شیدهوش

راهکار صنعتداده‌ی محرمانه

هوش مصنوعی در صنعت نفت، گاز و پتروشیمی

در نفت، گاز و پتروشیمی، گران‌ترین اتفاق توقف ناخواسته‌ی تجهیزات است و خطرناک‌ترینش خطای ایمنی. هوش مصنوعی در هر دو کمک می‌کند — به‌شرط اینکه هیچ مسیری از مدل به سامانه‌ی کنترل فرآیند باز نشود.

مسئله در این حوزه چه شکلی است

  1. ۱دانش عیب‌یابی تجهیزات دوار — پمپ، کمپرسور، توربین — در ذهن چند نفر باتجربه است و با بازنشستگی‌شان می‌رود.
  2. ۲دستورالعمل‌های ایمنی، مجوز کار و مستندات سازنده هزاران صفحه‌اند و در لحظه‌ی کار، پیداکردن بند درست دقیقه‌ها طول می‌کشد.
  3. ۳گزارش شیفت و تحویل شیفت دستی نوشته می‌شود و نکته‌ی مهم شیفت قبل گاهی به شیفت بعد نمی‌رسد.
  4. ۴داده‌ی فرآیند، مخزن و تأسیسات هم مزیت رقابتی است و هم در بسیاری از شرکت‌های دولتی طبقه‌بندی دارد.

کاربرد هوش مصنوعی در نفت، گاز و انرژی: نمونه‌های واقعی در شرکت‌های بزرگ دنیا

غول‌های انرژی سه مسیر را هم‌زمان رفته‌اند: یادگیری ماشین روی داده‌ی حسگر برای نگهداری پیش‌بینانه (شل)، مدل زبانی صنعتی آموزش‌دیده روی داده‌ی خود شرکت (آرامکو)، و ایجنت‌های هوش مصنوعی برای تحلیل زیرسطحی (ادنوک). مسیر اول به سال‌ها داده‌ی تمیز حسگر نیاز دارد و دومی به سرمایه‌گذاری بسیار بزرگ. برای شرکت ایرانی، نقطه‌ی شروع واقع‌بینانه کار دانشی است — جست‌وجو در مستندات و گزارش شیفت — روی مدل متن‌باز درون‌سازمانی، چون سکوهای این شرکت‌ها در ایران در دسترس نیستند.

  • شل

    Shell · C3 AI · ۲۰۲۶

    نگهداری پیش‌بینانه‌ی تجهیزات

    شل از ۲۰۱۸ با C3 AI بیش از ۱۳ هزار تجهیز — شیر کنترل، پمپ، کمپرسور — را با یادگیری ماشین پایش می‌کند. در ژوئن ۲۰۲۶ قرارداد گسترش یافت تا ایجنت‌های هوش مصنوعی علت ریشه‌ای خرابی را هم تحلیل کنند و اقدام اصلاحی پیشنهاد دهند.

    منبع: اطلاعیه‌ی C3 AI، ژوئن ۲۰۲۶ (در پنجره‌ی تازه باز می‌شود)

  • آرامکو

    Saudi Aramco · Metabrain · ۲۰۲۴

    مدل زبانی صنعتی روی داده‌ی خود شرکت

    آرامکو مدل مولد Metabrain را روی داده‌ی عملیاتی نزدیک به ۹۰ ساله‌ی خودش آموزش داد، برای تحلیل برنامه‌ی حفاری و داده‌ی زمین‌شناسی و پیشنهاد گزینه‌ی چاه. گزارش‌ها درباره‌ی اندازه‌ی مدل با هم نمی‌خوانند؛ آنچه روشن است، اتکای کامل به داده‌ی داخلی است.

    منبع: Offshore Technology، مارس ۲۰۲۴ (در پنجره‌ی تازه باز می‌شود)

  • ادنوک، با AIQ

    ADNOC · ENERGYai · ۲۰۲۵

    ایجنت‌های هوش مصنوعی برای تحلیل زیرسطحی

    ادنوک قراردادی سه‌ساله برای استقرار ENERGYai در همه‌ی دارایی‌های بالادستی‌اش — بیش از ۲۸ میدان تولیدی — بست؛ نسخه‌ی اول با پنج ایجنت برای کارهای کلیدی زیرسطحی تعریف شد.

