石油和天然气(简称“油气”)是典型的过程行业,具有资产密集的特点,因此,资产的监测和可视化需求和要求都比较高。相关统计数据显示,油气和化工产业每年花费10亿美元在仿真和优化软件上,它较早采用了数字模型监测的方法。随着以几何模型为基础的数字孪生体技术的普及和应用,它得到了油气行业的青睐,迅速被引入到各个应用场景中,包括管网规划和建设、油气勘探、石化冶炼等,获得了引人瞩目的效果,反过来进一步加快了数字孪生体在油气行业的普及。

2020年7月25日,在由中国工业互联网研究院主办、数字孪生体联盟承办的“数字孪生体的中国实践”研讨会上,来自中国石油管道公司科技研究中心的专家薛向东分享了《油气管道的数字孪生体规划及设计》。

中国石油管道公司科技研究中心针对数字孪生体的应用,提出了“数字孪生体是国家管网智能化转型的新抓手”。为了实现这个目标,项目团队相继完成了《管道数字孪生体构建技术研究》《管道数字孪生体全生命周期运行管理技术研究》和《管道数字孪生体应用技术研究》等课题,有效支撑了管道数字孪生体战略的实现。

利用数字孪生体技术,针对线路、流体、站场和环境四个部分,在数字孪生体平台上进行数据分析和模拟,将结果推送给各个应用场景,从而通过数字孪生体平台提供了统一数据(包括模型、知识和结果)的共享,达到场景关联的目的。例如,天然气长输管道数字孪生化,可以及时发现相关泄露行为,能够提供泄露后果分析、应急决策等建议,实现其应有的效果。油气管网的数字孪生体应用见表

薛向东表示,数字孪生体对提高油气行业的管理水平具有重要意义,可以促进油气管道管理模式由精细化向精准化、智能化方向转变。由于数字孪生体产业链还不完整,数据积累、模型积累和软件开发等方面还有不少短板,数字孪生体的建设不可能一蹴而就,还需要探索新的发展模式。

对于油气行业的数字孪生体应用,不少学者和咨询公司对此非常关注。IEEE 2020年刊登了一篇长达23页关于油气数字孪生体的文章,对数字孪生体研究趋势、机遇和挑战做了详细分析;波士顿咨询公司不少高价值的客户均来自油气领域,2020年,它发布了《油气数字孪生体创造价值之道》一文,强调了数字孪生体平台的价值,其中对英国石油推进数字孪生体战略的情况做了分析。

油气行业对资产价值的重视程度非常高,通过数字孪生化手段,能够提高资产生产率、可靠性和性能。利用数字孪生体带来的虚拟特性,可以让工程师远程对钻孔和提炼等进行分析,提前对即将实施的工程进行判定。更重要的是,数字孪生体能提前发现设备故障或性能劣化,从而让工程师对故障的反应和响应转为主动,避免更大的损失发生。

据油气行业专家估计,一般冶炼厂采用1000个数字孪生模型,这些模型包括流程、资产、控制和优化等,利用大数据分析手段,能够实现特种化学品调度、消除瓶颈、降低生产风险和减少排放等效果。如果进一步采用深度学习等人工智能技术,则可以加强数据自动化水平,提高油气企业从数字孪生体获得的商业价值。

一家美国炼油企业在数字孪生体平台上引入深度学习,不仅增加了炼油厂的正常运行时间和利润,还大幅节省了成本;阿布扎比国家石油公司建立了数字孪生资产体系,仅仅凭借初级数字孪生化,就大大降低了运行的复杂度;阿尔伯塔油田的服务供应商使用数字孪生体平台,有效控制了合规成本,降低了违规罚金额度;迈图化工则借助数字孪生体技术,建立了数字孪生供应链,提高了订单履行的成功率,优化了资金运转的效率;巴拉特石油公司利用数字孪生体平台对硫回收进行分析和优化,据称在6个月内减少了90%的硫排放,出售回收的硫也产生了较可观的经济效益。

