«2 ТРУДЫ ИНФОРМАЦИОННЫЕ Кольского научного центра РАН ТЕХНОЛОГИИ 5/2013 (18) выпуск 4 СОДЕРЖАНИЕ Стр. Введение.. 9 В.А. Путилов Средства информационного мониторинга и А.В. Маслобоев моделирования глобальной безопасности ...»

Аннотация Для информационного обеспечения комплекса исследований, проводимых при разработке технологических процессов сохранения и освоения рудных и техногенных месторождений, создана интегрированная информационная среда на основе, которой осуществляется моделирование исследуемых процессов с использованием программного комплекса MODSIM, позволяющего синтезировать топологии технологических схем переработки минерального сырья с возможностью минимизации технико-экономических затрат.

Ключевые слова:

минеральное сырье, переработка, информационная система, базы данных, технологическая схема, вычислительный эксперимент, моделирование процесса, обогатительное оборудование.

V.V. Birukov, A.A. Petrov

INFORMATION SUPPORT OF TECHNOLOGY PROCESSES DEVELOPMENT AND

OPTIMIZATION FOR ORE AND MAN-MADE DEPOSITS CONSERVATION AND

DEVELOPMENT

Abstract In order to provide information support of study complex carried out during technology development of conservation and exploitation of ore and man-made deposits there has been created an integrated information environment that serves as a basis for modeling of processes under study using software MODSIM. The software allows synthesizing of topology of mineral processing flow sheets with minimization of engineering and economical costs.

Key words:

mineral raw material, processing, information system, database, flow sheet, numerical experiment, process modeling, processing equipment.

Для обеспечения современного уровня рентабельности и экономической эффективности при освоении и эксплуатации минерально-сырьевой базы России решающее значение придается созданию энергоресурсосберегающих экологически безопасных технологий комплексной переработки минерального и техногенного сырья и решения экологических проблем при освоении месторождений полезных ископаемых.

С целью информационного сопровождения комплекса исследований по созданию технологий сохранения и переработки рудного и техногенного минерального сырья разработаны база данных вещественного состава минерального Работа выполнена при поддержке гранта РФФИ №12-07-98800-р_север_а «Разработка моделей и информационной технологии прогнозирования параметров производственных процессов обогащения руд».

сырья предприятий Кольского ГПК и база данных технологических процессов сохранения и переработки минерального сырья. Базы данных интегрированы в информационную систему в соответствии с концептуальной моделью, определяющей взаимодействие структурных блоков формализованных данных (рис. 1.).

Основное функциональное назначение информационной системы формирование единого информационного поля для хранения и обработки данных, получаемых от разных групп специалистов в ходе исследований и опытно-промышленных испытаний, проводимых с целью повышения эффективности добычи и переработки минерального сырья рудных и техногенных месторождений при снижении техногенной нагрузки на природную среду.

Рис. 1. Концептуальная модель информационной системы поддержки принятия решений при разработке технологий сохранения и переработки рудного и техногенного минерального сырья В состав информационной системы включены также данные о техногенных месторождениях, по которым ведется контроль перераспределения полезных элементов в складированных отходах под влиянием разнообразных природных факторов, таких как окислительно-восстановительные процессы, выщелачивание, фильтрационные электрические поля, плоскостной смыв и другое. Информация о наличии веществ различного класса опасности в сырье техногенных месторождений позволяет прогнозировать степень воздействия на природную среду и определяет технологии снижения этого воздействия.

На основе анализа информационной структуры классов объектов, выделенных в процессе изучения предметной области, разработаны инфологические модели баз данных, входящих в состав информационной системы. Для каждого класса объектов в инфологической модели определен набор атрибутов и создана таблица, заданы первичные и внешние ключи, на их основе установлены логические связи.

При проектировании инфологической модели базы данных вещественного состава минерального сырья предприятий Кольского ГПК были выделены следующие сущности (классы объектов предметной области):

месторождение – общая информация о месторождениях представленных в базе данных;

группа месторождений описывает первый уровень в иерархии классификационной модели месторождений;

подгруппа месторождений обозначает второй уровень классификации месторождений;

предприятие содержит информацию о предприятии, на балансе которого находится месторождение.

Минеральное сырье – основной объект модели, атрибутами этого объекта описываются все характеристики вещественного состава минерального сырья рудного или техногенного месторождения. Физико-механические свойства – описывает физико-механические свойства исследуемого минерального сырья;

структурно-текстурные особенности – определяет структурно-текстурные характеристики минерального сырья, такие как форма и размер зерен, характер границ и срастаний зерен и т.д. Объекты модели: минералогический состав, химический состав и гранулометрический состав определяют основные характеристики вещественного состава минерального сырья. Объект технологическая карта описывает совокупность реализованных технологических процессов при сохранении и освоении минерального сырья рудных и техногенных месторождений.

';

Схема информационно-логической модели базы данных вещественного состава минерального сырья представлена на рис. 2.

Объекты «Группа месторождений», «Подгруппа месторождений» описывают классификационные признаки месторождений. Объект «Предприятие»

определяет справочную информацию о месторождении. У минерального сырья может быть определен ряд характеристик, описанных n-м числом параметров, при этом каждый параметр регистрируется и строго привязывается к определенному типу минерального сырья конкретного месторождения. Классификация видов минерального сырья необходима для гибкого формирования запросов к базе данных, что позволяет более точно определять спектр необходимых данных при исследовании характеристик минерального сырья месторождения.

Рис. 2. Информационно-логическая модель базы данных вещественного состава минерального сырья предприятий Кольского ГПК Проектирование информационно-логической модели базы данных технологических процессов (ТП) сохранения и переработки минерального сырья также проводилось с учетом знаний о предметной области (рис. 3.) Рис. 3. Информационно-логическая модель базы данных технологических процессов сохранения и переработки минерального сырья Реляционная структура базы данных вещественного состава минерального сырья предприятий Кольского ГПК характеризуется иерархической подчиненностью данных. На вершине иерархии находится таблица с регистрируемыми месторождениями. С ней взаимосвязаны таблицы с описательными и справочными данными, а также таблицы, определяющие группу и подгруппу месторождения.

Основываясь на классификационном делении параметров месторождений, в структуре базы данных созданы таблицы, определяющие классы параметров (гранулометрический состав, химический, физический составы и т.д.) и виды параметров минерального сырья. Каждый класс параметров содержит несколько видов. Например, класс химических параметров разделяется поэлементно на виды, которые представляются химическими элементами. Класс физических параметров характеризуется такими видами как морфология агрегатов, поверхностная активность и т.д. Все регистрируемые значения параметров хранятся в отдельных таблицах. Каждая такая таблица содержит значения параметров определенного класса, описывающих конкретный объект.

