Универсальная метамодель цифрового двойника для стандартизации промышленных процессов

Аннотация

Рассматривается проблема фрагментарности и низкой степени интеграции информационных систем в промышленной отрасли. В качестве решения этой проблемы предлагается формализованная и стандартизированная метамодель цифрового двойника. На практическом примере этапа строительства нефтегазо­вого объекта демонстрируется универсальный принцип построения, применимый для моделирования любого промышленного предприятия, процесса или группы процессов. Метамодель представляет собой единую машиночитаемую структуру (JSON/YAML), которая комплексно описывает архитектуру, функции, источники данных и цели для каждого этапа жизненного цикла технологического объекта, в отличие от существующих стандартов, фокусирующихся на отдельных аспектах. Рассмотрен гибридный подход к моделированию, сочетающий физико-математи­ческие симуляторы («белый ящик») и модели искусственного интеллекта (ИИ) на основе архитектуры Transformer («черный ящик») для предиктивной аналитики и выявления скрытых аномалий. Реализация в условиях бурения нефтегазовых скважин демонстрирует значительное снижение рисков и непроизводительного времени, при том что методология адаптируема для любых промышленных активов. Внедрение стандарта создает основу для унифицированной и интел­лектуальной экосистемы управления процессами.

Ключевые слова: скважина, цифровой двойник, метамодель, искусственный интеллект, гибридное моделирование, предиктивная аналитика, нештатные си­туации, предотвращение аварий, симуляционное моделирование, нейронные сети, микросервисы.

Нефтегазовая отрасль характеризуется необходимостью обработ­ки и интеграции больших, разнородных потоков данных для повы­шения безопасности и оптимизации производственных процессов на всех этапах жизненного цикла технологического объекта – от проектирования до эксплуатации. Ключевой задачей здесь является преобразование этих данных в основу для принятия обоснованных инженерных решений. Концепция цифрового двойника стала эф­фективным инструментом для ее выполнения [5, 8]. На практике под этим термином понимают широкий спектр решений – от про­стых систем мониторинга до сложных аналитических платформ [5]. Отсутствие единого подхода к их проектированию приводит к фрагментарности, сложности интеграции и высокой стоимости владения многочисленными ИТ-системами, используемыми на всех этапах функционирования технологических объектов.

Существующие отраслевые стандарты, такие как WITSML (Wellsite Information Transfer Standard Markup Language), решают в первую очередь задачу унификации передачи данных, но не определяют целостную архитектуру цифрового двойника. Таким образом, остается открытым вопрос стандартизации его структуры, функций, целей и зависимостей компонентов.

Целью данной работы является представление формализованной и стандартизированной метамодели цифрового двойника, призван­ной стать единым машиночитаемым «контрактом» для всех фаз жизненного цикла технологического объекта, и демонстрация ее применения на примере одного из важнейших этапов – строительства нефтегазовых скважин.

Концепция метамодели цифрового двойника

Цифровой двойник – это динамическая виртуальная копия ре­ального объекта, которая с высокой точностью воспроизводит его текущее состояние и протекающие процессы в режиме реального времени [3]. Это достигается путем интеграции всей поступающей информации – от исторических данных до показаний датчиков в реальном времени – со сложными физико-математическими и нейросетевыми моделями. Такой подход позволяет двойнику не только отражать реальность, но и моделировать поведение скважины и поддерживать принятие решений на всех этапах ее жизненного цикла.

Основной проблемой при создании комплексного цифрового двой­ника является отсутствие единообразия. Данные поступают в разных форматах, программные интерфейсы несовместимы, что приводит к необходимости повторной интеграции разнородных систем для каждого нового проекта. Стоит отметить, что описанная проблема фрагментарности и предлагаемый метамодельный подход носят универсальный характер и в равной степени применимы к задаче построения цифровых двойников для других типов промышленных активов, а не только скважин.

