در دهههای اخیر، با افزایش نگرانیهای جهانی درباره تغییرات اقلیمی و آلودگیهای زیستمحیطی، صنایع فرآیندی بهویژه در بخشهای نفت، گاز و پتروشیمی با چالشهای فزایندهای مواجه شدهاند. یکی از مهمترین این چالشها، انتشار ترکیبات آلی فرّار (VOCs) و گازهای گلخانهای از منابع فَرا-نظارتی یا بهعبارتی نشتهای غیرقابل مشاهده با چشم غیرمسلح است. برنامههای شناسایی و تعمیر نشت (LDAR – Leak Detection and Repair) بهعنوان یکی از مؤثرترین راهکارهای کنترلی در این حوزه توسعه یافتهاند. هدف اصلی این برنامهها، کاهش نشتهای فرّار از تجهیزات، بهبود عملکرد زیستمحیطی، رعایت الزامات قانونی و در مواردی، صرفهجوییهای اقتصادی قابل توجه از طریق بازیابی مواد ارزشمند است. نهادهایی مانند آژانس حفاظت از محیطزیست آمریکا (EPA) از دهه ۱۹۹۰ بهطور گستردهای استفاده از این برنامهها را الزامآور کردهاند و در اروپا نیز دستورالعملهایی مانند IED Directive به صراحت بر اهمیت پایش مداوم نشت تأکید دارند.
چرا دادههای جمعآوریشده از LDAR اهمیت دارند؟
فراتر از شناسایی ساده نشتها، ارزش واقعی برنامههای LDAR در دادههایی نهفته است که در طول زمان و بهصورت سیستماتیک از فرآیندها و تجهیزات جمعآوری میشود. این دادهها شامل موقعیت نشت، شدت و فرکانس آن، نوع تجهیزات آسیبپذیر، شرایط عملیاتی مرتبط، بازههای زمانی میان نشتها و سایر متغیرهای محیطی هستند. تحلیلهای کلان دادهها (Big Data Analytics) بر پایهی دادههای LDAR، به معیاری حیاتی برای تصمیمگیریهای کلان در طراحی واحدهای جدید یا بازمهندسی واحدهای موجود بدل شدهاند.
چگونه کلان داده ها (Big Data) میتوانند دقت LCA را افزایش دهند
تشخیص نشتها و مسیرهای بحرانی در تجهیزات فرآیندی
یکی از مهمترین دستاوردهای دادهمحور در برنامههای LDAR، شناسایی الگوهای پنهان نشت در تجهیزات فرآیندی است. برای مثال، بررسی دادههای پنجساله از ۱۳ پالایشگاه تحت مدیریت شرکت Total Energies نشان داد که بیش از ۶۳٪ از نشتها در محدوده فلنجها و شیرهای دسته خاصی متمرکز شدهاند که طراحیشان به دهه ۸۰ میلادی بازمیگردد. همچنین مطالعهای از دانشگاه Texas A&M در سال ۲۰۲۲ نشان داد که در برخی واحدهای کراکینگ بخار، نشتها در شرایطی خاص از بار حرارتی و فشار عملیاتی بهشکل غیرخطی افزایش مییابند. این دادهها نهتنها به مهندسان امکان میدهند نقاط بحرانی را پیشاپیش شناسایی کنند، بلکه در تدوین برنامههای نگهداری پیشگیرانه (Preventive Maintenance) و تغییرات طراحی نیز نقشی تعیینکننده دارند.
ارتباط دادهها با بهینهسازی طراحی آینده
شاید مهمترین ارزش دادههای LDAR در دیدگاه بلندمدت نهفته باشد؛ یعنی آنجا که این دادهها بهعنوان ورودیهایی دقیق و مبتنی بر شواهد در طراحی نسل آینده واحدهای فرآیندی مورد استفاده قرار میگیرند. شرکت Shell، در گزارش سالانه خود در سال 2023، اعلام کرد که با استفاده از دادههای حاصل از LDAR در ۴۰ سایت خود، موفق به کاهش ۲۵ درصدی میزان نشت در طراحی واحدهای جدید شده است. دادههایی از این دست میتوانند به مهندسان طراحی کمک کنند تا انتخابهای بهینهتری در مواد، نوع اتصالات، محل قرارگیری تجهیزات و استراتژیهای تهویه اتخاذ کنند. به بیان دیگر، دادههای LDAR میتوانند نقشه راهی برای طراحی واحدهایی باشند که در ذات خود، ایمنتر، پاکتر و اقتصادیتر هستند.
