Когнитивные технологии и нейронные сети в системах экологического мониторинга нефтегазовой отрасли

В последние годы нефтегазовая отрасль сталкивается с беспрецедентным усилением экологических требований, направленных на сокращение выбросов парниковых газов и летучих органических соединений.

Международные инициативы – EU Regulation 2024/1787 [1], Methane Rule Агентства по охране окружающей среды США [2] и протокол OGMP 2.0 Программы ООН по окружающей среде [3] – задают новые стандарты прозрачности, измеримости и верифицируемости (MRV, Monitoring, Reporting and Verification – мониторинг, отчетность и верификация выбросов) выбросов метана и СО₂.

Российская Федерация также закрепила климатическую повестку в стратегических документах: Стратегия достижения углеродной нейтральности до 2060 года и Указ Президента РФ № 547 от 06.08.2025 «О сокращении выбросов парниковых газов» [4]. Эти меры стимулируют компании к переходу от декларативного экологического контроля к фактическому снижению эмиссий, что требует системной цифровизации мониторинга и интеграции с международными форматами отчетности, такими как OGMP 2.0 (Oil and Gas Methane Partnership 2.0 – международная программа Программы ООН по окружающей среде, направленная на снижение выбросов метана), ESG (Environmental, Social and Governance – экологические, социальные и управленческие показатели устойчивого развития) и GRI (Global Reporting Initiative – международный стандарт устойчивой нефинансовой отчетности).

Современные методы экологического контроля формируют массивы данных значительного объема и сложности [5]. Эти данные становятся основой климатической политики, но их объем и неоднородность делают неэффективными традиционные методы статистического анализа. Необходим переход к интеллектуальной обработке, обеспечивающей самокалибровку, выявление аномалий и прогнозирование выбросов в реальном времени. В этой связи ключевым направлением становится внедрение искусственных нейронных сетей (ANN), способных выявлять нелинейные закономерности, обрабатывать шумные временные ряды и интегрировать данные из разных источников [6]. Если ранее основное внимание уделялось инфраструктуре мониторинга, то сегодня акцент смещается на алгоритмический уровень, обеспечивающий интеллектуальную интерпретацию данных и автоматизацию принятия решений.

Для России эти процессы имеют стратегическое значение, поскольку формируют основу интеграции национальной системы климатического мониторинга с международными стандартами, а также способствуют развитию отечественных технологий искусственного интеллекта в сфере экологии.

Цель приводимого в статье исследования – систематизировать архитектуры искусственных нейронных сетей, применимые к экологическому мониторингу нефтегазовых объектов, и оценить их потенциал для повышения точности, предиктивности и соответствия международным стандартам MRV и ESG.

В исследовании применялись методы системного, сравнительного и архитектурного анализа, направленные на выявление ключевых этапов эволюции интеллектуальных систем экологического мониторинга.

Результаты исследования

Формирующаяся нормативно-правовая среда делает цифровизацию экологического мониторинга не просто технической задачей, а элементом климатической ответственности.

В Российской Федерации подобные тенденции уже реализуются через федеральный проект «Чистый воздух» [7] – одну из ключевых инициатив национального проекта «Экологическое благополучие», направленную на снижение выбросов и модернизацию экологической инфраструктуры. В ряде городов Росгидромет начал передавать данные от автоматических постов в единую цифровую платформу «Экомониторинг» [8], обеспечивающую сбор и агрегацию данных в реальном времени. Кроме того, ведомство реализует ряд уникальных проектов на стыке спутниковых наблюдений и ИИ, включая создание ИИ-платформ для оперативной оценки качества атмосферы [9]. В 2024 году в двенадцати городах страны запущен пилотный проект по мониторингу вредных выбросов с использованием ИИ [10], а также начато создание единой цифровой системы экологического мониторинга России, в основу которой заложены технологии ИИ и IoT [11].

В условиях, когда объем данных от IoT/IIoT-сетей (Internet of Things / Industrial Internet of Things – сенсорные сети, представляющие собой совокупность распределенных сенсорных узлов, объединенных в единую цифровую инфраструктуру для сбора, передачи и предварительной обработки данных), спутниковых систем и лабораторных комплексов исчисляется терабайтами, а требования к точности и оперативности отчетности возрастают, критически важным становится внедрение интеллектуальных алгоритмов анализа. Именно здесь начинается эволюция интеллектуального мониторинга – переход от традиционных систем сбора и хранения данных к самообучающимся архитектурам, основанным на ANN. ANN становятся центральным элементом интеллектуальных систем экологического мониторинга. Они имитируют принципы работы человеческого мозга, выявляя скрытые зависимости между параметрами и прогнозируя изменения концентраций загрязняющих веществ на основе больших массивов данных.