Предлагаемая метамодель решает эту проблему, представляя со­бой формализованную структуру, которая задает правила описания жизненного цикла скважины, ее функций, стандартов данных и до­рожной карты развития. Такой подход гарантирует, что все компоненты системы «говорят на одном языке», что обеспечивает автоматическую валидацию и проверку логических зависимостей.

Принципы и структура метамодели

Метамодель основана на следующих ключевых принципах:

• каждая функция и сервис описываются как независимый, рас­ширяемый модуль;
• все сущности имеют четко определенные идентификаторы и описания для полной воспроизводимости;
• для всех ссылок используются единые справочники, такие как этапы жизненного цикла, типы функций и ключевые показатели эффективности (KPI);
• фиксируются как текущее состояние, так и планы по развитию возможностей цифрового двойника.

Структура метамодели в машиночитаемом формате (JSON/YAML) включает пять ключевых блоков:

1. Паспорт проекта – содержит общие сведения о цифровом двойнике.
2. Этапы жизненного цикла – определяет цели, входы, выходы и функции для каждой фазы процессов, связанных с объектом «Сква­жина» (проектирование, строительство, эксплуатация, ремонт и т. д.), обеспечивая непрерывность цифровой нити.
3. Нормативно-справочная информация (НСИ) – включает цен­трализованные классификаторы и KPI.
4. Инфраструктурные сервисы – приводится описание базовых компонентов для работы со стандартами данных, интеграции, безопасности и аналитики.
5. Дорожная карта – содержит план развития функций в соот­ветствии с их уровнем технологической готовности (Technology Readiness Level, TRL).

Гибридные подходы к моделированию

Для достижения максимальной точности и надежности прогнозов цифровой двойник может использовать различные методы модели­рования, часто комбинируя их [3].

Физико-математическое моделирование («белый ящик»)
Подход «Белый ящик» полностью основан на известных физиче­ских законах и фундаментальных уравнениях, например, таких как уравнения Навье–Стокса для гидравлики. Физические симуляторы работают как «продвинутый инженерный калькулятор», позволяя с высокой точностью рассчитывать оптимальные и безопасные пара­метры процессов. Они точны, но могут быть сложны в настройке и требовательны к качеству входных данных.

Модели на основе искусственного интеллекта («черный ящик»)
Модели машинного обучения и искусственного интеллекта, в частности, нейросети на основе архитектуры Transformer, выявляют сложные, нелинейные закономерности в больших массивах данных, не опираясь на явные физические формулы [6]. Они способны на­ходить скрытые аномалии и предсказывать события, которые сложно описать формально. Их недостатком является отсутствие прозрачной физической интерпретируемости.

Синергия подходов: Physics-Informed AI («серый ящик»)
Оптимальным решением является гибридный подход, сочетающий физические модели с ИИ, известный как Physics-Informed AI (ИИ, основанный на физике). В такой системе модели дополняют друг друга: ИИ предупреждает о риске, выявив аномальную сигнатуру в данных, а физический симулятор подкрепляет прогноз расчетом, предоставляя инженеру понятное и обоснованное объяснение. Это повышает доверие к системе и качество принимаемых решений.

Практический пример: этап бурения

Бурение – это этап с высокими рисками и затратами, где раннее предупреждение осложнений (прихваты инструмента, поглощения, газонефтеводопроявление (ГНВП)) выступает ключевым фактором для предотвращения аварийных ситуаций и минимизации непроиз­водительного времени (НПВ) [1, 5].

Традиционно контроль за признаками приближающихся осложне­ний выполняют инженеры, отслеживая показания датчиков в реаль­ном времени. Однако при одновременном сопровождении множества скважин специалисты физически не успевают внимательно следить за всеми параметрами, из-за чего критически важные закономерности могут быть упущены. Это подчеркивает актуальность разработки автоматизированных систем, способных анализировать большие массивы данных и выявлять предвестников аварийных ситуаций.