英国石油高级数字副总裁艾哈迈德·哈希米(Ahmed Hashmi)对数字孪生体做过合理的评价,“一旦我们的石油工程师相信物理资产的数字孪生化效果,使用数字孪生体来计划和管理资产,以保证尽可能高效的运行……这一切都可以在办公室进行安全的操作,这尤其重要,因为很多石油设备经常被雪覆盖。”

在英国石油的官方网站上有一篇名为《在石油行业创造数字思路》(Creating a digital mindset in the oil industry)的文章,强调要全面采纳数字孪生体等新一代数字技术,成为行业数字孪生体应用的领头羊。无论是在新的油田或运行已有的油气生产平台,英国石油都要求全面建立数字孪生基础设施。

为了提高核心竞争力,英国石油2014年就启动了数字化转型战略。当时其主要工作是建立数据湖(Data Lake),以便实现大数据分析。到2016年,英国开始部署传感器,以便采集实时的数据,当时部署了1.7万个传感标签,不过后来发现应用效果不太好。经过分析,英国石油发现缺少数字孪生体平台是根本原因,因为要平衡数据分享和安全的要求,没有技术平台的支撑是不可能的。

对于衡量数字孪生体项目部署成功的标准,英国石油提出了三项指标。

(1)业务提升。

包括工厂的可用性和可靠性,以及生产能力的提升。建立绩效的基准非常重要,通过项目实施后的测量,可以做出评价。

(2)开发和部署的速度。

利用定量指标去评价。

(3)最终用户的反馈。

包括定性和定量的评价,可以通过在线问卷或常态参与讨论的方式来获得反馈。

对比数字孪生体项目实施前后的效果,以往通常需要4~6周才能完成的任务,现在有了数字孪生体平台,可以在3天时间内完成。这样的结果大大提振了管理层的信心,英国石油要求全面推进数字孪生体战略,力求成为全球第一个建立全面数字孪生体的石油企业。

英国石油对探索数字孪生体应用做了总结,它提出:

(1)虽然没有必要改变核心信息系统,但如果考虑未来需要,还是要建立现代架构的数字孪生基础设施;

(2)数据湖是开始而不是结果,它自身不能解决任何问题;

(3)应该建立设备级的数字孪生体,而不是针对每个应用建立一个案例;

(4)鼓励数据拥有者创建和维护数字孪生模型,以释放数据的价值;

(5)应该尽量从新的供应商学习数字孪生体技术,不能只依赖传统的合作方。

这与笔者提出的数字孪生化、数字线程和数字孪生体平台三大技术体系是一致的。如果不建立数字孪生基础设施就贸然开始应用,大部分时候只是实现了可视化,并不能建立持续改进的数字孪生体,反而不能发挥其价值潜力。

前面提及的中国石油和英国石油都是油气领域的领先企业,它们在数字孪生体领域的探索具有典型意义。正如不少专家分析的那样,数字孪生体应用主要有两个挑战:一是分离的数据如何聚合到一起的问题;二是高昂的仿真解决方案成本问题。中国石油和英国石油在各种场合都提到了这个问题,特别是英国石油强调引入数字孪生体技术创业企业,而不是采用传统仿真企业提供的解决方案,正是考虑到仿真解决方案的成本过高。

其实逻辑很简单,既然油气企业引入数字孪生体的目的是为了获得更好的数据应用,而不是为了实现设备或系统的仿真。考虑数字孪生化不同等级的应用需求,建立一套新的数据驱动体系,才是降低成本和解决企业发展中挑战的正确做法。

如果只是需要获得设备故障信息,则完全不需要仿真的效果,只需要在粗糙的几何模型上做简单的告警即可,这样就可以把花费在仿真软件上的大笔投资用到更能创造价值的地方。所谓几何模型的构建,不正是数字孪生化第一等级的要求吗?它甚至不需要实现数据描述,即便需要描述,也只是一些简单的信号式呈现。


本文转载自CSDN     原文链接:https://blog.csdn.net/leva345/article/details/133133461

若想了解更多有关油气行业大模型,赋能油气行业领域发展,可查看油气通GPT云平台,链相关接: https://cn.oilgasgpts.com/ ,也可使用手机扫描下方二位码进行查看。