Bulletin of the Russian Academy of Sciences. EnergeticsBulletin of the Russian Academy of Sciences. EnergeticsИзвестия Российской академии наук. Энергетика0002-33103034-6495The Russian Academy of Sciences69255310.7868/S3034649525050049malcthArticlesСтатьиResearch ArticleA REVIEW OF CURRENT TRENDS AND CHALLENGES IN THE APPLICATION OF DIGITAL TWINS AND ARTIFICIAL INTELLIGENCE IN ENERGY SYSTEMS OF THE OIL AND GAS INDUSTRYОбзор современных тенденций и проблем применения цифровых двойников и искусственного интеллекта в энергосистемах нефтегазового комплексаSergeevN. N.СергеевН. Н.nikita.n.sergeev@gmail.ruLazarevD. V.ЛазаревД. В.nikita.n.sergeev@gmail.ruKazantsevY. Vu.КазанцевЮ. В.nikita.n.sergeev@gmail.ruRusinaA. G.РусинаА. Г.nikita.n.sergeev@gmail.ruNovosibirsk State Technical University,Федеральное государственное бюджетное образовательное учреждение высшего образования “Новосибирский государственный технический университет”,150920255NO5 (2025)№5 (2025)618508102025Copyright ©; 2025, Russian Academy of SciencesCopyright ©; 2025, Российская академия наук2025Russian Academy of SciencesРоссийская академия наукhttps://rjsvd.com/0002-3310/article/view/692553

This paper presents a review of the current state and development directions of digital twin (DT) and artificial intelligence (AI) technologies, with a focus on their application in energy systems at oil and gas industry facilities. The architectural foundations of DTs are examined, including the six-level model and its classification by levels and application domains. Key AI methods used in conjunction with DTs are discussed, such as machine learning for load and renewable generation forecasting, reinforcement learning for control optimization under uncertainty, and generative AI for decision support and scenario modeling. Applied solutions are considered in detail, including predictive maintenance of equipment, optimization of associated petroleumgas utilization, and the development of intelligent energy management systems. Current challenges and issues are identified, including data processing infrastructure selection, cybersecurity, and economic and legal regulation. Prospects for DT implementation are outlined, taking into account international and Russian environmental requirements, in particular the target of utilizing at least 95% of associated petroleum gas by 2027. Examples of domestic and international developments and studies demonstrate that DT and AI technologies have significant potential for addressing tasks such as equipment monitoring, load forecasting, production process optimization, and automated energy system control in the oil and gas sector.

В работе приведен обзор современного состояния и направления развития технологий цифровых двойников (ЦД) и искусственного интеллекта (ИИ) с акцентом на их применение в энергосистемах объектов нефтегазовой промышленности. Рассмотрены архитектурные основы ЦД, включая шестиуровневую модель и классификацию по уровням и областям применения. Освещены основные методы ИИ, применяемые в сочетании с ЦД: машинное обучение для прогнозирования нагрузки и возобновляемой генерации, обучение с подкреплением для оптимизации управления в условиях неопределенности, генеративный ИИ для поддержки принятия решений и моделирования сценариев. Подробно рассмотрены прикладные решения: реализация предиктивного обслуживания оборудования, оптимизация использования попутного нефтяного газа, создание интеллектуальных систем энергетического менеджмента. Обозначены актуальные проблемы и вопросы: выбор инфраструктуры обработки данных, кибербезопасность и экономико-правовое регулирование. Перечислены перспективы внедрения ЦД с учетом международных и российских экологических требований, в частности, цели по утилизации не менее 95% попутного нефтяного газа к 2027 г. Представленные примеры отечественных и зарубежных разработок и исследований показывают, что технологии ЦД и ИИ обладают высоким потенциалом в решении задач мониторинга оборудования, прогнозирования нагрузки, оптимизации производственных процессов и автоматизированного управления энергосистемами в нефтегазовом секторе.

