Prognozowanie wydajności spalania w zakładach naftowych i gazowych z wykorzystaniem zintegrowanych modeli sieci neuronowych i analityki czujników w SAP S4HANA

Dlaczego inteligentniejsze spalanie ma znaczenie

Zakłady naftowe i gazowe spalają codziennie ogromne ilości paliwa, aby wytwarzać ciepło i parę. Nawet niewielkie poprawy w tym, jak czysto i wydajnie paliwo się spala, mogą zaoszczędzić firmom miliony dolarów i jednocześnie zmniejszyć emisje przyczyniające się do ocieplenia klimatu. Mimo to operatorzy wciąż w dużym stopniu polegają na stałych regułach i opóźnionych alarmach, aby kontrolować piece i kotły. Artykuł bada, jak połączenie nowoczesnych czujników, oprogramowania korporacyjnego takiego jak SAP S/4HANA i zaawansowanych sieci neuronowych może przekształcić systemy spalania w inteligentne, samowiedzące maszyny, które nieustannie przewidują i zapobiegają problemom, zanim zmarnują paliwo lub przekroczą limity zanieczyszczeń.

Od sztywnych reguł do systemów uczących się

Tradycyjna kontrola spalania w rafineriach i zakładach gazowych opiera się na statycznych formułach i zestawach reguł: jeśli tlen lub tlenek węgla (CO) przekroczą próg, uruchamiane są alarmy, a operatorzy reagują. Te reguły mają trudności z radzeniem sobie z chaotyczną rzeczywistością instalacji przemysłowych, gdzie jakość paliwa, starzenie się sprzętu i zmienne obciążenia sprawiają, że zachowanie procesu spalania jest wysoce nieliniowe. Badanie wskazuje, że to rozbieżność prowadzi do wyższego zużycia paliwa, większych kosztów utrzymania i większego ryzyka niezgodności z zaostrzającymi się przepisami emisyjnymi, takimi jak standardy MARPOL i IMO. Zamiast traktować każdy alarm jako odosobniony incydent, autorzy proponują postrzegać spalanie jako ciągle ewoluujący wzorzec, z którego można uczyć się na podstawie bogatych strumieni danych z czujników.

Łączenie czujników zakładu z korporacyjnymi mózgami

Nowoczesne zakłady już przesyłają dane ze setek czujników, które monitorują poziomy tlenu, temperaturę spalin, przepływ paliwa i powietrza, ciśnienie pary oraz emisje z komina. Systemy korporacyjne, takie jak SAP S/4HANA, zbierają te sygnały do planowania konserwacji i raportowania regulacyjnego, ale rzadko wykorzystują je do prognozowania w czasie rzeczywistym. W pracy tej silnik prognostyczny AI jest podłączany bezpośrednio do warstwy enterprise. Za pomocą bramek przemysłowych SAP dane z ponad 70 czujników na zakład są czyszczone, odszumiane i synchronizowane w krótkich oknach czasowych, a następnie przechowywane w bazie danych in‑memory. Ta sama architektura może działać nad Oracle, Siemens Mindsphere lub podobnymi platformami, co sprawia, że podejście jest w dużej mierze niezależne od dostawcy.

Jak sieć neuronowa uczy się prognozować ogień

Rdzeniem systemu jest hybrydowa sieć neuronowa łącząca dwie mocne strony: warstwy gęste do uchwycenia zależności między zmiennymi w danym momencie oraz znormalizowane jednostki rekurencyjne (GRU) do śledzenia, jak te zmienne zmieniają się w czasie. Trenowana na 6,5 milionach próbek z czujników z trzech różnych zakładów, model uczy się przewidywać trzy kluczowe wyniki z dziesięciominutowym wyprzedzeniem: wydajność spalania, emisje CO i wskaźnik zużycia paliwa łączący przepływ paliwa z użyteczną produkcją pary. Ujęcie problemu jako prognozowania krótkoterminowego zamiast prostego monitorowania daje operatorom cenny zapas czasu na regulację palników, przepustnic lub mieszanek paliwowych, zanim wydajność spadnie lub limity emisji zostaną przekroczone.

Wiarygodne prognozy, szybsze alerty, czystsze kominy

W testach przeprowadzonych w trzech zakładach i dodatkowych symulacjach model hybrydowy przewyższył standardowe narzędzia, takie jak regresja liniowa, lasy losowe, a nawet prostsze sieci rekurencyjne. Błędy prognoz dotyczące wydajności utrzymywały się w granicach około dwóch punktów procentowych, z wysokim poziomem ufności statystycznej i niską zmiennością w czasie. System działał ze średnim czasem reakcji rzędu jednej dziesiątej sekundy i dostępnością 99,7%, co czyni go odpowiednim do pracy w pomieszczeniach kontrolnych w trybie online. Co kluczowe, wbudowano metody wyjaśnialnej sztucznej inteligencji: model potrafi wskazać, które czujniki — zazwyczaj temperatura spalin, przepływ paliwa i tlen — najbardziej wpłynęły na daną prognozę. Ta przejrzystość pomogła inżynierom odróżnić rzeczywiste problemy procesowe od wadliwych przyrządów i zwiększyła zaufanie do zaleceń AI.

Co to znaczy dla energii, kosztów i emisji

Dla typowego kotła przemysłowego nawet 2–5% poprawa wydajności spalania przekłada się na istotne roczne oszczędności paliwa i bezpośrednie zmniejszenie emisji dwutlenku węgla oraz innych zanieczyszczeń. Badanie raportuje średnie wzrosty wydajności na poziomie około 1,7% we wczesnych wdrożeniach — wystarczające, by koszty integracji zwróciły się w ciągu kilku miesięcy dzięki niższym rachunkom za paliwo, mniejszej liczbie nieplanowanych postojów i zmniejszonym karom regulacyjnym. Ponieważ warstwa AI funkcjonuje wewnątrz istniejącego środowiska ERP, wzmacnia również ścieżki audytu i raportowanie zrównoważonego rozwoju. Patrząc w przyszłość, autorzy przewidują dodanie agentów uczących się przez wzmacnianie, które nie tylko przewidują, lecz także automatycznie dostrajają ustawienia palników, oraz lekkich wersji działających na krawędzi, które mogą działać w odległych lokalizacjach. Razem te kroki wskazują na zakłady przemysłowe, w których spalanie jest ciągle optymalizowane — oszczędzając pieniądze, poprawiając bezpieczeństwo i zmniejszając ślad środowiskowy energii, na której polegamy każdego dnia.

Cytowanie: Keshireddy, S.R., Jamithireddy, N.H., Jamithireddy, N.S. et al. Combustion performance prediction in oil and gas plants using integrated neural network models and SAP S4HANA sensor analytics. Sci Rep 16, 5069 (2026). https://doi.org/10.1038/s41598-026-35364-1

Słowa kluczowe: przemysłowa sztuczna inteligencja, wydajność spalania, zakłady naftowe i gazowe, analityka czujników, SAP S4HANA