи штучного інтелекту, математичного моделювання та нечіткої логіки, підвищує стійкість системи до шумів, неповноти даних та нелінійної поведінки фізичних процесів. Також проведено пілотну експериментальну оцінку з використанням набору даних SCADA моніторингу трубопровідних систем нафтогазової галузі, що охоплює 12 місяців безперервних вимірювань із частотою 1 Гц. Прогнозування температур реалізовано на основі наскрізної нейронної мережі, орієнтованої на короткострокові інкрементальні зміни температури, у поєднанні з керуванням на базі алгоритму Proximal policy optimization. Отримані результати підтвердили високу точність прогнозування та ефективність адаптивного керування: середній час повного циклу ухвалення рішень не перевищував 18,5 мс, а параметр накопиченої дисконтованої нагороди зріс на 74 % з одночасним зменшенням його дисперсії більш ніж на 60 %.</jats:p>