Информационным наполнением базы данных вещественного состава минерального сырья предприятий Кольского ГПК является:

кадастровая информация, которая характеризует состав и свойства исходного сырья горнодобывающих, горноперерабатывающих, металлургических и других типов предприятий (горные породы, руда, концентраты и т.д.) и отходов промышленных производств (хвосты, шламы, шлаки и т.д.);

данные о минералогическом, химическом и гранулометрическом составах минерального сырья, его физико-механических свойствах, структурнотекстурных особенностях;

данные мониторинга, позволяющие выявить закономерности изменения во времени химико-минералогического и петрографического составов и физических свойств минерального сырья, степень химического выветривания складированного минерального сырья, распределение минеральных элементов по горизонтам, техногенную нагрузку на природную среду;

Реляционная структура взаимодействия информационных блоков системы позволяет решать задачи по систематизации получаемой информации об исследуемых объектах и анализу лимитирующих факторов, определяющих оптимальный выбор технологических режимов.

Получение новых данных в ходе мониторинга месторождений и изучения вещественного состава минерального сырья, внедрение новых технологических решений переработки минерального сырья обуславливают необходимость постоянного развития информационной системы. В контексте этого развития предполагается использование данных космического мониторинга, современных ГИС, экспертных систем на основе математических моделей исследуемых объектов.

Для моделирования технологических процессов выбрана программа MODSIM, позволяющая формировать технологическую цепь из набора моделей обогатительного оборудования, соединяемых материальными потоками, и рассчитывающая детальные массовые балансы. Работа данного программного комплекса основывается на дискретизации функций распределения исходного сырья по крупности, плотности, магнитной восприимчивости, флотируемости и другим свойствам. Соответствующая информация содержится в базе данных вещественного состава минерального сырья предприятий Кольского ГПК.

В алгоритм программной среды MODSIM заложена библиотека модулей технологического оборудования и математический аппарат для моделирования работы дробильно-измельчительного, классифицирующего, флотационного и сепарационного оборудования. Идентификация моделей оборудования производится на основе разработанных баз данных существующего оборудования магнитного, гравитационного, флотационного обогащения.

Задание свойств исходной руды производится двумя способами:

1. По фракционным заданиям выходов и содержаний полезного компонента;

2. Использованием информации, полученной на современном аналитическом оборудовании, в том числе и на основе имидж - анализа.

Кроме пофракционного задания выходов и содержаний для корректной работы программы необходимо детальное описание физико-механических свойств, структурно-текстурных особенностей сростковых фракций.

Программа MODSIM генерирует и использует в своей работе модель распределения частиц по крупности на основе распределения Розина – Раммлера. Генерация данного распределения, а также расчет модели раскрытия компонента на основе бета – распределения производится при моделировании работы дробильно – измельчительного оборудования. Имеющийся в MODSIM набор моделей включает в себя модели стержневых и шаровых мельниц, использование которых с их индивидуальными настройками позволяет осуществлять идентификацию моделей с известным технологическим оборудованием.

Настройки модели стержневой мельницы позволяют осуществить моделирование процесса, например, при износе загруженных стержней, изменении наклона мельницы, содержания твердого в пульпе.

Измельчение в шаровой мельнице рассчитывается на основе рассеивания энергии удара при фиксированных затратах энергии при загрузке железной руды определенных фракций с определенным энергопотреблением. В результате получено распределение по крупности частиц продукта на выходе из мельницы с учетом размера шаров, загрузки шаров, загрузки фракции продукта, добавления воды и скорости мельницы.

В программу MODSIM заложены различные модели классифицирующего оборудования, такие как модель гидроциклона “Плитта” и модели грохочения на просеивающих поверхностях.

Модели грохочения основываются на вероятностных и эмпирических моделях процессов с учетом изменения конструкции. В пределах данной модели можно видеть влияние конструкции лотка, размеров грохота и угла наклона, скорости питания, формы частиц, типа сетки грохота, формы отверстий, загрузки грохота, открытой поверхности грохота и режимов вибрации на эффективность грохочения.

В программе предусмотрено использование новых разработанных аппаратов, основанное на возможности включения в технологическую цепь аппарата “черный ящик”, программируемого пользователем.

Для интеграции в программу MODSIM используются пофракционные сепарационные характеристики модели аппарата в виде “черного ящика”. В FORTRAN – программе задается положение точки полуизвлечения фракции на сепарационной характеристике и угол наклона касательной, проведенной в этой точке.

Созданная имитационная модель цикла измельчения, позволяет исследовать работу технологической цепи предприятия в зависимости от изменяющегося гранулометрического и химического составов поступающей дробленой руды, ее влажности и расхода.

Результатом работы модели являются детальные:

гранулометрические характеристики всех технологических продуктов;

технологические характеристики потоков;

характеристики работы каждой единицы оборудования.

При проведении вычислительного эксперимента также рассчитываются циркуляционные нагрузки; объемные расходы воды с учетом требуемых соотношений «твердое / жидкое»; плотности пульп сливов классификаторов;

С использованием программного комплекса MODSIM в настоящий момент созданы и исследуются типовые варианты моделей обогатительных схем для наполнения базы данных методов переработки минерального сырья.

Работа над типовыми вариантами осуществляется поэтапно. На первом этапе моделируется работа единичных аппаратов в зависимости от их регулируемых настроек и параметров исходного питания. Следующим этапом является объединение группы аппаратов с оптимальными настройками в постепенно наращиваемую линейно – циклическую технологическую схему обогащения данного вида минерального сырья.

Такой подход позволяет синтезировать в программной среде оптимальную топологию схемы переработки любого вида сырья с учетом всех техникоэкономических показателей.

Таким образом, необходимым условием для синтеза топологий технологических схем переработки минерального сырья рудных и техногенных месторождений является обеспеченность информацией об исследуемых объектах. Эффективным инструментом для решения этих задач являются автоматизированные информационные системы. Информационная поддержка при разработке новых технологических решений обеспечивается базами данных с предметной актуализацией информации об исследуемых объектах.

