Digital Twin Framework for Optimal and Autonomous Decision-Making in Cyber-Physical Systems: Enhancing Reliability and Adaptability in the Oil and Gas Industry

要約

完全なサイバー物理システムの仮想コピーを作成するという概念は、物理環境のリアルタイム評価や、信頼性が高く正確な情報を提供するためのシステムからの継続的な学習など、多くの可能性を開きます。
このプロセスはツイニング プロセスまたはデジタル ツイン (DT) の開発として知られ、さまざまな業界で広く採用されています。
ただし、リアルタイムの情報交換シナリオで、デジタル ツインで採用されている AI モデルなどの AI モデルを実装する際の計算需要を考慮すると、課題が生じます。
この研究では、DT の堅牢性と適応性の強化に焦点を当て、石油・ガス業界のガスリフトプロセスに適用される最適かつ自律的な意思決定のためのデジタルツインフレームワークを提案します。
このフレームワークは、ベイズ推論、モンテカルロ シミュレーション、転移学習、オンライン学習、およびモデルの超次元削減や認知的タックを含む DT に認知を与える新しい戦略を組み合わせています。
その結果、効率的で信頼性の高い DT 識別のためのフレームワークを作成することが可能になりました。
提案されたアプローチは、デジタルツイン戦略におけるさまざまな学習手法と不確実性管理の統合に関する文献の現在のギャップに対処します。
このデジタル ツイン フレームワークは、変化する環境に適応し、予測の不確実性を組み込むことができる信頼性の高い効率的なシステムを提供することを目的としており、これにより複雑な現実世界のシナリオにおける意思決定プロセス全体を強化します。
さらに、この取り組みは、プロセス システム エンジニアリングのためのデジタル ツインのさらなる開発の基礎を築き、さまざまな産業分野にわたる新たな進歩と応用を促進する可能性があります。

要約(オリジナル)

The concept of creating a virtual copy of a complete Cyber-Physical System opens up numerous possibilities, including real-time assessments of the physical environment and continuous learning from the system to provide reliable and precise information. This process, known as the twinning process or the development of a digital twin (DT), has been widely adopted across various industries. However, challenges arise when considering the computational demands of implementing AI models, such as those employed in digital twins, in real-time information exchange scenarios. This work proposes a digital twin framework for optimal and autonomous decision-making applied to a gas-lift process in the oil and gas industry, focusing on enhancing the robustness and adaptability of the DT. The framework combines Bayesian inference, Monte Carlo simulations, transfer learning, online learning, and novel strategies to confer cognition to the DT, including model hyperdimensional reduction and cognitive tack. Consequently, creating a framework for efficient, reliable, and trustworthy DT identification was possible. The proposed approach addresses the current gap in the literature regarding integrating various learning techniques and uncertainty management in digital twin strategies. This digital twin framework aims to provide a reliable and efficient system capable of adapting to changing environments and incorporating prediction uncertainty, thus enhancing the overall decision-making process in complex, real-world scenarios. Additionally, this work lays the foundation for further developments in digital twins for process systems engineering, potentially fostering new advancements and applications across various industrial sectors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google