В рамках метамодели для этапа бурения система использует данные из стандартных отраслевых источников, таких как WITSML RT, OPC UA. Для обучения моделей ИИ используются данные гео­лого-технологических исследований (ГТИ), полученные с более чем 300 скважин. Перед использованием в модели все «сырые» данные проходят обязательный этап автоматической нормализации и очистки: они приводятся к единому формату, в них заполняются пропуски, а также устраняются грубый шум и выбросы. Например, единицы из­мерения приводятся к общим стандартам (давление в барах, нагрузка в тоннах-силе), а аномальные скачки датчиков отфильтровываются.

На основе этих подготовленных данных в рамках метамодели реализуется определенный набор функций, классифицированных по степени зрелости [3]:

• обязательные (TRL 7–9): базовая интеграция данных, визуали­зация, аварийные сигналы и отчетность;
• расширенные (TRL 5–7): физические модели для виртуальных датчиков (например, забойное давление, эквивалентная циркуляцион­ная плотность бурового раствора), оповещения о рисках, предиктивная аналитика осложнений и автоматическая классификация операций;
• перспективные (TRL 3–5): полностью автономный «автопилот» бурения, возможности дистанционного управления и системы сквоз­ного обучения на опыте других скважин.

Производительность этих функций измеряется с помощью специ­альных KPI, таких как точность модели (MAPE), качество прогнози­рования рисков (AUC) и задержка данных.

Интеграция симуляторов и ИИ-трансформеров

Для реализации расширенных функций цифрового двойника инте­грируются две технологии: симуляторы и искусственный интеллект [3].

Симуляторы бурения

Симуляторы действуют как ключевой компонент цифрового двой­ника. Гидродинамические симуляторы используются для оценки таких эффектов, как свабирование и поршневание при спуско-подъемных операциях (рис. 1–4). Модули численно решают уравнения нестацио­нарного течения бурового раствора, что позволяет инженерам заранее рассчитать перепады давления и скорректировать режим работы для предотвращения осложнений.

Рис. 1. Оптимизация режима СПО с учетом ECD

Рис. 2. Оптимизация ECD. Этот инструмент помогает найти оптимальную скорость проходки (ROP) и расход бурового раствора, чтобы избежать осложнений, вызванных повышением эквивалентной циркуляционной плотности (ECD) и превышением давления разрыва

Рис. 3. Режимы вытеснения. Цель этого инструмента – моделирование режима работы насосов, при котором в процессе вытеснения не возникает осложнений, а время выполнения операции оптимальное

Рис. 4. Суммарная площадь проходных сечений и насадки. Цель этого инструмента – рекомендовать оптимальный расход бурового раствора,
суммарную площадь проходных сечений и подобрать насадки для бурового долота

Примечание: вышеперечисленные инструменты позволяют до­полнительно решать оптимизационную задачу проведения техноло­гических операций при бурении нефтегазовых скважин.

Полученные из симулятора результаты интегрированы в систему: при выявлении моделью Transformer признаков нежелательных со­бытий, можно инициировать расчет, основанный на «физических» моделях. Инженеры на дашборде (панель индикатора) видят не только факт предупреждения от модели, но и количественную оценку – на­пример, расчетное давление. В другом режиме симулятор может применяться и профилактически: планируя подъем инструмента, инженер задает в интерфейсе сценарий (скорость, свойства раствора), и сервис рассчитывает ожидаемый перепад давления, позволяя скор­ректировать режим СПО заранее для предотвращения гидроразрыва. Таким образом, симуляторы выступают как цифровые двойники, дополняющие статистическую модель и повышающие доверие к ее рекомендациям за счет физической обоснованности.

ИИ-модели (трансформеры)

ИИ-модель на архитектуре Transformer была предварительно обучена на данных более чем с 300 скважин (общая продолжительность сигналов превысила 5000 часов). Процесс предобучения аналогичен тому, как обучаются большие языковые модели типа GPT: нейросеть учится прогнозировать «маскированные» (пропущенные) фрагменты временных рядов [9]. По сути, такой Transformer осваивает «язык» телеметрии скважины, улавливая общие закономерности и выявляя даже слабые аномальные сигналы.