نحوه عملکرد سیستمهای LDAR و فناوریهای مرتبط
اجرای مؤثر یک برنامه LDAR مستلزم بهکارگیری فناوریهای پیشرفته در شناسایی نشتها و جمعآوری دادههاست. در سالهای اخیر، تحولات چشمگیری در حوزه ابزارهای پایش نشت اتفاق افتاده که امکان تشخیص نشتهای بسیار کوچک و حتی در محیطهای دشوار را فراهم کردهاند. این ابزارها از حسگرهای قابل حمل ساده تا سیستمهای پیچیده مانیتورینگ پیوسته با هوش مصنوعی را شامل میشوند.
استفاده از فناوریهای تصویربرداری حرارتی و مادون قرمز
تصویربرداری حرارتی و مادون قرمز (IR)، بهویژه دوربینهای OGI (Optical Gas Imaging)، یکی از رایجترین و دقیقترین روشها در برنامههای LDAR مدرن است. این فناوریها قادرند گازهایی چون متان، هگزان یا پروپان را حتی در غلظتهای پایین تشخیص دهند. در پروژهای که شرکت Chevron در سال ۲۰۲۱ در تأسیسات Permian Basin اجرا کرد، استفاده از دوربینهای OGI منجر به شناسایی ۲۵۰ نشت پنهان شد که هیچکدام در روشهای سنتی قابل ردیابی نبودند. این فناوری، علاوه بر دقت بالا، قابلیت استفاده در محیطهای پرخطر را نیز فراهم میکند و زمان پایش را تا ۷۰٪ کاهش داده است.
نقش سنسورهای قابل حمل و سیستمهای مانیتورینگ دائمی
در کنار فناوریهای تصویربرداری، استفاده از سنسورهای گازی قابل حمل و سیستمهای مانیتورینگ دائمی (Continuous Emissions Monitoring Systems – CEMS) نیز بهشدت در حال گسترش است. این سیستمها قابلیت آن را دارند که بهصورت پیوسته و ۲۴ ساعته، وضعیت نشت را پایش کنند و در صورت بروز نشت، هشدارهای فوری ارسال نمایند. شرکت Honeywell در همکاری با Aramco، سیستمی ترکیبی از سنسورهای نانویی و پردازش ابری طراحی کرده که میتواند نشتها را در کمتر از ۳ ثانیه شناسایی و موقعیت دقیق آنها را گزارش کند. این سطح از هوشمندی، دادههایی با دقت بالا و قابلیت رهگیری زمانی فراهم میسازد که ارزش بسیار زیادی در تحلیل ریشهای علل نشت و اصلاح طراحی دارد.
تجزیه و تحلیل دادههای LDAR برای شناسایی الگوها
یکی از قابلیتهای کمتر مورد توجه اما حیاتی در برنامههای LDAR، توانایی آنها در فراهمآوردن حجم انبوهی از دادههای قابل تحلیل است که در صورت پردازش صحیح، میتواند به استخراج الگوهای دقیق نشت منجر شود. برخلاف نگاه سنتی که دادههای نشت را صرفاً برای گزارشدهی محیطزیستی استفاده میکرد، رویکردهای نوین مهندسی تمرکز خود را بر تحلیل عمیق این دادهها با هدف شناخت رفتار تجهیزات و فرآیندها در شرایط عملیاتی متغیر معطوف کردهاند. بهعنوان مثال، بررسی دادههای پایش ۱۲ ماهه در مجتمع پتروشیمی BASF نشان داد که الگوی تکرار نشت در واحدهای آمونیاک ارتباط مستقیمی با نوسانات دمایی دارد که قبلاً تصور نمیشد اثرگذار باشد. این یافته، زمینهساز بازنگری در طراحی سیستمهای عایقکاری و انتخاب متریال مقاومتر شد.