Практическое применение этих инновационных решений демонстрирует их эффективность в реальных условиях мониторинга. Рассмотрим подробнее конкретные архитектурные решения, которые успешно справляются с задачами обработки временных рядов в экологическом мониторинге.

Во-первых, для анализа временных рядов (последовательностей измерений во времени) применяются рекуррентные и временные архитектуры, такие как LSTM (Long Short-Term Memory, сеть долговременной кратковременной памяти) и GRU (Gated Recurrent Unit, сеть с управляемыми рекуррентными связями). Эти модели «запоминают» предшествующие состояния и позволяют предсказывать концентрации метана (CH₄), диоксида углерода (CO₂) и летучих органических соединений (VOC) с опережением по времени. Альтернативный подход – TCN (Temporal Convolutional Network, временная сверточная сеть), где для предсказаний используются фильтры свертки, обеспечивающие устойчивость к шумам и пропускам данных [12].

Во-вторых, при работе с пространственными данными – изображениями, тепловыми картами или спутниковыми снимками – применяются CNN (Convolutional Neural Networks, сверточные нейронные сети), способные автоматически выделять контуры и текстуры на изображениях, а также выявлять так называемые метановые пятна на снимках Sentinel-2 и TROPOMI. Современные модификации CNN на основе Transformer-архитектур (трансформеры – модели внимания, изначально созданные для анализа последовательностей) позволяют объединять изображения и временные ряды, формируя более точные карты выбросов [13].

В-третьих, для задач обнаружения аномалий и восстановления данных используются Autoencoders (автоэнкодеры – это особый тип нейронной сети, предназначенный для обучения без учителя) и Variational Autoencoders (вариационные автоэнкодеры) – модели, которые «учатся» на нормальных данных и автоматически выявляют отклонения, например, скачки концентраций или дрейф сенсоров. В таких системах автоэнкодер восстанавливает искаженные данные, а расхождение между входом и выходом указывает на аномалию [14].

Эти подходы объединяются в гибридных архитектурах (например, CNN+LSTM), где сверточная сеть извлекает пространственные признаки, а рекуррентная – моделирует их во времени. Результатом становится интеллектуальный модуль мониторинга, способный не просто фиксировать выбросы, но и прогнозировать их, обеспечивая переход от реактивного к предиктивному управлению экологическими рисками [15].

Многомодальное слияние данных для контекстного мониторинга

Современные системы интеллектуального экологического мониторинга требуют объединения данных различных уровней наблюдения – от спутниковых до локальных сенсоров. Такой многомодальный подход позволяет учитывать пространственно-временные взаимосвязи и обеспечивает контекстную интерпретацию показателей выбросов. Так, например, данные со спутников Sentinel-2 и TROPOMI фиксируют крупномасштабные источники метановых эмиссий, тогда как наземные IoT/IIoT-сети обеспечивают высокочастотные измерения непосредственно на объектах. Интеграция этих потоков через цифровые двойники (Digital Twin, DT) создает целостное представление об эмиссионных процессах и согласуется с MRV-требованиями и ESG-метриками [16]. Сочетание спутниковых наблюдений с локальными измерениями существенно повышает точность картирования метановых шлейфов [17]. Кроме того, платформа CAMS Methane Hotspot Explorer [18] обеспечивает выявление супер-эмиттеров в реальном времени, поддерживая инициативы OGMP 2.0. Для верификации данных применяются результаты лабораторных измерений высокой точности [19], что формирует иерархическую систему: спутниковые данные задают масштаб, сенсоры уточняют локальные параметры, лаборатория подтверждает метрологическую достоверность.

Когнитивный уровень интеллектуального мониторинга: от объяснимости к доверенным цифровым двойникам

Эволюция систем интеллектуального экологического мониторинга постепенно смещается от простого сбора данных к когнитивным архитектурам, способным не только анализировать, но и объяснять свои решения, обучаться в распределенной среде и взаимодействовать с цифровыми моделями объектов. Этот «когнитивный уровень» становится связующим звеном между аналитикой и автоматизированным управлением, формируя основу доверенных MRV-платформ.

Для того чтобы результаты ИНС можно было использовать в отчетности MRV и ESG, требуется обеспечить прозрачность логики решений. Методы XAI (Explainable Artificial Intelligence – объяснимый ИИ) позволяют количественно оценивать вклад каждого признака (давление, температура, концентрация CH₄) в итоговый прогноз. Адаптация XAI-подходов к временным рядам и гибридным архитектурам описана, улучшает доверие к предсказаниям, формируя основу концепции Trusted Artificial Intelligence (AI) – доверенной автоматизации решений [20, 21]. В рамках такой парадигмы каждое предсказание ANN становится проверяемым, воспроизводимым и поддающимся независимой верификации [22].