Далее модель дообучается на размеченных данных для классифи­кации событий по четырем основным категориям:
0 – нормальное состояние;
1 – слабовыраженные признаки аномалии;
2 – четкий предвестник нештатной ситуации;
3 – наступившая нештатная ситуация.

Ключевой особенностью является механизм дообучения по поль­зовательским меткам. Если в процессе эксплуатации инженеры стал­киваются с новым, ранее не классифицированным типом события, они могут отметить его прямо на графиках в интерфейсе. Эти данные используются для быстрой адаптации модели. В течение нескольких часов версия обновляется в системе и начинает распознавать новый вид осложнений, что позволяет системе адаптироваться к специфике новых месторождений.

Для проведения такого обучения создан отдельный инструмент для специалистов по машинному обучению (ML) (рис. 5–9).

Рис. 5. Интерфейс главного окна. За основу взята модель Transformer, которая предобучена «бурению» на примерно 100 скважинах по данным ГТИ для базового «выучивания» зависимостей параметров (по времени и по глубине) друг от друга

Рис. 6. Загрузка размеченных данных в табличном виде. У предобученной модели фиксируются все слои, кроме финальных. Это позволяет адаптировать модель для распознавания новых заданных пользователем событий

Рис. 7. Выбор полученной модели для использования на нужном источнике данных


Рис. 8. Тестовый результат потокового распознавания. Модель фиксирует события переходных процессов для дальнейшего использования в алгоритмах распознавания. ранних признаков нештатных ситуаций. Feature_0 – вес на крюке, Feature_1 – положение крюка​, Feature_2 – давление на входе, Feature_3 – обороты ротора. 0 – Клинья «Открыты», 1 – Переходный процесс при постановке в клинья, 2 – Удержание на клиньях, 3 – Переходный процесс при снятии с клиньев


Рис. 9. Результат анализа исторических данных. Поддерживает табличный вид. Экспорт в базу данных/табличный формат файлов

Интеграция и экономический эффект

Истинная сила метамодели заключается в ее способности объеди­нять имеющиеся разнородные технологии в единую систему.

Такая комбинация, где управляемая данными модель дополняет­ся априорными знаниями о физических законах процесса, является перспективным направлением, известным как Physics-Informed AI (ИИ, основанный на физике).

Метамодель предоставляет стандартизированные форматы данных (WITSML, OPC UA), интерфейсы и рабочие процессы, которые по­зволяют симуляторам («белый ящик») и моделям ИИ («черный ящик») бесшовно работать вместе. Этот комплексный подход обеспечивает сокращение времени и стоимости строительства скважин до 10–12% за счет снижения аварийности и минимизации скрытых простоев.

Важно подчеркнуть, что внедрение подобной интеллектуальной системы не направлено на замену инженера, а фундаментально ме­няет его роль. Система берет на себя рутинную задачу непрерывного мониторинга и выявления скрытых закономерностей в данных, осво­бождая специалиста от необходимости постоянно отслеживать десятки параметров. В результате инженер превращается из наблюдателя, реагирующего на уже случившиеся события, в проактивного стратега. Вооружившись точными прогнозами ИИ-модели и расчетами симу­ляторов, он может принимать более обоснованные и своевременные решения, предотвращая серьезные осложнения до их возникновения.

Это достигается за счет современной микросервисной архитектуры, где интеграционная шина данных управляет обменом информацией между сервисами для расчетов, машинного обучения и централизо­ванного управления KPI [2].

Формализация метамодели предоставляет очевидные экономиче­ские и операционные преимущества. Она способствует снижению затрат (CAPEX и OPEX) за счет более эффективного бурения и со­кращения простоев. Стандартизация позволяет создавать модульные, повторно используемые решения и обеспечивает масштабируемость, благодаря чему проверенные подходы могут быть быстро растиражи­рованы на весь фонд скважин. Кроме того, машиночитаемые спецификации гарантируют воспроизводимость и возможность аудита каждого расчета, а сам подход способствует накоплению знаний, поскольку каждое усовершенствование становится частью коллек­тивного интеллекта платформы.