استفاده از الگوریتمهای یادگیری ماشین برای تحلیل نشتها
در سالهای اخیر، تلفیق دادههای LDAR با الگوریتمهای یادگیری ماشین (Machine Learning) بهسرعت در حال گسترش است. الگوریتمهایی مانند Random Forest، SVM و شبکههای عصبی بازگشتی (RNN) در تحلیل سریهای زمانی دادههای نشت، نتایج خیرهکنندهای ارائه دادهاند. پروژهای مشترک میان دانشگاه MIT و شرکت BP در سال ۲۰۲۳ نشان داد که مدل یادگیری ماشین طراحیشده توسط این تیم، قادر بود با دقت ۹۲٪ نشتهای آینده را بر اساس دادههای گذشته پیشبینی کند. این مدل حتی توانست مشخص کند که در برخی واحدهای تقطیر، نشتها بهصورت چرخهای و با تأخیر زمانی خاصی پس از عملیات شاتداون رخ میدهند. این دستاوردها، نهتنها دقت در پیشبینی را افزایش داده، بلکه منجر به تغییرات بنیادین در طراحی تجهیزات نیز شده است.
شناسایی اجزای پرریسک برای بازطراحی موثرتر
یکی از مهمترین کاربردهای تحلیل داده در حوزه LDAR، رتبهبندی اجزای پرریسک از منظر نشت است. بهجای بررسی همه اجزا بهصورت یکنواخت، دادههای تاریخی به مهندسان کمک میکنند تا اجزای خاصی مانند فلنجهای فشار بالا، والوهای سرویسسریع یا لاینهای انتقال گاز را بهعنوان نقاط بحرانی شناسایی کنند. شرکت LyondellBasell با تحلیل دادههای LDAR از ۱۸ تأسیسات خود موفق شد لیستی از ۱۰۰ تجهیز با بیشترین احتمال نشت تهیه کند و در طراحی واحد جدید کراکینگ اتیلن، از نسخههای ارتقاءیافته آنها استفاده کند. این رویکرد هدفمند، منجر به کاهش ۳۷٪ در نرخ نشتهای دورهای در سال اول بهرهبرداری شد.
چگونگی بهینهسازی طراحی فرآیند با استفاده از خروجیهای LDAR
دادههایی که از برنامههای LDAR بهدست میآیند، صرفاً برای کنترل زیستمحیطی کاربرد ندارند، بلکه ابزارهایی دقیق برای بهبود طراحی فرآیند نیز هستند. از آنجا که این دادهها بر اساس عملکرد واقعی تجهیزات و در شرایط عملیاتی مختلف ثبت میشوند، میتوانند بهعنوان معیارهایی تجربی در بازنگری طراحیها مورد استفاده قرار گیرند. برخلاف مدلسازیهای نظری که همواره با درصدی از عدمقطعیت همراهاند، دادههای واقعی نشت، بازخورد مستقیم از عملکرد واحدهای فرآیندی در دنیای واقعی هستند.
طراحی مجدد اتصالات و فلنجها بر اساس دادهها
تحلیل دادههای مربوط به اتصالات و فلنجها در برنامههای LDAR، معمولاً نشان میدهد که بسیاری از نشتها نه به دلیل شکست کامل تجهیزات، بلکه بهخاطر فشارهای مکانیکی و حرارتی مکرر یا ترکیب نادرست متریال رخ میدهند. بهعنوان نمونه، شرکت ExxonMobil پس از بررسی دادههای پنجساله LDAR دریافت که فلنجهایی با واشر PTFE در واحدهای با سرویس بخار بیشترین نرخ نشت را دارند. این اطلاعات منجر به بازطراحی اتصالات با واشرهای گرافیتی شد که در نهایت میزان نشت در واحد مربوطه را تا ۵۴٪ کاهش داد.