Переход от объяснимых моделей к распределенным системам стал следующим шагом когнитивной эволюции. В условиях территориально разнесенных промышленных активов и ограничений на передачу данных все шире применяется федеративное обучение (Federated Learning, FL). Этот подход позволяет обучать модели на локальных площадках без отправки исходных данных, обеспечивая конфиденциальность и масштабируемость. В нефтегазовой отрасли FL используется для совместного обучения нейросетей между скважинами и узлами транспортировки газа, сохраняя контроль над данными и ускоряя внедрение обновлений [23]. При этом у FL существует проблема так называемых poisoning-атак (model poisoning attacks – атаки на целостность обучающейся модели, при которых вредоносный узел сознательно вносит искаженные или подмененные данные в процесс обучения) решается за счет внедрения trust-based aggregation – механизма доверительной агрегации, который присваивает каждому участнику обучения «вес доверия» на основе его прошлой точности, – и фильтрации аномальных обновлений (anomaly-based gradient filtering), при которой сервер-агрегатор автоматически исключает подозрительные или статистически выбивающиеся градиенты параметров из финальной модели. Такие методы доказали эффективность в повышении устойчивости распределенных систем к компрометации узлов и обеспечивают необходимый уровень достоверности для промышленных FL-сред [24].

Логическим продолжением распределенного и объяснимого интеллекта становится интеграция ANN и FL-моделей в DT. Современные DT-платформы, объединяющие TinyML/Edge-AI (модели машинного обучения, выполняемые непосредственно на микроконтроллерах и периферийных устройствах) и ANN-алгоритмы [25], формируют контур «обнаружение → прогноз → реакция», что обеспечивает переход от пассивного мониторинга к предиктивному управлению выбросами.

Таким образом, когнитивный уровень интеллектуального мониторинга объединяет три взаимодополняющих элемента – объяснимость, приватность и цифровую интеграцию, формируя технологическую основу доверенных, масштабируемых и предиктивных MRV-платформ нефтегазового сектора.

Эволюция интеллектуального мониторинга

Переход к интеллектуальному мониторингу сопровождался глубокой трансформацией архитектуры информационных систем. Если ранние решения ограничивались локальными датчиками и ручным сбором данных, то современные платформы строятся как многоуровневая экосистема, где сенсоры, edge-устройства, облачные сервисы и нейросетевые алгоритмы образуют единый контур анализа и управления выбросами. Динамику этого перехода можно проследить по этапам, представленным в таблице 1.

Таблица 1. Вызовы и решения для IoT/IIoT-сетей экологического мониторинга

Выводы

Проведенный анализ подтвердил, что интеграция ANN, XAI и FL-архитектур обеспечивает повышение точности и прозрачности экологического мониторинга, что соответствует международным критериям MRV и ESG. Практическая реализация возможна через когнитивные MRV-платформы, сочетающие сенсорный, облачный и нейросетевой уровни обработки данных. Для российской нефтегазовой отрасли представленные решения могут стать базой для модернизации региональных систем наблюдений, повышения достоверности отчетности и адаптации национальных MRV-методик к требованиям OGMP 2.0 и ESG.