Заключение

Представленная в статье формализованная метамодель цифрово­го двойника является системным решением проблемы интеграции многочисленных информационных систем и потоков данных в нефтегазовой отрасли. Она переносит фокус с решения повторя­ющихся инфраструктурных задач на создание бизнес-ценности. Стандартизация архитектуры цифрового двойника позволяет пре­вратить интеграцию из основной проблемы в базовый функционал, освобождая ресурсы для разработки интеллектуальных систем.

Несмотря на то что практическая реализация рассмотрена на примере этапа строительства скважины, предложенная метамодель закладывает основу для создания цифровых двойников произволь­ных промышленных процессов и активов. Стандартизированный принцип описания архитектуры, функций, жизненного цикла и данных позволяет адаптировать данный подход к любым техно­логическим процессам, обеспечивая тем самым унификацию и масштабируемость решений для цифровой трансформации про­мышленности.

Дальнейшее развитие проекта включает расширение функцио­нальности за счет интеграции данных каротажа в процессе буре­ния (LWD/MWD), внедрение методов интерпретации прогнозов ИИ (SHAP, LIME) и публикацию открытой JSON-схемы для со­действия более широкому внедрению стандарта в отрасли. Такой комплексный подход позволит создать по-настоящему интеллек­туальную, масштабируемую и стандартизированную цифровую среду предприятия.

Литература

1.     Ерохин А.М., Кудрявцева У.Д., Шкарин Д.В. Распознавание ранних признаков нештатных ситуаций при строительстве нефтегазовых скважин // В книге: ФОРУМ СНИПИ. Сборник тезисов докладов научно-технического форума ООО «СамараНИПИнефть». Самара, 2021. С. 85-86.
2.     Ерохин А.М., Самохвалов Н.С., Венедиктов К.В. Использование глубоких нейронных сетей и микросервисной архитектуры для распознавания нештатных ситуаций при строительстве нефтяных скважин // НТВ «Каротажник». 2024. № 6 (332). С. 140-146.
3.     Ерохин А.М. Формализация и стандартизация метамодели цифрового двойника скважины для сквозного охвата всех этапов жизненного цикла // В сборнике «Комплексный инжиниринг в нефтегазодобыче: опыт, инновации, развитие». Материалы Седьмой международной научно-практической конференции. Самара, 2025. С. 1233-1251.
4.     Кемпф К.В., Шкарин Д.В., Ахметов М.Ф., Ерохин А.М., Кудрявцева У.Д. Устойчивое развитие отечественного нефтегазового сектора в концепции цифровизации // Нефть. Газ. Новации. 2021. № 8 (249). С. 57-61.
5.     Кемпф К.В., Шкарин Д.В., Тихонова Т.В., Воротникова Н.В., Дупелев А.А., Ерохин А.М. Цифровые двойники скважин. От мониторинга к эффективному управлению // НТВ «Каротажник». 2024. № 6 (332). С. 176-195.
6.     Klyuchnikov N., et al. Interpreting a black-box alarming system for forecasting drilling accidents and anomalies. Journal of Petroleum Science and Engineering, 2023.
7.     Noshi C.I., Schubert J.J. The Role of Machine Learning in Drilling Operations: A Review. Proceedings of SPE Annual Technical Conference and Exhibition, 2018.
8.     SPE 208778. Prediction of Stuck Pipe Incidents Using Models Powered by Deep Learning and Machine Learning. Proc. SPE/IADC Middle East Drilling Technology Conference, 2022.
9.     Zhou H., Zhang S., Peng J., et al. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Proceedings of AAAI, 2021.

Рецензенты доктор геол.-минер. наук, проф. Ю. И. Кузнецов,
канд. техн. наук, проф. М. Я. Гельфгат

Ко всем публикациям