Сведения об авторах Бирюков Валерий Валентинович – научный сотрудник, е-mail: [email protected] Valeriy V. Birukov – Researcher Петров Алексей Александрович – ведущий программист, е-mail: [email protected] Alexey A. Petrov – Leading software engineer УДК 622.7:519.711. В.Ф. Скороходов, Р.М. Никитин, А.С. Степанникова, А.Г. Олейник ФГБУН Горный институт КНЦ РАН, ФГБУН Институт информатики и математического моделирования технологических процессов

КНЦ РАН

ИСПОЛЬЗОВАНИЕ СРЕДСТВ ИНЖЕНЕРНОГО АНАЛИЗА

ДЛЯ ИССЛЕДОВАНИЯ РАСПРЕДЕЛЕНИЯ МИНЕРАЛОВ

В ПРОДУКТАХ ОБОГАЩЕНИЯ НЕФЕЛИНОВОЙ ФЛОТАЦИИ

Аннотация В работе представлен подход к оценке флотационных свойств компонентов питания обратной нефелиновой флотации, позволяющий формулировать интегральные свойства фаз многоскоростного многофазного континуума (ММК) флотации в рамках вычислительного эксперимента, проводимого с CFD (Computational Fluid Dynamics) моделью гетерогенной системы процесса флотации (ГСПФ), адаптированной к эксплуатационным особенностям действующей флотационной техники.

Ключевые слова:

компьютерное моделирование, флотация, гидродинамика фаз гетерогенной системы, поверхностная энергия, многофазный многоскоростной континуум, CFD-метод.

V.F. Skorokhodov, R.M. Nikitin, A.S. Stepannikova, A.G. Oleinik

USE OF ENGINEERING ANALYSIS TOOLS FOR STUDY OF DISTRIBUTION OF

MINERALS IN THE CONCENTRATION PRODUCTS OF NEPHELINE FLOTATION

Abstract The paper presents an approach to assess flotation properties of feed components for reserve nepheline flotation. The approach allows formulating integral properties of phases of multi-velocity and multi-phase flotation continuum within the computing experiment which is carried out by CFD (Computational Fluid Dynamics) model of heterogenic system of flotation process. The model is adapted to operational features of the acting flotation equipment.

Key words:

computer modelling, flotation, hydrodynamics of phases of heterogenic system, surface energy, multi-phase multi-velocity continuum, CFD-method.

Увеличение объемов добываемых полезных ископаемых сопровождается обеднением рудного сырья и усилением техногенной нагрузки на природу.

Более полное и комплексное извлечение минералов и вовлечение в переработку техногенного сырья позволит смягчить воздействие деятельности человека на природную среду. Решение этой проблемы зависит от внедрения новых технологий переработки полезных ископаемых на основе создания новых образцов машин и аппаратов, используемых при добыче и обогащении минерального сырья. Создание нового обогатительного оборудования сегодня все в большей мере связано с применением в исследованиях разделительных Работа выполнена при поддержке гранта РФФИ №12-07-98800-р_север_а «Разработка моделей и информационной технологии прогнозирования параметров производственных процессов обогащения руд».

процессов вычислительных программ, основанных на моделях многофазной гидродинамики. В основе моделирования процессов разделения минеральных компонентов лежит математический аппарат вычислительной гидродинамики.

При разработке CFD моделей ключевым является выявление факторов, влияющих на эффективность моделируемых процессов.

В модели твердая фаза представлена множеством дисперсных псевдо фаз, физико-химические свойства которых определены в результате анализа пробы питания флотации. Геометрия модели, ограниченная контурами камеры, статора и импеллера флотационной машины ОК-38, используемой, в частности, в ОАО «Апатит» в цикле производства нефелинового концентрата, разработана в соответствие с конструкторской документацией компании Outokumpu в сеточном генераторе Gambit. Расчетная сетка модели предусматривает применение в ходе вычислительного эксперимента технологии движущихся сеток (Dynamic Mesh). Вычислительный эксперимент над моделью проведен в модуле Fluent программного комплекса ANSYS 14.5.

Магистральной фазой модели является среда со свойствами водного раствора ПАВ малой концентрации со значениями pH в соответствии с регламентом технологии получения нефелинового концентрата. Первой из вторичных псевдо фаз является дисперсная фаза, каждый элементарный объем которой обладает свойствами пузырька воздуха. Отнесение каждой твердой частицы к какой-либо вторичной псевдо фазе модели зависит от значения величин ее физических и химических свойств, определяющих ее положение в интервалах соответствующих статистических распределений [1]. Данные для формулировки условий однозначности модели были определены из состава питания флотации по результатам гранулометрического, химического и минералогического анализов пробы. Необходимой составляющей этих данных является оценка раскрытия полезного минерала в классах крупности частиц.

Определение твердых псевдо фаз модели основано на том, что их количество и состав в вычислительном эксперименте должны отвечать уровню ожидаемой достоверности, технической оснащенности и времени, отведенному на его проведение. Для постановки вычислительного эксперимента во входном потоке модели ГСПФ был определен ряд псевдо фаз (узких флотационных фракций), интегральные свойства которых отражают степень вхождения в них реальных минералов. Для каждой из псевдо фаз рассчитаны эффективные плотности и массовые доли элементов, представляющих промышленный интерес в производственном цикле ОАО «Апатит» – Al2O3 и P2O5. Учитывая, что минералы, входящие в псевдо фазы модели, равновероятно формируют поверхности их частиц, оценены доли поверхности частиц, приходящиеся на каждый фазообразующий минерал. На основе данных, приведенных в [2], и полученных на основе методики расчета, приведенной в [3], определены энергетические константы ионов, входящих в структуры кристаллических решеток минералов, содержащихся в пробе питания нефелиновой флотации (табл. 1).

В табл. 2 приведены справочные и расчетные данные к оценке флотационных свойств компонентов пробы питания.

Расчеты проведены методом оценки поверхностной энергии минеральных зерен по установленной связи между ее величиной и значениями энергии взаимодействия ионов в кристаллической решетке минерала. Такой подход основывается на геоэнергетической теории А.Е. Ферсмана [4] и работах В.В. Зуева и др. [5], посвященных кристаллоэнергетике.

входящих в структуры кристаллических решеток минералов, содержащихся в пробе питания нефелиновой флотации 0,32 1,55 0,37 0,45 2,15 4,95 8,60 14,40 0,36 1,75 8,40 2,12 5,15 1, Справочные и расчетные* данные к оценке флотационных свойств компонентов пробы питания нефелиновой флотации Гидрослюды Fe2+Fe3+Mg[Si3AlO10]·(OH)2·4H2O 73044 346 1,171 1, Лампрофиллит Sr2Na3Ti3[Si2O7]2O3·(OH) 98932 435 1,392 1, Титаномагнетит Fe Fe2 O4·Fe2 TiO *расчетные данные:

U – молярная энергия связи кристаллической решетки минерала [кДж/моль];

Uv – объемная энергия связи кристаллической решетки минерала [кДж/см3];

Esfs – поверхностная энергия границы раздела воздух при нормальных условиях – твердое [Дж/м2];

Esls – поверхностная энергия границы раздела жидкость при нормальных условиях – твердое [Дж/м2].