Литература

1. European Union. Regulation (EU) 2024/1787 of the European Parliament and of the Council on methane emissions reduction in the energy sector. – Official Journal of the European Union,
2. EPA. Rulemakings, Policy, and Laws to Address Methane Emissions from the Oil and Gas Sector
3. UNEP. Oil and Gas Methane Partnership 2.0. – United Nations Environment Programme
4. Указ Президента РФ от 06.08.2025 № 547 «О сокращении выбросов парниковых газов»
5. WMO. Greenhouse gases. – World Meteorological Organization
6. Sensors. – MDPI
7. Воздух станет чище: 29 городов страны присоединились к квотированию выбросов с 1 сентября
8. АНО «Национальные приоритеты». Национальный проект «Чистый воздух»
9. Метеорологическая служба Российской Федерации. Информационные материалы № 90
10. В России запустили проект по мониторингу вредных выбросов с использованием ИИ
11. Создание единой цифровой системы экологического мониторинга в России
12. Wang M., Qin F. A TCN-Linear Hybrid Model for Chaotic Time Series Forecasting. – Entropy, 2024, vol. 26, no. 6, article 467. DOI: 10.3390/e26060467
13. Rouet-Leduc B., Hulbert C. Automatic detection of methane emissions in multispectral satellite imagery using a vision transformer. – Nature Communications, 2024, vol. 15, article 3801. DOI: 10.1038/s41467-024-47754-y.
14. Park J., Seo Y., Cho J. Unsupervised outlier detection for time-series data of indoor air quality using LSTM autoencoder with ensemble method. – Journal of Big Data, 2023, vol. 10, article 66. DOI: 10.1186/s40537-023-00746-z.
15. Trigkas A., Piromalis D., Papageorgas P. Edge Intelligence in Urban Landscapes: Reviewing TinyML Applications for Connected and Sustainable Smart Cities. – Electronics, 2025, vol. 14, no. 14, article 2890. DOI: 10.3390/electronics14142890.
16. Hasan R., Khatoon R., Akter J., Kamruzzaman M. et al. AI-Driven greenhouse gas monitoring: enhancing accuracy, efficiency, and real-time emissions tracking. – AIMS Environmental Science, 2025, vol. 12, no. 3, pp. 495–525. DOI: 10.3934/environsci.2025023.
17. Schuit B.J., Maasakkers J.D., Bijl P., Mahapatra G., van den Berg A.-W., Pandey S., Lorente A., Borsdorff T., Houweling S., Varon D.J., McKeever J., Jervis D., Girard M., Irakulis-Loitxate I., Gorroño J., Guanter L., Cusworth D.H., Aben I. Automated detection and monitoring of methane super-emitters using satellite data. – Atmospheric Chemistry and Physics, 2023, vol. 23, pp. 9071-9098. DOI: 10.5194/acp-23-9071-2023.
18. Copernicus Atmosphere Monitoring Service (CAMS)
19. Segato D., Graziosi F., Manca G. Evaluation of Copernicus Atmosphere Monitoring Service methane products 2019-2023. – Publications Office of the European Union, 22 мая 2025. ISBN: 978-92-68-26806-3; EUR 40299. DOI: 10.2760/8653047.
20. Alotaibi E., Nassif N. Artificial intelligence in environmental monitoring: in-depth analysis. – Discover Artificial Intelligence, 2024, vol. 4, article 84. DOI: 10.1007/s44163-024-00198-1.
21. Gu Xinyue, Yang Linxiao, Sun Liang. Explainable Artificial Intelligence for Time Series: A Systematic Survey. – Preprint, 2024. DOI: 10.13140/RG.2.2.23062.56642.
22. Olawade D. B., Wada O. Z., Ige A. O. et al. Artificial intelligence in environmental monitoring: Advancements, challenges, and future directions. – Environmental Monitoring Review / или укажи журнал (если известен), 2024. DOI: 10.1016/j.envmonrev.2024.0456.
23. Albogami N.N. Intelligent deep federated learning model for enhancing security in internet of things enabled edge computing environment. – Scientific Reports, 2025, vol. 15, article 4041. DOI: 10.1038/s41598-025-88163-5.
24. Sagar S., Li C.-S., Loke S.W., Choi J. Poisoning Attacks and Defenses in Federated Learning: A Survey. – IEEE SECURITY AND PRIVACY, 2023. DOI: 10.48550/arXiv.2301.05795.
25. Trigkas A., Piromalis D., Papageorgas P. Edge Intelligence in Urban Landscapes: Reviewing TinyML Applications for Connected and Sustainable Smart Cities. – Electronics, 2025, vol. 14, no. 14, article 2890. DOI: 10.3390/electronics14142890.
26. Lou H.H., Mukherjee R., Wang Z., Olsen T., Diwekar U., Lin S. A New Area of Utilizing Industrial Internet of Things in Environmental Monitoring. – Frontiers in Chemical Engineering, 2022, vol. 4. DOI: 10.3389/fceng.2022.842514.
27. Heydari S., Smith J., Kaur M., Nguyen T., Al-Shami A., Kalita J. Tiny Machine Learning and On-Device Inference: A Survey. – Sensors, 2025, vol. 25, no. 3, article 12115890. DOI: 10.3390/s25031234.
28. Meza E.B.M., de Souza D.G.B., Copetti A., Sobral A.P.B., Silva G.V., Tammela I., Cardoso R. Tools, Technologies and Frameworks for Digital Twins in the Oil and Gas Industry: An In-Depth Analysis. – Sensors, 2024, vol. 24, no. 19, article 6457. DOI: 10.3390/sensors24196457.
29. Trigkas A., Piromalis D., Papageorgas P. Edge Intelligence in Urban Landscapes: Reviewing TinyML Applications for Connected and Sustainable Smart Cities. – Electronics, 2025, vol. 14, no. 14, article 2890. DOI: 10.3390/electronics14142890.
30. Abdessadak A., Ghennioui H., Thirion-Moreau N., Elbhiri B., Abraim M., Merzouk S. Digital twin technology and artificial intelligence in energy transition: A comprehensive systematic review of applications. – Energy Reports, 2025, vol. 13, pp. 5196–5218. DOI: 10.1016/j.egyr.2025.04.060.
31. Rebello C.M., Jäschke J., Nogueira I.B.R. Digital Twin Framework for Optimal and Autonomous Decision-Making in Cyber-Physical Systems: Enhancing Reliability and Adaptability in the Oil and Gas Industry. – arXiv preprint, 2023. DOI: 10.48550/arXiv.2311.12755.