بهینهسازی مسیرهای لولهکشی برای کاهش نشت
یکی دیگر از حوزههای کلیدی در طراحی مجدد، بازنگری در مسیرهای لولهکشی است. دادههای LDAR میتوانند نشان دهند که چه مناطقی بیشتر در معرض نشت قرار دارند—چه بهدلیل پیچیدگی مسیر، چه لرزشهای مکانیکی، یا تمرکز تنش حرارتی. تحلیل دادههای مربوط به مسیرهای لولهکشی در واحد LNG متعلق به شرکت Petronas نشان داد که مسیرهایی با خمهای چندگانه و نزدیک به منابع گرمایی، نسبت بالاتری از نشت دارند. این یافته، مستقیماً منجر به اصلاح طراحی مسیرها در پروژههای بعدی این شرکت شد که در آن اولویت به حداقلسازی اتصالات و ایجاد دسترسی آسانتر داده شد.
تأثیر LDAR بر بهرهوری عملیاتی و هزینهها
از منظر اقتصادی، دادههای LDAR نهتنها در کنترل انتشار آلایندهها مؤثرند بلکه مستقیماً در کاهش هزینههای عملیاتی و افزایش بهرهوری نقش دارند. نشتهای مکرر، نهتنها منجر به اتلاف مواد ارزشمند و آسیب به تجهیزات میشوند، بلکه توقفهای غیرمنتظره، جریمههای قانونی و نیاز به تعمیرات اضطراری را به همراه دارند.
کاهش هزینههای تعمیرات و زمان توقف واحد
با تحلیل دادههای تاریخی LDAR، امکان برنامهریزی دقیق تعمیرات پیشگیرانه فراهم میشود. بهجای تعمیرات اضطراری و پرهزینه، برنامههای نگهداری پیشبینیشده بر اساس الگوهای نشت، هزینهها را بهشدت کاهش میدهند. شرکت SABIC با تکیه بر این دادهها موفق شد تا زمان توقف واحدهای آروماتیک خود را تا ۲۵٪ کاهش دهد و صرفهجویی سالانهای معادل ۶ میلیون دلار را گزارش کند.
بهبود راندمان فرآیند با طراحی مقاومتر
طراحیهایی که با اتکا به دادههای LDAR بازنگری شدهاند، معمولاً در برابر فشار، دما و تنشهای عملیاتی مقاومتر هستند. این افزایش مقاومت ساختاری منجر به کاهش نشت، کاهش فشار بر تجهیزات جانبی، و در نهایت افزایش راندمان کلی فرآیند میشود. بهعنوان مثال، طراحی مجدد سیستم لولهکشی واحد سولفوناسیون در پالایشگاه Reliance بر اساس خروجیهای LDAR، راندمان فرآیند را تا ۷٪ افزایش داد که تأثیر مستقیمی بر کاهش مصرف انرژی نیز داشت.
نقش گزارشهای LDAR در تصمیمگیریهای مهندسی طراحی
گزارشهای تحلیلی که از دادههای LDAR استخراج میشوند، بهتدریج به اسناد پایه برای جلسات تصمیمگیری مهندسی بدل شدهاند. این گزارشها نهتنها شامل دادههای آماری نشت هستند، بلکه تحلیلهای علت-معلولی، نمودارهای روند، پیشبینیها و توصیههای طراحی را نیز دربرمیگیرند. در بسیاری از شرکتهای پیشرو مانند Dow Inc، این گزارشها بخشی از سند طراحی اولیه (P&ID Review Package) محسوب میشوند و در کنار گزارشهای HAZOP و SIL مورد بررسی قرار میگیرند. در واقع، گزارشهای LDAR به زبان مشترکی میان مهندسان طراحی، بهرهبرداران و متخصصان محیطزیست تبدیل شدهاند.
