جعبه ابزار هوش مصنوعی در خدمت حل مسائل حوزه پخش فرآورده های نفتی

محسن مولایی نسب

مدیرعامل زنجیره تامین هوشمند انرژی/یونش www.yonesh.com

هوش مصنوعی یکی از ابزارهای مهم و کاربردی این روزهاست .روندهای استفاده از این ابزار نشان میدهد که کاربرد های آن به سرعت در حال گسترش است . حوزه هایی که با تصمیم گیری و شرایط ناپایدار و عدم اطمینان بالا مواجه هستند یکی از مهمترین متقاضیان هوش مصنوعی میباشند. هرچه پیچیدگی شرایط بیشتر میشود نیاز به هوش مصنوعی افزایش می یابد.

در ایران به طور متوسط روزانه ۹۵ میلیون لیتر بنزین در خودروهای شخصی و حدود ۴۷ میلیون لیتر گازوئیل در صنعت حمل و نقل مصرف میشود که این امر بزرگی عملیات توزیع و سطح وسیع و بالای تصمیم گیری در خصوص نحوه اجرای این عملیات را نشان میدهد. استفاده از ابزارهای مختلف هوش مصنوعی میتواند در اتخاذ تصمیم های بهینه موثر باشد.در این نوشته سعی میکنیم تا به بعضی کاربرد های ابزارهای مختلف هوش مصنوعی اشاره کنیم .

یادگیری ماشین

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی است که به مطالعه و ساخت سیستم‌هایی با قابلیت یادگیری از داده‌ها می‌پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می‌توان یک سیستم مدیریت پخش و توزیع فرآوردههای نفتی را آموزش داد تا درخواست های تقلبی یا خارج از عرف سوخت در کشور را از درخواست های سالم و مبتنی بر ساختار مصرف هر منطقه نفتی تشخیص دهد. این سیستم پس از یادگیری می‌تواند به دسته‌بندی درخواست ها و درخواست دهنده ها به موارد سالم و مشکوک بپردازد.
مساله اصلی در یادگیری ماشین، عرضه و کلی‌سازی است. عرضه نمونه‌های داده‌ای و توابعی که بر اساس این نمونه‌ها ارزیابی می‌شوند، همگی بخشی از سیستم‌های یادگیری ماشین هستند. کلی‌سازی به معنی این قابلیت است که سیستم روی نمونه‌های داده‌ای نادیده نیز به خوبی عمل خواهد کرد. با توجه به حجم داده های موجود در شرکت ملی پخش فرآورده های نفتی کشور میتوان به خوبی این آموزش ها را صورت داد.

انواع گسترده ای از فعالیت‌ها و کاربردهای موفق یادگیری ماشین وجود دارد. تشخیص نمونه سوخت های قاچاق شده بر اساس نمونه ها و داده های قبلی ،تشخیص روند متقلبانه و قاچاق و عرضه خارج از شبکه بر اساس روندها و داده ها نمونه هایی از کاربرد این ابزار در حوزه فرآورده ها ی نفتی است .

بینایی ماشین

بینایی ماشین (Machine Vision) فناوری و روش‌های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است. حوزه بینایی ماشین بسیار گسترده است. کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روبات‌های صنعتی است، همچنین برخی کاربردهای رایج بینایی ماشین در تضمین کیفیت، دسته‌بندی، کار با مواد، هدایت روبات‌ها و اندازه‌گیری نوری است.

اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام می‌شود و باید وضوح مورد نیاز در پردازش‌های بعدی در طراحی آن لحاظ شده باشد. سپس بسته نرم‌افزاری بینایی ماشین از تکنیک‌های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج‌شده تصمیم‌گیری (معمولا تایید/رد) می‌کند.

این ابزار میتواند در بازرسی خودکار ناوگان حمل و نقل و تجهیزات تولید و بارگیری ،سیستم های اتوماتیک بارگیری و تخلیه ایمن بدون حضور نیروی انسانی ،کنترل کیفی فرآورده ،بلندینگ و تولید فرآورده ،اندازه گیری نوری سطح فرآورده در مخازن و اندازه گیری های کنترل کیفی به کار گرفته شود.

روباتیک

روباتیک شاخه‌ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات‌ها و سیستم‌های کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات می‌پردازد. این فناوری‌ها با دستگاه‌های خودکاری سر و کار دارند که می‌توانند جانشین انسان در محیط‌ها یا روندهای تولیدی خطرناک‌ شوند یا ظاهر، رفتار و درک انسانی را شبیه‌سازی کنند. در فرآیند توزیع فرآورده های نفتی بارگیری،تخلیه و سوختگیری همگی مواردی هستند که میتوانند برای انسان خطر ساز باشند. این فعالیت ها میتواند توسط ربات ها به صورت کاملا اتوماتیک اجرا شود. همچنین در فرآیند های تولیدی کنترل فرآیندها میتواند توسط هوش مصنوعی و بر اساس نیاز و اطلاعات در یافتی از بازار صورت پذیرد.

سیستم‌های خبره

سیستم خبره به سیستم کامپیوتری اطلاق میشود که توانایی تصمیم‌سازی یک انسان خبره را شبیه‌سازی می‌کند. سیستم‌های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل‌های برنامه‌نویس، آن‌طور که در برنامه‌های معمولی است. اولین سیستم‌های خبره در دهه ۱۹۷۰ ایجاد شدند و در دهه ۱۹۸۰ توسعه یافتند. سیستم‌های خبره از اولین اشکال واقعا موفق نرم‌افزارهای هوش مصنوعی بودند.