При построении модели разделительного процесса важно соблюдение условий реального производства. Основой расчета объемных характеристик модели явилась технологическая схема получения нефелинового концентрата в ОАО «Апатит» (рис. 1).

Исходя из количества камер двухкамерных машин ОК-38 в технологической цепочке нефелиновой флотации в ОАО «Апатит» и предположения о равной интенсивности процесса в каждой камере, получены базовые параметры CFD модели ГСПФ в первой камере, необходимые для контроля над данными вычислительного эксперимента (рис. 2).

В модели определялись потоки массы псевдо фаз через поверхности ввода питания и выходов камерного и пенного продуктов, а так же объемное распределение псевдо фаз в расчетной области.

Рис. 1. Фрагмент технологической схемы получения нефелинового концентрата в пересчете на операцию нефелиновой флотации Рис. 2. Базовые параметры CFD модели ГСПФ в первой камере технологической цепочки нефелиновой флотации Получены поля скоростей ГСПФ в целом и каждой дисперсной фазы в отдельности. В объеме ГСПФ выявлены зоны гидродинамической активности, характеризующиеся образованием локальных турбулентных потоков, снижающих вероятность элементарных актов флотации, а также зоны, где гидродинамическая активность ГСПФ низка, что способствует образованию застойных областей с пониженной концентрацией газовой фазы. Тем самым получено представление о расположении зон, где установившиеся гидродинамические режимы в различной степени способствуют процессу флотации.

На рис. 3 представлены поля скоростей магистральной фазы и вторичной псевдо фазы, каждая частица которой обладает свойствами пузырька воздуха, в среднем сечении объема ГСПФ. На рис. 3, 4, 5 проекция модели выбрана таким образом, что направление движения внешнего потока питания слева направо, выход пенного продукта по внешней нормали от верхнего среза проекции, вращение импеллера правовинтовое.

а) магистральная; б) вторичная псевдо фаза, каждая частица которой Получены индикаторные распределения твердых псевдо фаз (рис. 4).

Индикатором распределения является объемная доля псевдо фазы в потоке питания модели. Индикаторное распределение позволяет оценить характер положения фазы в ГСПФ по сравнению с распределением фазы в питании процесса, что выявляет тенденцию заполнения фазой рабочего объема флотационной камеры.

а – гидрофильная псевдо фаза с объемным содержанием в потоке питания б – гидрофобная псевдо фаза с объемным содержанием в потоке питания Получены средневзвешенные распределения концентраций твердых псевдо фаз (рис. 5). Центр распределения определен как среднее арифметическое суммы объемных долей твердых псевдо фаз модели, равное 4,18е–02.

Средневзвешенное распределение позволяет установить качественную и количественную прогнозные оценки формирования камерного и пенного продуктов.

а – гидрофильной псевдо фазы с объемным содержанием б – гидрофобнойпсевдо фазы с объемным содержанием Вычислительный эксперимент с CFD моделью ГСПФ, дает представление о гидродинамике системы, выявляет закономерности распределения концентраций и скоростей компонентов, позволяет оценить технологические параметры флотации. В табл. 3 и 4 приведены значения технологических параметров моделируемого процесса флотации, полученные в результате выполнения вычислительного. Столбцы «расчет» таблиц содержат значения параметров, соответствующие базовым параметрам CFD модели ГСПФ (рис. 2), а столбцы «результат» содержат значения поверхностных интегралов, взятых по поверхностям выходов камерного и пенного продуктов объема ГСПФ.

Кроме того, ANSYS Fluent позволяет получать интегрально-дифференциальные оценки физических и статистических параметров псевдо фаз в любой области исследуемой системы в каждый момент времени, как в графическом, так и в числовом виде. Результаты вычислительного эксперимента могут быть использованы для получения сепарационных характеристик как действующей, так и вновь создаваемой флотационной техники и обоснования оптимальных технологических параметров обогащения питания основной нефелиновой флотации. Использование вычислительного эксперимента для исследования ММК флотации позволяет избежать установки измерительных приборов и датчиков в рабочий объем камеры флотационной машины и при этом получать данные о процессе, минимизировав необходимые для проведения подобного физического эксперимента материальные и временные ресурсы.

Выход камерного и пенного продуктов в модели Параметр Содержание и извлечение Al2O3 и P2O5 в продуктах модели Содержание продукте, кам Извлечение продукт, кам Содержание продукте, пен Извлечение продукт, пен Литература 1. Тихонов, О.Н. Теория сепарационных процессов: учебное пособие /О.Н.

Тихонов. -Технический университет. –С-Пб., 2003. -Ч.1. -102 c.

2. Бокий, Г.Б. Кристаллохимия /Г.Б. Бокий. - М.: Недра, 1971. -401 c.

3. Рабинович, В.А. Краткий химический справочник /В.А. Рабинович, В.А.

Хавин. - Л.: Химия, 1977. -392 с.

4. Ферсман, А.Е. Геохимия /А.Е. Ферсман. – М. - Л: ОНТИ, Химтеорет., 1936.

5. Зуев, В.В. Кристаллоэнергетика как основа оценки свойств твердотельных материалов / В.В. Зуев, Л.Н. Поцелуева, Ю.Д. Гончаров. - С-Пб., 2006. -139 с.

Сведения об авторах Скороходов Владимир Федорович - д.т.н., заведующий лабораторией новых обогатительных процессов и аппаратов, е-mail: [email protected] Vladimir F. Skorokhodov - Dr. of Sci. (Tech.), Head of laboratory Никитин Роман Михайлович - ведущий технолог лаборатории новых обогатительных процессов и аппаратов, е-mail: [email protected] Roman M. Nikitin - Principal technologist Степанникова Анна Сергеевна - аспирант, инженер лаборатории новых обогатительных процессов и аппаратов, е-mail: [email protected] Аnn S. Stepannicova - Post-graduate, Engineer Олейник Андрей Григорьевич - д.т.н., зам. директора института, e-mail: [email protected] Andrey G. Oleynik - Dr. of Sci. (Tech), Deputy director УДК 622.7: 004. В.В. Бирюков, А.Г. Олейник, А.С. Опалев, А.В. Щербаков ФГБУН Горный институт КНЦ РАН ФГБУН Институт информатики и математического моделирования технологических процессов

КНЦ РАН

ОАО «Олкон»

МОДЕРНИЗАЦИЯ ТЕХНОЛОГИИ ОБОГАЩЕНИЯ ЖЕЛЕЗНЫХ РУД НА ОАО

«ОЛКОН» С ИСПОЛЬЗОВАНИЕМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

Аннотация В работе рассматривается использование имитационного моделирования для решения задач повышения эффективности обогащения железосодержащих руд на ОАО «Олкон». Модель технологической цепи дробильно-обогатительной фабрики реализована средствами программного комплекса MODSIM. Модель позволяет исследовать работу технологической схемы в зависимости от изменяющегося гранулометрического и химического состава поступающей дробленой руды, ее влажности и расхода.