ادغام دادههای LDAR با نرمافزارهای شبیهسازی و طراحی (مثل HYSYS)
یکی از تحولات نویدبخش در آینده نزدیک، ادغام دادههای LDAR با نرمافزارهای شبیهسازی فرآیند مانند Aspen HYSYS، Honeywell UniSim و COMOS است. این یکپارچگی نهتنها مدلهای شبیهسازی را واقعبینانهتر میکند، بلکه به طراحان اجازه میدهد تا تأثیر احتمالی نشتها را در سناریوهای مختلف عملیاتی ارزیابی کنند. شرکت LG Chem در یکی از پروژههای خود موفق شد با وارد کردن دادههای نشت به HYSYS، سناریوی بهینهای را برای طراحی سیستم تهویه اضطراری توسعه دهد که منجر به کاهش ۴۲٪ در خطر تجمع گازهای سمی شد. در آینده نزدیک، ترکیب این دادهها با هوش مصنوعی و واقعیت افزوده، میتواند به مدلسازی کاملاً دیجیتال (Digital Twin) از واحدهای صنعتی بینجامد؛ مدلی که نهتنها طراحی را متحول میکند، بلکه امکان پیشبینی، پیشگیری و بهبود مداوم را فراهم خواهد ساخت.
۱۰ غول صنعت پتروشیمی جهان در سال 2025: معرفی و تحلیل عملکرد
مطالعه موردی: تأثیر واقعی استفاده از دادههای LDAR در طراحی
یکی از نمونههای موفق در بهرهگیری از دادههای LDAR برای بازطراحی فرآیند، پروژهای است که در سال ۲۰۲۲ در یکی از پالایشگاههای بزرگ اروپایی متعلق به شرکت TotalEnergies اجرا شد. این پالایشگاه که در منطقه نور-پا-دو-کاله فرانسه قرار دارد، با چالش نشتهای مکرر در واحد هیدروتریتینگ مواجه بود. تیم مهندسی، با بهرهگیری از دادههای سهساله LDAR و تحلیل آنها توسط یک پلتفرم یادگیری ماشین توسعهیافته داخلی، موفق شد نقشهای از “نقاط داغ نشت” ایجاد کند. بر اساس نتایج، معلوم شد که ۷۵٪ از نشتها تنها از ۲۵٪ اجزای موجود منشأ میگیرند که اغلب در مسیرهای خاصی از لولهکشی قرار داشتند.
کاهش ۴۰٪ی نشتیها در یک پالایشگاه با طراحی مجدد
بر اساس تحلیل انجامشده، فرآیند بازطراحی شامل تعویض برخی اتصالات با نسخههای جوشی بدون فلنج، استفاده از سنسورهای پایش دائم در نقاط پرریسک، و طراحی مجدد ساپورتهای مکانیکی برای کاهش لرزشها بود. همچنین نرمافزار CAD واحد مهندسی بهگونهای بهروزرسانی شد که دادههای LDAR بهطور مستقیم در مدل سهبعدی فرآیند وارد شوند. پس از اجرای تغییرات، میزان نشتی در این واحد در سال اول بهرهبرداری جدید، تا ۴۰٪ کاهش یافت و این کاهش نهتنها به کاهش جریمههای زیستمحیطی انجامید، بلکه از دید اقتصادی نیز بیش از ۸.۵ میلیون یورو صرفهجویی سالانه برای شرکت به همراه داشت. این مطالعه موردی اکنون بهعنوان مرجع در کنفرانس European Refining Technology Conference (ERTC) مطرح میشود و مبنای برنامهریزی برای پروژههای آینده مشابه در پالایشگاههای دیگر شده است.
چالشها و محدودیتهای استفاده از دادههای LDAR
با وجود تمام مزایای گفتهشده، استفاده از دادههای LDAR در طراحی واحدهای فرآیندی همچنان با چالشهایی روبروست که نمیتوان از آنها چشمپوشی کرد. مهمترین این چالشها به کیفیت دادهها، توان تحلیل تخصصی و زیرساختهای فناوری اطلاعات بازمیگردد.
