Тема:
🧠Искусственный интеллект уже работает для энергетики
Учиться на аварийных сценариях
Генеративный ИИ изначально зародился как инструмент для создания синтетических данных, дополняющих реальные наборы примеров там, где их не хватало. Сегодня этот подход помогает цифровым двойникам и системам предиктивного обслуживания «учиться» на редких отзывах и аварийных сценариях, которые сложно собрать в действительности, и тем самым расширять диапазон распознаваемых событий.
В энергетическом секторе Exelon задействовала платформу NVIDIA Omniverse Replicator для генерации фотореалистичных 3D-сцен электрической сетевой инфраструктуры и различных видов дефектов.
Синтетические изображения автоматически снабжались метками, что позволило быстро обучить нейросети компьютерного зрения для дронов-инспекторов. Обученная модель в режиме реального времени анализирует видеообзор линий, распознавая трещины изоляторов, провисание проводов и коррозию креплений. Такой подход резко уменьшил время между облетом и выявлением неполадок, повысил надежность сети и снизил зависимость от дорогостоящего ручного анализа видеозаписей.
Для нефтегазовой геологии Российский НИИ «БашНИПИнефть» разработал генеративный конвейер, восстанавливающий трехмерную модель керна пласта по разрозненным двумерным микроскопическим снимкам.
Модель обучалась на множестве изображений структуры породы и известных петрофизических характеристиках, после чего генерировала виртуальные участки керна, согласованные по пористости и проницаемости с реальными данными. Аналогичные инициативы ведут стартапы GridPoint Dynamics, создающий синтетические каротажные кривые, и Polar eQuelle во взаимодействии с РГУ нефти и газа имени Губкина, генерирующая изображения шлифов для проекта LithologAI. Эти технологии обещают значительно сократить затраты на кернование и расширить объем информации для планирования добычи».