digital twinartificial intelligencedigital transformationcyber-physical systemspredictive analyticsprocess optimizationInternet of Thingscybersecuritysustainable developmentцифровой двойникискусственный интеллектцифровая трансформациякиберфизические системыпредиктивная аналитикаоптимизация процессовинтернет вещейкибербезопасностьустойчивое развитиеСтенников В.А. Устойчивое развитие энергетики: тенденции и вызовы // Энергетическая политика. 2023. № 2(180). С.32–39.Воропай Н.И., Губко М.В., Ковалев С.П. и др.Проблемы развития цифровой энергетики в России // Проблемы управления. 2019. № 1.С.1–14.Бушуев В.В., Новиков Н.Л., Новиков А.Н.Цифровизация экономики и энергетики: перспективы и проблемы // Экономические стратегии. 2019. Т. 21. № 6. С.96–105.Skilton M., Hovsepian F.The 4th industrial revolution // Springer Nature. 2018.Прохоров А., Лысачев М.Цифровой двойник. Анализ, тренды, мировой опыт. М.: ООО “АльянсПринт”, 2020. 401 с.MezaE.B.M., Souza D.G.B.D., Copetti A., et al.Tools, technologies and frameworks for digital twins in the oil and gas industry: An In-Depth Analysis // Sensors. 2024. V. 24. No. 19. Р. 6457.Song Z., Hackl C.M., Anand A. et al.Digital twins for the future power system: An overview and a future perspective // Sustainability. 2023. V. 15.No. 6. P. 5259.Heluany J.B., Gkioulos V. A review on digital twins for power generation and distribution // International Journal of Information Security. 2024. V. 23. No. 2. P. 1171–1195.Барахтенко Е., Стенников В., Соколов Д., Майоров Г.Принципы построения цифрового двойника для решения задач проектирования интегрированных энергетических систем // Материалы IV Международного семинара по информационным, вычислительным и управляющим системам для распределенных сред (ICCS-DE 2022).4–8 июля 2022 г., Иркутск, Россия. С.36–42.Воропай Н. И., Массель Л. В., Колосок И. Н., Массель А. Г. ИТ-инфраструктура для построения интеллектуальных систем управления развитием и функционированием систем энергетики на основе цифровых двойников и цифровых образов // Известия Российской академии наук. Энергетика. 2021. № 1. С.3–13.Kritzinger W., Karner M., Traar G. et al.Digital Twin in manufacturing: a categorical literature review and classification // Ifac-PapersOnline. 2018. V. 51. No. 11. P. 1016–1022.Кокорев Д.С., Юрин А.А.Цифровые двойники: понятие, типы и преимущества для бизнеса //Colloquium-journal.2019. № 10(34). С.31–35.Redelinghuys A.J.H., Basson A.H., Kruger K. A six-layer architecture for the digital twin: a manufacturing case study implementation // Journal of Intelligent Manufacturing.2020.V. 31.No. 6.P. 1383–1402.Ковалев С.П. Проектирование информационного обеспечения цифровых двойников энергетических систем // Системы и средства информатики.2020. Т. 30. № 1. С. 66–81.Habbak H., Mahmoud M., Metwally K. Load forecasting techniques and their applications in smart grids // Energies.2023.V. 16.No. 3.P. 1480.Илюшин П.В. Системный подход к развитию и внедрению распределенной энергетики и возобновляемых источников энергии в России // Энергетика. 2022. Т. 4. С.20–27.Сергеев Н.Н., Матренин П.В. Обзор международного опыта в прогнозировании генерации возобновляемых источников энергии с помощью методов машинного обучения // iPolytech Journal. 2023.Т.27. № 2.С.354–369.Hosseini M.M., Parvania M. Resilient operation of distribution grids using deep reinforcement learning // IEEE Transactions on Industrial Informatics. 2021. V. 18. No. 3. P. 2100–2109.Petrusev A., Putratama M.A., Rigo-Mariani R. et al.Reinforcement learning for robust voltage control in distribution grids under uncertainties // Sustainable Energy, Grids and Networks. 2023. V. 33. P. 100959.Mohammadabadi S.M.S., Entezami M., Moghaddam A.K. et al.Generative artificial intelligence for distributed learning to enhance smart grid communication // International Journal of Intelligent Networks. 2024. V. 5. P.267–274.Crespo M.A., Pérez O.D.Leveraging generative AI for modelling and optimization of maintenance policies in industrial systems // Information. 2025. V. 16. No. 3. P. 217.D’Amico R.D., Erkoyuncu J.A., Addepalli S., Penver S.Cognitive digital twin: an approach to improve the maintenance management // CIRP Journal of Manufacturing Science and Technology. 2022. V. 38. P.613–630.Van Dinter R., Tekinerdogan B., Catal C.Predictive maintenance using digital twins: A systematic literature review // Information and Software Technology. 