بهینه‌سازی عملیات شرکت‌های گاز: رویکردی مبتنی بر یادگیری ماشین برای بازرسی‌های هدفمند و مسیریابی

بهینه‌سازی عملیات شرکت‌های گاز: رویکردی مبتنی بر یادگیری ماشین برای بازرسی‌های هدفمند و مسیریابی

مهرداد قاسمی1

1) دانشجوی کارشناسی ارشد مدیریت دولتی – سیاست‌گذاری عمومی، دانشکده علوم انسانی، گروه مدیریت، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران

کد IOI مقاله : ACEE-ACAFZH
محل انتشار : پنجمین کنفرانس بین المللی پژوهش در حسابداری، مدیریت، اقتصاد و علوم انسانی(meaconf.com)
چکیده :
    تلفات غیرفنی (NTL) — شامل دستکاری عمدی کنتور گاز و خرابی‌های تجهیزات فنی — بار مالی مستمر و قابل‌توجهی برای شرکت‌های گاز طبیعی در سراسر جهان ایجاد می‌کند. مدیریت سنتی تقلب عمدتاً بر بازرسی‌های میدانی تصادفی یا هشدارهای ابتدایی مبتنی بر آستانه متکی است که نرخ تشخیص پایینی دارند، هزینه‌های عملیاتی را افزایش می‌دهند و نیروی انسانی میدانی را به‌صورت ناکارآمد به کار می‌گیرند. این مقاله یک چارچوب تحلیل تجویزی سرتاسری پیشنهاد می‌کند که تشخیص ناهنجاری چندکلاسی پیشرفته را با مسیریابی بازرسان با رویکرد سودمحور ترکیب می‌کند. در مرحله اول، یک طبقه‌بند جنگل تصادفی چندکلاسیِ آگاه از شرایط جوی با استفاده از سوابق تاریخی مصرف و متغیرهای هواشناسی محلی توسعه داده می‌شود. این طراحی صراحتاً به یک شکاف مهم در ادبیات موضوع می‌پردازد: نبود مدل‌هایی که بتوانند هم‌زمان بین کاهش‌های فصلی مشروع مصرف، دستکاری عمدی و افت فنی تمایز قائل شوند و از این طریق هشدارهای کاذب ناشی از شرایط جوی را کاهش دهند. الگوریتم SHAP (توضیحات افزودنی شپلی) برای ارائه بینش‌های تشخیصی در سطح ویژگی به بازرسان میدانی ادغام شده است تا طبقه‌بند را از یک «جعبه سیاه» به ابزاری شفاف برای پشتیبانی تصمیم تبدیل کند. در مرحله دوم، مسئله مسیریابی وسایل نقلیه سودمحور (PO-VRP) فرموله می‌شود. برخلاف روش‌های متعارف مسیریابی که مسافت طی‌شده را کمینه می‌کنند یا همه ناهنجاری‌های علامت‌گذاری‌شده را به یک اندازه مهم می‌دانند، PO-VRP پیشنهادی بازرسی‌ها را با محاسبه بازیابی مالی مورد انتظار — تابعی از احتمال تقلب و ظرفیت کنتور — اولویت‌بندی می‌کند و از این طریق عملیات میدانی را با اهداف سازمانی بازیابی درآمد هم‌راستا می‌سازد و از بازرسی اهداف کم‌ارزش اجتناب می‌کند. ارزیابی آزمایشی روی یک مجموعه‌داده شبیه‌سازی‌شده شامل ۳۵٬۰۰۰ رکورد مصرف نشان می‌دهد که مدل تشخیصی چندکلاسی به دقت کلی ۸۷٪ دست می‌یابد. در حالی که صحت بالای کلاس تقلب (۸۸٪) تضمین می‌کند بازرسی‌های اعزام‌شده به‌ندرت هدر می‌روند، فراخوانی متوسط (۳۶٪) نشان می‌دهد که الگوهای پیچیده سرقت تا حدی همچنان تشخیص داده نمی‌شوند. ماژول مسیریابی یکپارچه، بازده سرمایه‌گذاری (ROI) بیش از ۱۶٬۰۰۰٪ را برای یک مسیر روزانه واحد به دست می‌آورد و با حذف سفرهای تکراری، از انتشار تقریباً ۹۶٫۸ کیلوگرم CO₂ جلوگیری می‌کند. این چارچوب یک نقشه راه مقیاس‌پذیر و داده‌محور برای شرکت‌های گاز فراهم می‌کند تا از پایش واکنشی به سمت تخصیص منابع فعالانه و ارزش‌محور گذار کنند.

کلمات کلیدی : عملیات شرکت‌های گاز تلفات غیرفنی (ntl) هوش مصنوعی قابل توضیح (shap) عیب‌یابی مسیریابی وسایل نقلیه سودمحور (po vrp) تحلیل تجویزی