سیستم خبره یک ساختار خاص، متفاوت از برنامه‌های کامپیوتری متداول است و به دو بخش تقسیم می‌شود؛ یک بخش ثابت، مستقل از سیستم خبره به نام موتور استنتاج و یک بخش متغیر به نام پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال می‌کند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعدها به مکالمه‌ای شهرت یافت.

تصمیم گیری در حوزه توزیع و پخش فرآورده های نفتی مبتنی بر شاخص ها و مولفه های متعددی است . توزیع خطی که بر اساس پیش بینی های معمول خطی صورت میگرفت و تقریبا از ابتدای کار سیستم توزیع در ایران بر اساس مدل های مهندسی صنایع ارائه میشد به پایان عمر خود نزدیک میشود. مولفه های فناوری مانند ارتباطات گسترده و تاثیر پذیری سریع موقعیت های جغرافیایی دور از هم از طریق شبکه های اجتماعی و یا سیستم های خبری و ارتباطی باعث میشود تا اثر یک رویداد محلی به سرعت در تمام گستره وسیع جغرافیایی کشور خود را بروز دهد . به عنوان مثال خبر گران شدن بنزین و دست به دست شدن اخبار و شایعات و تصاویر تجمع در پمپ های بنزین به سرعت نرخ تقاضا در کل کشور و حتی مناطق دور از دسترس و با جمعیت کم را افزایش داد و این امر موجب بروز یک پیک بزرگ تقاضا از انبار های نفت و شبکه حمل و توزیع شد که در صورت عدم مدیریت مناسب و پیش بینی دقیق میتوانست به یک بحران اجتماعی منجر شود.

شبکه عصبی

شبکه عصبی (Neural Networks) مصنوعی گروهی از گره‌ها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است. در اینجا هر کدام از نودهای دایره‌شکل نشان‌دهنده یک عصب مصنوعی و فلش‌ها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند.

در علوم کامپیوتر و رشته‌های مربوطه، شبکه‌های عصبی مصنوعی مدل‌هایی الهام‌گرفته شده از سیستم عصبی مرکزی به ویژه مغز هستند که توانایی یادگیری و تشخیص الگو را دارند. این شبکه‌ها معمولا سیستمی از عصب‌های به هم پیوسته‌اند که می‌توانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند.
به طور مثال در شبکه عصبی تشخیص نشانگر های سوخت و مارکر ها ، مجموعه‌ای از عصب‌های ورودی با شاخص های اطلاعات ورودی فعال می‌شوند که نماینده یک مارکر یا ترکیب شیمیایی موجود در سوخت است. فعال شدن این عصب‌ها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصب‌ها منتقل، ارزیابی یا تغییر داده می‌شود تا نهایتا عصب خروجی فعال شود و تعیین کند چه مارکر و ترکیبی خوانده شده است.

الگوریتم ژنتیک

الگوریتم ژنتیک (Genetic Algorithm) یک جست‌وجوی مکاشفه‌ای است که روند انتخاب طبیعی را شبیه‌سازی می‌کند. این کاشف به صورت معمول برای ایجاد راه‌حل‌های مفید در مسائل بهینه‌سازی و جست‌وجو استفاده می‌شود. الگوریتم‌های ژنتیکی به طبقه‌ای بزرگ‌تر از الگوریتم‌های تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیک‌های الهام‌گرفته از تکامل طبیعی، مانند ارث‌بری، جهش، انتخاب و عبور، راه‌حل‌هایی را برای مسائل بهینه‌سازی تولید می‌کنند.
بهینه‌سازی شبکه زنجیره تامین فرآورده های نفتی منجر به مدیریت کارا و مؤثر عملیات کل زنجیره تأمین می‌شود. طراحی شبکه ، تعداد، موقعیت، ظرفیت، نوع ناوگان فعال در شبکه، مسیرهای توزیع، حمل مواد و محصولات از تأمین‌کننده تا مشتری و برعکس را مشخص می‌کند. اهداف مورد نظر برای بهینه‌سازی شبکه معمولا شامل کمینه‌سازی هزینه کل و بیشینه‌سازی استفاده متوازن از ظرفیت ناوگان و انبارهای شبکه است که منجر به کاهش زمان در سرویس‌دهی به مشتریان (افزایش سطح سرویس) می‌شود.

الگوریتم‌های ژنتیکی در علوم محاسباتی، مهندسی ساخت و تولید ، اقتصادانرژی و پیشبینی قیمت فرآورده های مختلف ، شیمی فرآورده ، تولید و بهینه سازی خروجی تولیدی پالایشگاهها ، دیگر موارد کاربرد دارد.

جمع بندی

هوش مصنوعی برای شرکت های توزیع کننده فرآورده های نفتی این امکان را فراهم می آورد تا هر روز توزیع میلیون ها لیتر فرآورده را تجزیه و تحلیل نمایند و مشتریان را هدفمند دنبال نمایند. می توان چرخه عرضه و تقاضا را با استفاده از برنامه های هوش مصنوعی هدایت نموده و به شبکه توزیع و مدیران کمک نمود تا با چشم انداز درست، در زمان مناسب، فرآورده را در مکان درست ارائه کنند.