2022. V. 151. P. 107008.Don M.G., Liyanarachchi S., Wanasinghe T.R.Development framework for an electrical submersible pump (ESP) // Archives of Advanced Engineering Science. 2025. V. 3. No. 1. P.35–43.Nezhadfard M., Khalili-Garakani A.Power generation as a useful option for flare gas recovery: enviro-economic evaluation of different scenarios // Energy. 2020. V. 204. P. 117940.Asadi J., Yazdani E., Dehaghani Y.H., Kazempoor P.Technical evaluation and optimization of a flare gas recovery system for improving energy efficiency and reducing emissions // Energy conversion and management. 2021. V. 236. P. 114076.Илюшин П.В. Перспективные направления развития распределительных сетей при интеграции локальных интеллектуальных энергосистем // Электроэнергия. Передача и распределение. 2021. № 4. С.70–80.Banihabib R., Assadi M.Towards a low-carbon future for offshore oil and gas industry: a smart integrated energy management system with floating wind turbines and gas turbines // Journal of Cleaner Production. 2023. V. 423. P. 138742.Zhou M., Yan J., Feng D.Digital twin framework and its application to power grid online analysis // CSEE Journal of Power and Energy Systems. 2019. V. 5. No. 3. P.391–398.Liao H., Zhou Z., Liu N. et al.Cloud-edge-device collaborative reliable and communication-efficient digital twin for low-carbon electrical equipment management // IEEE Transactions on Industrial Informatics.2022. V. 19. No. 2. P. 1715–1724.Массель Л.В. Современный этап развития искусственного интеллекта (ИИ) и применение методов и систем ИИ в энергетике // Информационные и математические технологии в науке и управлении. 2021. № 4(24). С.5–20.Correia J.B., Rodrigues F., Santos N. et al.Data management in digital twins for the oil and gas industry: beyond the osdu data platform // Journal of Information and Data Management. 2022. V. 13. No. 3.Rodríguez F., Chicaiza W.D., Sánchez A., Escaño J.M.Updating digital twins: Methodology for data accuracy quality control using machine learning techniques // Computers in Industry. 2023. V. 151. P. 103958.Korotkova N., Benders J., Mikalef P., Cameron D.Maneuvering between skepticismand optimism about hyped technologies: Building trust in digital twins // Information & Management. 2023. V. 60. No. 4. P. 103787.Boje C., Guerriero A., Kubicki S., Rezgui Y.Towards a semantic construction Digital Twin: directions for future research // Automation in construction. 2020. V. 114. P. 103179.da Rocha H., Pereira J., Abrishambaf R., Espirito Santo A. An interoperable digital twin with the IEEE 1451 standards // Sensors. 2022. V. 22. No. 19. P. 7590.Lin S.W., Migliori D., Young D. et al.System of systems models enabling interoperability for value creation // Industry IoT Consortium and Digital Twin Consortium. 2024.Amini S., Pasqualetti F., Mohsenian-Rad H. Dynamic load altering attacks against power system stability: attack models and protection schemes // IEEE Transactions on Smart Grid. 2016. V. 9. No. 4. P. 2862–2872.Maleki S., Pan S., Lakshminarayana S., Konstantinou C.Survey of load-altering attacks against power grids: Attack impact, detection and mitigation // IEEE Open Access Journal of Power and Energy.2025.V. 12.P.220–334.Гурина Л.А., Зорина Т.Г., Томин Н.В., Прусов С.Г.Угрозы и уязвимости объектов киберфизической энергетической системы при цифровой трансформации ее свойств // Вестник Казанского государственного энергетического университета. 2022. Т. 14. № 3(55). С.89–98.LaGrange E. Developing a Digital Twin: the roadmap for oil and gas optimization // SPE offshore Europe conference and exhibition. September 2019.Филимонова И.В., Проворная И.В., Немов В. Ю.,Дочкина Д.Д.Актуальные вопросы добычи и квалифицированного использования попутного нефтяного газа в России // Бурение и нефть. 2022. Т. 1. С.26–33.Agho M.O.,Eyo-Udo N.L.,Onukwulu E.C.et al.Digital twin technology for real-time monitoring of energy supply chains // International Journal of Research and Innovation in Applied Science. 2024. V. 9. No. 12. P.564–592.Chen X., Hu D., Cao W., et al.Path of digital technology promoting realization of carbon neutrality goal in China’s energy industry // Bulletin of Chinese Academy of Sciences (Chinese Version). 2021. V. 36. No. 9. P. 1019–1029.