    منبع: خبرگزاری امارات (WAM)، مارس ۲۰۲۵ (در پنجره‌ی تازه باز می‌شود)

  • بهره‌بردار شبکه‌ی برق کالیفرنیا

    CAISO · OATI · ۲۰۲۵

    مدیریت خاموشی در شبکه‌ی برق (پایلوت)

    بهره‌بردار شبکه‌ی برق کالیفرنیا هوش مصنوعی مولد را در فرایند مدیریت خاموشی آزمود — به گفته‌ی سازنده، اولین بار در یک بهره‌بردار شبکه‌ی آمریکا. پیشنهاد با مدل است، تأیید با اپراتور.

    منبع: Enlit (در پنجره‌ی تازه باز می‌شود)


از کجا شروع کنیم: سه کار قابل خودکارسازی

نقطه‌ی شروع امن برای سازمانی در ایران، به‌ترتیب اولویت.

  1. ۱

    جست‌وجو در دستورالعمل‌های ایمنی و مستندات تجهیزات

    تکنسین یا مهندس ایمنی سؤالش را می‌پرسد و پاسخ با ارجاع به بند دقیق دستورالعمل یا دفترچه‌ی سازنده می‌آید. اگر بندی پیدا نشود، سامانه می‌گوید «پیدا نشد» و حدس نمی‌زند — در ایمنی، پاسخ ساختگی از نبود پاسخ خطرناک‌تر است.

  2. ۲

    خلاصه‌ی گزارش شیفت و تحویل شیفت

    گزارش‌های شیفت به خلاصه‌ی ساختاریافته‌ی تحویل شیفت تبدیل می‌شوند: تجهیز در تعمیر، هشدار باز، کار نیمه‌تمام. هر نکته به سطر گزارش اصلی ارجاع دارد تا سرپرست شیفت بعد بتواند منبع را ببیند.

  3. ۳

    تحلیل گزارش‌های رخداد و شبه‌حادثه

    گزارش‌های رخداد و شبه‌حادثه‌ی سال‌های گذشته دسته‌بندی و الگویابی می‌شوند: کدام تجهیز، کدام شیفت، کدام نوع کار. خروجی ورودی کمیته‌ی ایمنی است، نه حکم درباره‌ی مقصر.

داده و معماری

داده‌ای که هرگز نباید بیرون برود

  • داده‌ی مخزن، لرزه‌نگاری و نمودار چاه
  • پارامترهای فرآیند پالایش و پتروشیمی و تنظیمات واحد
  • نقشه‌ی تأسیسات و نمودار لوله‌کشی و ابزار دقیق (P&ID)
  • داده‌ی سامانه‌های کنترل صنعتی (DCS و SCADA)
  • قراردادها، قیمت خوراک و فروش محصول

معماری استقرار متناسب

درون‌سازمانی

درون‌سازمانی، با جدایی کامل از شبکه‌ی کنترل صنعتی. مدل فقط به نسخه‌ی فقط‌خواندنی داده دسترسی دارد و هیچ مسیری برای نوشتن در DCS یا SCADA ندارد — این جدایی در معماری شبکه اعمال می‌شود، نه در پرامپت. در شرکت‌های دولتی که اسناد طبقه‌بندی دارند، همان قاعده‌ی سازمان‌های دولتی برقرار است: ایزوله و بدون خروج به اینترنت.

ریسک‌های OWASP LLM مرتبط

  • LLM06اختیار بیش از حد

    ایجنتی که بتواند فرمانی به سامانه‌ی کنترل بفرستد یا وضعیت مجوز کار را عوض کند، ریسک ایمنی فرآیند می‌سازد. در این حوزه مدل پیشنهاد می‌دهد، انسان اجرا می‌کند.

  • LLM09اطلاعات نادرست

    دستورالعمل ایمنی ساختگی یا بند اشتباه از دفترچه‌ی سازنده می‌تواند به حادثه برسد. پاسخ بدون ارجاع پذیرفته نیست.

  • LLM08ضعف بردار و بازیابی

    نسخه‌ی قدیمی و جدید یک دستورالعمل کنار هم در مخزن، یعنی پاسخ از نسخه‌ی منسوخ. مدیریت نسخه بخشی از کار است.