کیفیت دادهها و قابلیت اعتماد آنها
دادههایی که در برنامههای LDAR ثبت میشوند، اگر بدون استانداردسازی، کالیبراسیون دقیق ابزارها و آموزش درست ناظرین جمعآوری شوند، ممکن است حاوی خطاهای جدی باشند. بهعنوان مثال، استفاده از دستگاههای تصویربرداری مادون قرمز بدون تطابق با شرایط آبوهوایی یا با تنظیمات نادرست، میتواند نشتهای جزئی را نادیده بگیرد یا دادههایی اشتباه ثبت کند. همچنین نبود یک سیستم متمرکز برای ثبت، طبقهبندی و پالایش دادهها باعث شده بسیاری از شرکتها، علیرغم سالها پایش، نتوانند تحلیل مؤثری از اطلاعات خود ارائه دهند. در گزارش سالانه انجمن جهانی پالایشگاهها (WRA) در سال ۲۰۲۳، اشاره شد که ۳۷٪ از شرکتها فاقد ابزارهای دیجیتال کافی برای بهرهبرداری پیشرفته از دادههای LDAR هستند.
نیاز به آموزش تخصصی برای تحلیل درست دادهها
یکی دیگر از موانع اساسی، نبود نیروی انسانی متخصص در تحلیل پیشرفته دادههای نشت است. تحلیل مؤثر دادههای LDAR نیازمند دانش ترکیبی از مهندسی فرآیند، آمار، مدلسازی، و حتی برنامهنویسی است. متأسفانه در بسیاری از شرکتها، تیمهای نگهداری و محیطزیست فاقد این مهارتها هستند و اغلب دادهها تنها برای پاسخ به الزامات قانونی استفاده میشوند، نه بهعنوان منبع ارزشمند برای طراحی مهندسی. تلاشهایی نظیر برگزاری دورههای تخصصی توسط AIChE و سازمان EPA آمریکا در زمینه “Data-Driven LDAR Programs” گامهایی مهم در این مسیر بودهاند، اما هنوز نیاز به ظرفیتسازی گستردهتری احساس میشود.
آینده استفاده از دادههای LDAR در صنعت نفت و گاز
در افق پیشرو، انتظار میرود که دادههای حاصل از برنامههای LDAR نقش محوریتری در مدیریت هوشمند تأسیسات نفت، گاز و پتروشیمی ایفا کنند. تحول دیجیتال، پیشرفت در اینترنت اشیاء صنعتی (IIoT)، و توسعه الگوریتمهای هوش مصنوعی زمینهساز این تغییر اساسی هستند.
یکپارچهسازی با هوش مصنوعی و اینترنت اشیاء صنعتی (IIoT)
ادغام دادههای LDAR با سامانههای هوش مصنوعی و حسگرهای متصل به اینترنت صنعتی، امکان ساخت «دوقلوهای دیجیتال» از واحدهای فرآیندی را فراهم میسازد—مدلهایی که بهصورت لحظهای از وضعیت نشت، عملکرد تجهیزات و نقاط بحرانی آگاهند. در این فضا، دادههای نشت نهتنها برای تحلیل گذشته، بلکه برای پیشبینی آینده نیز کاربرد خواهند داشت. پروژهای که در سال ۲۰۲۴ توسط Chevron آغاز شد و با همکاری Siemens Digital Industries در حال توسعه است، نمونهای از این مسیر آیندهنگر است: در این پروژه، دادههای LDAR، اطلاعات سنسورهای لرزشسنج، فشار و دما در یک بستر ابری جمعآوری میشوند و الگوریتمهای یادگیری عمیق با دقت بالایی توانستهاند زمان دقیق وقوع نشتهای احتمالی در آینده را تخمین بزنند. این فناوری، در نهایت به تصمیمگیری خودکار برای بازطراحی فرآیند و حتی سفارش قطعات جایگزین از طریق زنجیره تأمین دیجیتال منجر خواهد شد.