Прогнозирование работы горения на нефтегазовых предприятиях с помощью интегрированных нейронных сетей и аналитики датчиков в SAP S4HANA

Почему важно умное горение

На нефтегазовых предприятиях ежедневно сжигают огромное количество топлива для производства тепла и пара. Небольшие улучшения в том, насколько чисто и эффективно это топливо сгорает, могут сэкономить компаниям миллионы долларов и одновременно сократить парниковые выбросы. Тем не менее операторы по‑прежнему во многом полагаются на фиксированные правила и отложенные аварийные сигналы для контроля печей и котлов. В статье рассматривается, как сочетание современных сенсоров, корпоративного ПО вроде SAP S/4HANA и продвинутых нейронных сетей может превратить системы горения в «умные», самосознающие машины, которые постоянно прогнозируют и предотвращают проблемы до того, как они приведут к потере топлива или превышению нормативов по выбросам.

От жёстких правил к обучающимся системам

Традиционное управление горением на НПЗ и газоперерабатывающих заводах опирается на статические формулы и наборы правил: если кислород или угарный газ (CO) превышают порог, срабатывают сигналы, и операторы вмешиваются. Эти правила плохо справляются с реальной сложностью промышленных установок, где качество топлива, износ оборудования и изменяющиеся нагрузки делают поведение горения сильно нелинейным. Авторы утверждают, что такое несоответствие приводит к большему расходу топлива, увеличению обслуживания и повышенному риску нарушения ужесточающихся норм по выбросам, таких как требования MARPOL и IMO. Вместо того чтобы рассматривать каждую тревогу как отдельный случай, предлагается смотреть на процесс горения как на непрерывно эволюционирующий паттерн, которому можно обучаться по богатым потокам данных с датчиков.

Связывание сенсоров завода с корпоративным «мозгом»

Современные предприятия уже передают данные со сотен датчиков, отслеживающих уровень кислорода, температуру дымовых газов, расход топлива и воздуха, давление пара и выбросы в трубе. Корпоративные системы, такие как SAP S/4HANA, собирают эти сигналы для планирования обслуживания и регулятивной отчетности, но редко используют их для прогнозирования в реальном времени. В данной работе движок ИИ для прогнозирования напрямую интегрируется в этот корпоративный слой. С помощью промышленных шлюзов SAP данные более чем с 70 датчиков на завод очищаются, устраняется шум и синхронизируются в коротких временных окнах, после чего сохраняются в базе данных в оперативной памяти. Та же архитектура может быть реализована поверх Oracle, Siemens Mindsphere или подобных платформ, что делает подход в значительной степени независимым от вендора.

Как нейронная сеть учится предсказывать «огонь»

Ядро системы — гибридная нейронная сеть, сочетающая два сильных подхода: плотные (dense) слои для захвата взаимосвязей между переменными в данный момент и управляемые рекуррентные блоки (GRU) для отслеживания изменений этих переменных во времени. Обученная на 6,5 миллионах образцов с датчиков из трёх разных объектов, модель научилась предсказывать три ключевых показателя с горизонтом в десять минут: эффективность горения, выбросы CO и индекс расхода топлива, связывающий подачу топлива с полезным выходом пара. Рассматривая задачу как краткосрочное прогнозирование, а не простое мониторирование, ИИ даёт операторам ценное преимущество во времени для корректировки горелок, заслонок или состава топлива до того, как эффективность упадёт или будут превышены пределы по выбросам.

Надёжные прогнозы, более быстрые оповещения, чище трубы

В тестах на трёх заводах и в дополнительных симуляциях гибридная модель превзошла стандартные инструменты, такие как линейная регрессия, случайные леса и даже более простые рекуррентные сети. Ошибки прогнозов по эффективности оставались в пределах примерно двух процентных пунктов, при высокой статистической уверенности и низкой изменчивости во времени. Система работала со средней задержкой примерно в десятую долю секунды и с доступностью 99,7%, что подходит для использования в режиме реального времени в диспетчерских. Важно, что в неё встроены методы объяснимого ИИ: модель может указывать, какие датчики — как правило, температура дымовых газов, расход топлива и кислород — оказали наибольшее влияние на конкретный прогноз. Такая прозрачность помогла инженерам отличать реальные технологические проблемы от неисправных приборов и повысила доверие к рекомендациям ИИ.

Что это даёт в плане энергии, затрат и выбросов

Для типичного промышленного котла даже повышение эффективности горения на 2–5% означает значительную ежегодную экономию топлива и прямое сокращение выбросов CO2 и других загрязнителей. В исследовании сообщается о средних приростах эффективности около 1,7% на ранних внедрениях, что достаточно для окупаемости затрат на интеграцию в течение нескольких месяцев за счёт снижения счетов за топливо, уменьшения числа незапланированных остановок и сокращения штрафов по регулятивным требованиям. Поскольку слой ИИ располагается внутри существующей ERP‑среды, это также укрепляет аудиторские следы и отчётность по устойчивому развитию. В перспективе авторы видят добавление агентов с обучением с подкреплением, которые не только прогнозируют, но и автоматически тонко настраивают параметры горелок, а также облегчённые версии для edge‑устройств, которые можно запускать в удалённых точках. В совокупности эти шаги указывают на будущее, где горение на промышленных установках постоянно оптимизируется — экономя деньги, повышая безопасность и уменьшая экологический след энергии, на которой мы полагаемся каждый день.

Цитирование: 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

Ключевые слова: промышленный ИИ, эффективность горения, нефтегазовые предприятия, аналитика датчиков, SAP S4HANA