معیار پذیرش و محدودیت‌ها

نمونه‌ی معیار پذیرش

روی ۲۰۰ پرسش واقعی تکنسین‌ها و مهندسان ایمنی، پاسخ‌ها با ارجاع به بند درست و نسخه‌ی جاری دستورالعمل به نرخ توافق‌شده برسند؛ صفر پاسخ بدون ارجاع؛ و در آزمون معماری، صفر مسیر نوشتن از سامانه‌ی هوش مصنوعی به شبکه‌ی کنترل صنعتی.

عدد دقیق در گفت‌وگو با شما و بر اساس وضعیت فعلی کارتان تعیین می‌شود. عددی که بدون شناخت کار شما نوشته شود، تبلیغ است نه معیار.

محدودیت‌ها: چه چیزی هنوز حل نشده

  • نگهداری پیش‌بینانه به تاریخچه‌ی پیوسته و تمیز داده‌ی حسگر نیاز دارد. اگر بانک داده‌ی فرآیند شکاف دارد یا خرابی‌ها در آن برچسب نخورده‌اند، با جست‌وجو در مستندات شروع کنید و داده را هم‌زمان آماده کنید.
  • سکوهایی که شل، آرامکو و ادنوک به کار برده‌اند در ایران در دسترس نیستند. معادل عملی، مدل‌های متن‌باز روی سخت‌افزار داخلی است و ظرفیت سخت‌افزار باید پیش از شروع سنجیده شود.
  • این راهکار جای مهندس ایمنی فرآیند و مطالعه‌ی HAZOP را نمی‌گیرد؛ ابزار کمکی همان تیم است.

پرسش و پاسخ

شرکت‌های بزرگ نفت و گاز دنیا از هوش مصنوعی چطور استفاده می‌کنند؟

شل بیش از ۱۳ هزار تجهیز را با یادگیری ماشین برای نگهداری پیش‌بینانه پایش می‌کند، آرامکو مدل زبانی صنعتی Metabrain را روی داده‌ی عملیاتی خودش ساخته، و ادنوک ایجنت‌های هوش مصنوعی را در تحلیل زیرسطحی بیش از ۲۸ میدان به کار گرفته است. در هر سه، داده‌ی عملیاتی درون شرکت مانده است.

آیا هوش مصنوعی می‌تواند مستقیم به سامانه‌ی کنترل فرآیند وصل شود؟

برای شروع، نه. مدل فقط داده را می‌خواند و پیشنهاد می‌دهد؛ اجرای هر تغییر در DCS یا SCADA با اپراتور است. نمونه‌های اعلام‌شده‌ی شل و ادنوک هم در لایه‌ی تحلیل و پیشنهادند — علت‌یابی خرابی و تحلیل زیرسطحی — نه کنترل مستقیم فرآیند.

از نگهداری پیش‌بینانه شروع کنیم یا از مستندات؟

اگر سال‌ها داده‌ی حسگر با برچسب خرابی دارید، نگهداری پیش‌بینانه بازده بزرگ‌تری دارد. اگر ندارید — که در بیشتر واحدها همین است — از جست‌وجو در مستندات و گزارش شیفت شروع کنید؛ در چند هفته نتیجه می‌دهد و هم‌زمان می‌شود داده‌ی حسگر را برای مرحله‌ی بعد آماده کرد.

برای صنعت برق هم کاربرد دارد؟

بله، با همان منطق: جست‌وجو در دستورالعمل‌های بهره‌برداری، خلاصه‌ی گزارش رخداد شبکه و تحلیل خاموشی‌ها. بهره‌بردار شبکه‌ی برق کالیفرنیا هم کار را از مدیریت خاموشی شروع کرده، با تأیید اپراتور روی هر پیشنهاد.

اسناد ما طبقه‌بندی دارند؛ باز هم ممکن است؟

بله، با معماری ایزوله و بدون خروج به اینترنت، همان که برای سازمان‌های دولتی پیشنهاد می‌شود. پیش از شروع، طبقه‌بندی اسناد با حراست مشخص می‌شود و فقط اسنادی وارد مخزن می‌شوند که در سطح مجاز سامانه‌اند.

نفت، گاز و انرژی: از کجا شروع کنیم؟

یک جلسه‌ی نیم‌ساعته کافی است تا بفهمیم کدام از این سه کار برای شما اولویت دارد و اولین گام مشخصتان چیست.

اگر این خدمات مناسب شما نباشد، صریحاً به شما می‌گویم.