Ключевые слова:

переработка минерального сырья, технологическая схема, имитационная модель, вычислительный эксперимент, оптимизация технологических параметров.

V.V. Birukov, A.G. Oleynik, A.S. Opalev, A.V. Sherbakov

UPGRADING OF TECHNOLOGY FOR IRON ORES CONCENTRATION ON JSC

"OLCON" BY USING SIMULATION

Abstract This paper discusses the using of simulation to problems solving in the field of the efficiency improve of iron ores dressing by JSC "Olcon". Model for technology line of crushing and processing plant is implemented by software package MODSIM. The model allows to study the work process flowsheet as a function of varying particle size and chemical composition of the incoming crushed ore, its flow and moisture.

Key words:

mineral raw material processing, flowsheet, simulation model, computer experiment, technological parameters optimization.

Введение В настоящее время ОАО «Олкон» разрабатывает шесть железорудных месторождений открытым и одно подземным способами. Общий объем добываемой руды составляет более 15 миллионов в год, при этом по своим природным свойствам руды неоднородные, что обусловливает их различную дробимость, измельчаемость, обогатимость и приводит к резким колебаниям и снижению качественно-количественных показателей работы, как отдельных переделов, так и дробильно-обогатительной фабрики (ДОФ) в целом.

Анализ состояния минерально-сырьевой базы свидетельствует о том, что многолетняя интенсивная отработка высокорентабельной приповерхностной Работа выполнена при поддержке гранта РФФИ №12-07-98800-р_север_а «Разработка моделей и информационной технологии прогнозирования параметров производственных процессов обогащения руд».

части большинства эксплуатируемых месторождений привела к их истощению.

Разрабатываемые на большой глубине запасы бедных железных руд имеют низкую природную рентабельность. Постоянное снижение качества исходной руды обусловливает необходимость опережающего увеличения добычных мощностей предприятия. Объем добычи в последние десятилетия существенно превышает прирост запасов, в том числе по основным видам добываемого сырья. Содержание Feобщ. в руде в настоящий момент не превышает 25% (при проектировании предприятия оно составляло более 32%) [1].

Обогащение добываемых железных руд производится на ДОФ по магнитной и магнито-гравитационной схемам с получением железорудного концентрата с содержанием 65,7% Feобщ.. Обогатительные секции для работы используют смесь руд различных месторождений, поступающую “с колес”, без использования склада усреднения. Схемы обогащения магнетитовых кварцитов, включающие в себя дробление, измельчение и магнитное и гравитационное обогащение не модернизировались с момента запуска предприятия.

Технологические решения в области модернизации схем обогащения Применение технологических схем обогащения со стадиальным выводом отвальных хвостов и получением готового концентрата в конечной стадии приводит к повышенным энергетическим затратам в операциях измельчения вследствие высоких циркуляционных нагрузок и значительному переизмельчению ценных компонентов. Анализ эффективности используемого оборудования показал, что наиболее узким местом является несовершенство работы классифицирующих аппаратов. Наиболее распространена классификация в гидроциклонах различных типов, но эффективность их работы не превышает 35-50% по готовому классу, что предопределяет увеличение фронта измельчения на 150-200% по сравнению с необходимым теоретически.

Используя имеющийся положительный опыт применения операции тонкого грохочения на предприятиях ОАО «Карельский Окатыш», ОАО «СоколовскоСорбайское ГПО и ОАО «Ковдорский ГОК», на ОАО «Олкон» внедрены в качестве классифицирующего оборудования аппараты «Stack SizerТМ» фирмы Derric Corporation для операции тонкого грохочения как первый шаг по разработке энергоресурсосберегающей технологии.

В апреле 2012 года были смонтированы первые четыре грохота на технологической секции №9. Практически сразу были получены положительные результаты: за счет снижения циркуляционной нагрузки с 350400% до 150200% была остановлена одна из двух работающих на секции шаровых мельниц. Колебание качества вырабатываемого на секции концентрата было стабилизировано. Но для получения концентрата с требуемым содержанием железа на уровне 65,7% была снижена производительность секции по исходной руде с 220 тн/час до 185-195 тн/час. Кроме того, спустя несколько месяцев эксплуатации стало очевидным то, что достигнутый за счет вывода из работы одной шаровой мельницы экономический эффект полностью перекрывается затратами на полиуретановые просеивающие поверхности грохотов вследствие их интенсивного износа.

Для решения возникших технологических проблем было решено разработать компьютерную модель рассматриваемого производственного процесса. Имитационное моделирование является эффективным инструментом для решения задач оптимизации показателей технологических схем [2, 3]. С его помощью можно достаточно оперативно оценить эффективность технологических процессов в исследуемой системе и результативность выбранной технологической схемы, а также провести оценку экономической эффективности различных топологий технологических цепей с выбором оптимальной. Создаваемая модель должна обеспечить решение следующих задач:

оптимизация водно-шламовых схем технологических секций главного корпуса фабрики;

определение оптимальных типоразмеров просеивающих поверхностей в зависимости от требований к готовой продукции со стороны основных потребителей;

определение путей увеличения срока службы просеивающих панелей;

оптимизация технологических параметров циклов измельчения в стержневых и шаровых мельницах;

повышения извлечения полезных компонентов за счет оптимизации параметров операции тонкого грохочения с применением современных методов компьютерного моделирования.

