ЖАСАНДЫ ИНТЕЛЛЕКТТІ ПАЙДАЛАНЫП МҰНАЙ ӨҢДЕУ ПРОЦЕСТЕРІН ОҢТАЙЛАНДЫРУ

Өнеркәсіптік автоматтандыру жүйелеріне жасанды интеллект (ЖИ) технологияларын енгізу тиімділікті арттыру, техникалық қызмет көрсетуді болжау және шығындарды азайту бойынша айтарлықтай жетістіктерге қол жеткізді. Бұл зерттеу мұнай өңдеу саласындағы ЖИ негізіндегі басқару жүйелерін қолдануға бағытталған, атап айтқанда процестің тиімділігін оңтайландыру, техникалық қызмет көрсету шығындарын азайту және жүйенің сенімділігін арттыру мәселелеріне назар аударылады. Дәстүрлі басқару әдістері алдын ала анықталған ережелерге және қолмен араласуға негізделсе, ЖИ нақты уақыттағы деректерді талдауға, болжау негізінде шешім қабылдауға және бейімделетін басқаруға мүмкіндік береді.

Біз тарихи өндірістік деректер негізінде оқытылған және модельдеу арқылы тексерілген машиналық оқыту модельдерін, соның ішінде жасанды нейрондық желілер мен градиентті бустинг алгоритмдерін қолдандық. Нәтижелерге сәйкес, ЖИ жүйелері техникалық қызмет көрсету шығындарын 30%-ға дейін төмендетіп, болжау дәлдігін 25%-ға арттырды және энергия тиімділігін 15%-ға жақсартты. Сонымен қатар, бұл жүйелер шикі мұнай құрамының өзгеруіне жоғары бейімділікті көрсетіп, өндірістің тұрақтылығын қамтамасыз етеді.

Зерттеуде модельдердің түсініктілігін арттыру мақсатында SHAP және LIME сияқты түсіндіретін ЖИ (XAI) әдістері пайдаланылды. Бұл тәсілдер қауіпсіздігі жоғары өндірістік процестерде ИИ шешімдеріне деген сенімді нығайтады.

Алайда ЖИ енгізудің бірқатар қиындықтары бар, мысалы, бастапқы инвестициялардың жоғары болуы, ескі жүйелермен интеграциялау және киберқауіптер. Зерттеу бұл мәселелерді шешу үшін кезең-кезеңмен енгізу, қауіпсіз архитектура құру және дәстүрлі әдістермен үйлестірілген гибридті басқару үлгілерін ұсынады.

Бұл жұмыс ЖИ-дің мұнай өңдеу саласын жаңғыртудағы әлеуетін көрсетіп, сенімді, түсінікті және үнемді автоматтандыру шешімдерін жасауға үлес қосады.

1. Smith J. AI in Industrial Automation: A New Era / J. Smith // Journal of Industrial Engineering. – 2021. – № 45(3). – Р. 120-134. https://doi.org/10.1016/j.jindeng.2021.03.005.

2. Brown K. Predictive Maintenance in Oil Refining / K. Brown, P. Williams // Automation Today. – 2020. – № 32(4). – Р. 45-60. https://www.automationtoday.org/articles/2020/predictivemaintenance-oil-refining.

3. Machine Learning for Process Optimization / T. Lee et al // International Journal of AI Research. – 2019. – № 14(2). – Р. 98-112. https://ijair.org/ml-process-optimization-2019.

4. Xu H. Energy Efficiency in Industrial Systems / H. Xu, L. Zhang // AI & Energy Journal. – 2022. – № 29(1). – Р. 50-65. https://www.ai-energyjournal.com/articles/2022/efficiency-industrial-ai.

5. Garcia R. Cybersecurity Challenges in AI-based Automation / R. Garcia // Security & Control. – 2021. – № 37(5). – Р. 88-102. https://securitycontrol.org/ai-cyber-risks-2021.

6. Neural Networks for Industrial Process Control / P. Sharma, et al // IEEE Transactions on AI Applications. – 2020. – № 18(6). – Р. 155-172. https://ieeexplore.ieee.org/document/AIINDPROC2020.

7. Johnson M. AI and Sustainable Energy Consumption / M. Johnson, R. Patel // GreenTech Journal. – 2018. – № 11(3). – Р. 77-91. https://greentechjournal.org/articles/2018/ai-energy.

8. White D. AI Integration in Oil & Gas Industry / D. White // Petroleum Automation Review. – 2023. – № 48(2). – Р. 102-118. https://www.petroleumautomationreview.com/issues/2023/ai-integration.

9. Ivanov A. Avtomatizaciya i II v neftepererabotke / A. Ivanov, B. Petrov // Rossijskij zhurnal promyshlennoj avtomatizacii. – 2019. – № 27(1). – Р. 25-40. https://rjpa.ru/issues/2019/ai-oilrefining. (In Russian).

10. Deep Learning in Process Automation / Y. Zhou // AI & Industry. – 2022. – № 39(4). – Р. 58-75. https://aiandindustry.org/articles/2022/deep-learning-automation.