Имитационное моделирование процессов обогащения на ДОФ ОАО «Олкон»

Для реализации модели рассматриваемых технологических процессов и проведения вычислительных экспериментов была использована программа MODSIM [4]. Данный инструментарий позволяет формировать модель технологической цепи из набора моделей обогатительного оборудования, соединяемых материальными потоками, и обеспечивает возможность расчета детальных массовых балансов в различных точках моделируемой схемы. В алгоритм программной среды MODSIM заложен математический аппарат и модули модельного представления работы дробильно-измельчительного, классифицирующего и сепарационного оборудования. Для обеспечения возможности исследования нового (не имеющегося в базе инструментальной среды) технологического оборудования существует возможность включения в модель технологической цепи моделей аппаратов, программируемых пользователем [4, 5]. Если при моделировании предполагается использование созданных пользователем моделей аппаратов, то в соответствующие места изначально формируемой средствами MODSIM модели схемы обогащения включаются блоки, обладающие свойством “черного ящика”. Для данных блоков в схеме задаются входы и выходы, а внутреннее содержание блока остается в исходной модели неопределенным. Затем каждый включенный в схему «черный ящик»

связывается с внешней (определяемой пользователем) моделью, имитирующей его работу, т.е. задающий механизм преобразования определенных «черному ящику» входов в его выходы. В общем случае с каждым «черным ящиком»

может быть ассоциировано некоторое множество моделей. Выбор конкретного экземпляра для подстановки определяется целями сеанса моделирования и исходными условиями вычислительного эксперимента. На этапе разработки технологии в «черные ящики», как правило, осуществляется подстановка различных моделей аппаратов, и оцениваться их влияние на общую эффективность схемы. При работе модели в контуре оперативного управления для подстановки могут использоваться как различные (по математическому базису) модели конкретного аппарата, так и одна и та же модель, но с различными априорно заданными параметрами. Второй вариант подстановки при использовании модели в контуре оперативного управления обеспечит сокращение времени на получение результатов за счет сокращения этапа настройки модели на текущие значения параметров технологического процесса.

С использованием MODSIM создана модель технологической схемы переработки железных руд на ДОФ ОАО «Олкон», включающие в себя измельчение в стержневой и шаровой мельницах, классификацию измельченного продукта с использованием оборудования для тонкого грохочения Derric «Stack SizerТМ» и трехстадиальную магнитную сепарацию с использованием барабанных магнитных сепараторов. Разработанная модель позволяет ускоренно исследовать сложные производственные ситуации и вырабатывать решения по устранению возникающих проблем, производить выбор рациональных режимов технологических процессов с выработкой оптимальных управляющих воздействий. На рис. 1 и 2 представлены технологическая схема 8-9 секций ДОФ ОАО «Олкон» и ее имитационная модель, разработанная в программе MODSIM [5].

Рис. 1. Технологическая схема обогащения на ДОФ ОАО «Олкон»

Созданная математическая модель позволяет исследовать работу технологической схемы в зависимости от изменяющегося гранулометрического и химического состава поступающей дробленой руды, ее влажности и расхода [5].

Имеющиеся в базе MODSIM модели стержневых и шаровых мельниц в результате индивидуальной настройки были идентифицированы с технологическим оборудованием, установленным на ДОФ. Варьирование настроек модели стержневой мельницы позволяет осуществить в ходе вычислительного эксперимента анализ ее работы при износе загруженных стержней, изменении наклона мельницы, содержания твердого в пульпе и др. [6]. В результате использования математического аппарата распределения Розина-Раммлера и модели раскрытия полезного компонента в руде на основе свойств бетараспределения на выходе стержневой мельницы были получены детальные фракционный и сростковый составы пульпы.

Рис. 2. Схема имитационной модели технологической цепи Модели грохочения основываются на вероятностных и эмпирических моделях процессов с учетом изменения конструкции. В пределах данной модели оценивается влияние конструкции лотка, размеров грохота и угла наклона, скорости питания, формы частиц, типа сетки грохота, формы отверстий, загрузки грохота, открытой поверхности грохота и режимов вибрации. Разрабатывается методика учета влияния износа просеивающей поверхности на технологические показатели классификации с использованием тонкого грохочения.

Измельчение в шаровой мельнице рассчитывалось на основе рассеивания энергии удара при измельчении железной руды определенных фракций с определенным энергопотреблением. В результате было получено распределение по крупности частиц измельченного продукта с учетом размера шаров, их загрузки, удельной нагрузки по исходному питанию, расхода воды и числа оборотов барабана мельницы.

Таким образом, применение имитационного моделирования для модернизации технологических схем обогащения железных руд на ОАО «Олкон»

позволит существенно сократить временные и материальные затраты на разработку и внедрение оптимального технологического процесса, отвечающего современным требованиям энергоресурсосбережения экологической безопасности.

Заключение Прогностические возможности созданной компьютерной модели существенно превосходят возможности используемых до настоящего времени расчетов по эмпирическим формулам. Результаты моделирования показали, что оперативное регулирование динамики производственных процессов обогащения магнетитовых руд на ДОФ ОАО «Олкон» может осуществляться за счет варьирования следующих параметров:

массовых расходов исходной руды, подаваемой на сухую магнитную сепарацию и в мельницы первой стадии (с учетом циркуляционных нагрузок);

объемных расходов воды в мельницы первых стадий с учетом требуемых соотношений «твердое/жидкое»;

плотностей пульп сливов спиральных классификаторов;

уровней пульп в технологических зумпфах;

давлений потоков пульп на входе в гидроциклоны;

уровней магнетита в дешламаторах.

Расчет на модели позволяет определять комбинации значений управляющих параметров, обеспечивающие наиболее эффективный режим протекания обогатительного процесса при заданных условиях и ограничениях.

Литература 1. Опалев, А.С. Стадиальное выделение магнетитового концентрата при обогащении железистых кварцитов на ОАО «ОЛКОН» / А.С. Опалев, В.В. Бирюков, А.В. Щербаков // Инновационные процессы комплексной и глубокой переработки минерального сырья (Плаксинские чтения 2013): мат. Международного совещания. г. Томск, 16-19 сентября 2013 г. - Томск. -С.258-261.

2. Шупов, Л.П. Моделирование и расчёт на ЭВМ схем обогащения./ Л.П. Шупов.

- М.: Недра, 1980. - 288с.

3. King R.P. Modeling and Simulation of Mineral Processing Systems / R.P. King, Edited by C.L. Schneider and E.A. King. Published by Society for Mining, Metallurgy, and Exploration, 2012. - 492 p.

4. Modular Simulator for Mineral Processing Plants.

- Режим доступа: http://www.mineraltech.com/Modsim/ 5. Опалев, А.С. Моделирование технологических схем обогащения железистых кварцитов с использованием современных программных средств /А.С. Опалев, В.В. Бирюков // Инновационные процессы комплексной и глубокой переработки минерального сырья (Плаксинские чтения 2013): мат. Международного совещания. г. Томск, 16-19 сентября 2013 г. - Томск. –C.354-357.

6. Austin, L.G, Process Engineering of Size Reduction: Ball Milling / L.G. Austin, R.R.

Klimpel, P.T. Luckie - SME 1984. - 123 р.

Сведения об авторах Бирюков Валерий Валентинович - научный сотрудник, e-mail: [email protected] Valeri V. Birukov – Researcher Олейник Андрей Григорьевич - д.т.н., зам. директора института, e-mail: [email protected] Andrey G. Oleynik - Dr. of Sci. (Tech), Deputy director Опалев Александр Сергеевич – к.т.н., старший научный сотрудник, e-mail: [email protected] Alexander S. Opalev – Ph.D. (Tech. Sci.), Senior researcher Щербаков Алексей Владимирович – директор ДОФ ОАО «Олкон», e-mail: [email protected] Aleksey V. Sherbakov – Director of dressing of JSC «Olcon»

УДК 004. А.А. Туз, В.Н. Богатиков Ковдорский ГОК Мурманский государственный технический университет Кольский филиал ПетрГУ

ПОСТРОЕНИЕ МОДЕЛИ ПРОЦЕССА ИЗМЕЛЬЧЕНИЯ В АГРЕГАТЕ

НЕПРЕРЫВНОГО ДЕЙСТВИЯ С ЗАМКНУТЫМ ЦИКЛОМ ОАО

«КОВДОРСКИЙ ГОК» С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

Аннотация В статье рассматривается моделирование технологического процесса измельчения. Комбинированная кинетическая модель процесса измельчения в шаровой барабанной мельнице с открытым циклом. Возможность использования нейро-фаззи сетей для эффективного управления технологическим Ключевые слова:

компьютерное моделирование, кинетика, смешение, измельчение, классификация, месторождения многокомпонентных руд, бадделеит-апатит-магнетитовые руды, оценка состояния, нейросети.

V.N.Bogatikov, A.A.Tuz

BUILDING A MODEL OF GRINDING IN UNIT OF CONTINUOUS ACTION WITH

THE CLOSED CYCLE IN JSC "KOVDORSKY GOK" WITH USING NEURAL

NETWORK MODELS

Abstract The article consider modeling of technological grinding process. Research of factors defining productivity of grinding process. The possibility of using neuro-fuzzy networks for effective process control.

Key words:

computer modeling, kinetics, mixing, grinding, classification, multi-ore deposits, baddeleyiteapatite-magnetite ore, evaluation, neural network.

Введение В связи с дефицитом и высокими ценами фосфатного сырья на внутреннем и внешнем рынке руководством МХК «ЕвроХим» была поставлена задача и разработана программа обеспечения заводов компании фосфатами собственного производства, главным образом за счет увеличения объемов выпуска апатитового концентрата Ковдорским ГОКом до 3 млн. т к 2015 г. [1].

Совершенствование производства ведется по трем основным направлениям:

1. Эксплуатационно-технологическое направление. Изыскание новых методов добычи, рудоподготовки и обогащения полезных ископаемых. Сюда можно отнести совершенствование регламентов технологических процессов и совершенствование технологического оборудования.

2. Проектно-конструкторское направление. Создание нового более мощного и прогрессивного оборудования. Модернизация и реконструкция производства; повышение качества изготовления деталей и узлов установленного оборудования.

3. Автоматизация производства.

Одно из главных требований, предъявляемых к процессу измельчения– максимальная производительность измельчительных агрегатов [2]. По опубликованным данным [2], 90-95% всех расходов на измельчение зависят от производительности мельниц. Эти расходы изменяются обратно пропорционально изменению производительности мельниц.

Существенной особенностью большого класса современных технологических процессов является наличие неопределенности параметров их функционирования как статистической, так и нестатистической природы, которая объясняется отсутствием или неполнотой знаний о физико-химических параметрах процесса, широким спектром различных возмущающих и управляющих воздействий, присутствующих в реальных производственных системах и сложным характером их влияния.

Описание технологического процесса подготовки питания флотации Технологический процесс мельнично-гидроциклонного передела апатито-бадделеитовой фабрики (АБОФ) ОАО Ковдорский ГОК, заключается в следующем. Хвосты магнито-обогатительной фабрики (МОФ) крупностью 30% кл. -0,074 мм. насосами подаются на АБОФ, где сгущаются в гидроциклонах. Слив последних обесшламливается в обезвоживающих гидроциклонах, а крупная часть песков доизмельчается до -0,3 мм. в шаровой мельнице, работающей в замкнутом цикле с классифицирующим гидроциклоном.

Операция измельчения также несет в себе свойство обновления поверхности минеральных зерен [3]. Готовый по крупности материал с 25% твердого поступает в радиальный сгуститель, из которого в слив удаляются шламы.

Сгущенный продукт с 50-53% твердого направляется на флотацию апатита в механических аппаратах. В результате основной флотации, двух контрольных флотаций и перечисток получают апатитовый концентрат с 37-38% Р2О5 [4].

Технология мокрого измельчения в агрегате непрерывного действия с замкнутым циклом Агрегат мокрого измельчения с замкнутым циклом представляет собой систему взаимосвязанных технологических аппаратов. Схема технологического процесса измельчения в таком агрегате представлена на рис. 1.

Рис. 1. Схема технологического процесса измельчения в агрегате Хвосты МОФ, поступающие в процесс доизмельчения, имеют различный минералогический состав: процентное содержание основных минералов и примесей. Минералы, входящие в состав хвостов, обладают различными физико-механическими свойствами: крепость; прочность на сжатие и растяжение; упругость и т.д.

Хвосты МОФ также характеризуются гранулометрическим составом – содержанием различных классов крупности частиц. Количество классов крупности – условное.

Рассмотрим процесс измельчения рудных материалов, происходящий в агрегате непрерывного действия. Внутрь барабана непрерывно подается измельчаемый материал, который проходит вдоль него и, подвергаясь воздействию дробящих тел, измельчается ударом, истиранием и раздавливанием. Измельченный продукт непрерывно разгружается.

Выходной продукт мельницы поступает в классифицирующий аппарат, где происходит разделение материала по крупности: песковая фракция Qпеск;

готовый продукт измельчения Qгот (рис. 2).

Песковая фракция поступает обратно в процесс измельчения, образуя циркулирующую нагрузку мельницы. Готовый продукт измельчения поступает в технологические процессы обогащения (флотация).

Для повышения эффективности работы классифицирующего оборудования в процесс классификации подается вода.

Рис. 2. Обобщенная технология измельчения Обобщенная постановка задачи Совершенствование процессов обогащения и создание наиболее эффективного оборудования возможно при решении вопросов автоматизации.

Основную цель автоматизации управления технологическими процессами обогащения, можно сформулировать следующим образом:

Обеспечение максимального извлечения полезного компонента и выпуска готовой продукции производства при заданном значении по качеству и ограничениях на трудовые, энергетические и материальные ресурсы.

В этих условиях критерием экономической эффективности принимается, как правило, прибыль.

Применительно к апатитобадделеитовой обогатительной фабрике Ковдорского ГОКа качественными показателями апатитового концентрата являются:

кР2О5 содержание ценного компонента (Р2О5) в концентрате;

к0,16 содержание класса крупности +0,16 мм в концентрате.

Содержание полезного компонента в концентрате кР О зависит от суммарного содержания апатита и от технологического извлечения полезного компонента (Р2О5) в концентрат в процессе обогащения.

Определенную роль в технологии измельчения играет фактическая удельная производительность мельниц q 0.16, которая в своем приближении к q 0.16 зависит от способа управления процессом измельчения (ручной, автоматический) при оптимальном наполнении мельницы шарами заданного ассортимента и регламентном состоянии оборудования.

Система оценки параметров модели процесса измельчения в шаровой барабанной мельнице на основе нейро-фаззи сети Постановка задачи В соответствии с поставленной задачей моделирования математическая модель процесса измельчения должна прогнозировать гранулометрический состав измельченного материала с учетом изменений его физико-механических свойств, а также состояния измельчительной среды.

Изменение физико-механических свойств перерабатываемого материала и состояния измельчительной среды приводит к изменению параметров модели.

Так коэффициенты ij в системе уравнений, определяющие функцию разрушения материала, зависят только от физико-механических свойств материала, которые в свою очередь определяются минералогическим составом рудного материала; коэффициенты i, определяющие функцию отбора материала, зависят как от свойств измельчаемого материала, так и от состояния шаровой загрузки.

Задачей, решаемой системой оценки параметров модели процесса измельчения, является прогнозирование функций отбора и разрушения измельчаемого рудного материала.

Нейро-фаззи сетевой метод оценки параметров модели Определение функций разрушения и отбора материала является весьма сложной задачей. Аналитические зависимости для функций разрушения и отбора, требуют большого количества априорной информации, для получения которой необходимо проведение дополнительных исследований.

Для аппроксимации зависимости функции разрушения материала от его минералогического состава предлагается использовать аппарат нейро-фаззи сетей (НФС), в котором выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей [4, 5].

Для прогнозирования функции отбора материала предлагается также использовать аппарат нейро-фаззи сетей.

Комбинированная кинетическая модель процесса измельчения в шаровой барабанной мельнице с открытым циклом Технологический процесс сокращения крупности материала в шаровой барабанной мельнице может быть представлен моделью идеального перемешивания [3]. При этом материальный баланс может быть представлен, как показано на рис. 3.

Рис. 3. Материальный баланс мельницы идеального перемешивания Тогда дифференциальное уравнение, выражающее материальный баланс i-го класса крупности имеет вид:

i – массовая доля i-го класса крупности, находящегося в мельнице;

где – массовая доля i-го класса крупности на входе (в питании) мельницы;

– время пребывания материала в мельнице;

– коэффициенты, определяющие функцию разрушения материала;

– коэффициенты, определяющие функцию отбора материала;

При условии установившегося процесса уравнение материального баланса примет вид:

В уравнении (1) можно от массовых долей i перейти непосредстmi венно к массам материала i-го класса крупности, находящегося в мельmi нице, исходя из того, что, согласно закону сохранения массы Тогда уравнение (1) запишется в виде:

Кинетическое уравнение (1) и (3) предполагает, что время пребывания частиц различных классов крупности одинаково. В действительности всегда имеется некоторый разброс частиц по времени пребывания в мельнице. Этот разброс определяется перемешиванием и характеризуется функцией E t, называемой функцией распределения по времени пребывания или иначе функцией РВП:

где dP – вероятность того, что время пребывания частицы в аппарате лежит в интервале от t до dt.

Функция РВП может быть интерпретирована как зависимость концентрации трассера (некоторым образом меченных недробимых частиц) при его импульсном вводе на вход аппарата.

Разнообразие характеристик потока в реальных системах можно воспроизвести варьированием числа используемых зон идеального перемешивания и степени перемешивания между смежными зонами.

Учесть различное время пребывания частиц удается, применив представление потока через мельницу в виде каскадных смесителей. Причем в большинстве случаев достаточно трех смесителей (А, В, С) в каскаде, если принять время пребывания в каждом смесителе соответственно равным:

где - общее время пребывания материала в мельнице.

На рис. 4 процесс измельчения представлен каскадом из трех смесителей (A, B, C). Поток частиц i-ой фракции (класса) крупности жаемого из смесителя A материала является входным потоком смесителя B, и, аналогично, поток разгружаемого из смесителя B материала является входным потоком запас (массу) материала, который подвергается измельчению.

Рис. 4. Каскадное представление процесса измельчения С учетом выше изложенного кинетическое уравнение (3) для трех смесителей запишется в виде системы уравнений:

miA, miB, miC – масса i-ой фракции (класса) крупности, находящегося где соответственно в смесителе A, B, C.

– масса i- ой фракции (класса) крупности на входе в соответственно в смесители A, B, C;

A, B, C – время пребывания в данном смесителе;

При разбиении входного потока измельчаемого материала на n классов крупности, например, для смесителя A получим систему из n уравнений (7), при этом предполагается, что разрушение самого мелкого n-го класса крупности не происходит.

Структурная схема модели системы дифференциальных уравнений (7) представлена на рис. 5.

Рис. 5. Структурная схема модели кинетики измельчения Оценка функции разрушения и отбора измельчаемого материала Для прогнозирования функции разрушения и функции отбора целесообразно применение нейро-фаззи сети.

Так как физико-механические свойства апатитобадделеитовых руд определяются минералогическим составом основных минералов – апатита и бадделеита, на вход нейро-фаззи сети будем подавать два входных параметра – содержание бадделеита и суммарное содержание апатита и бадделеита в руде.

Структура нейро-фаззи сети показана на рис. 6 и 7.

Входными переменными НФС являются содержания основных минералов ( Bad, Ap Bad ), определяющих физико-механические свойства измельчаемого материала (апатитобадделеитовой руды) Выходы узлов первого слоя представляют собой значения функций принадлежности терм-множеств конкретных значений соответствующих входных переменных.

В первом слое нейро-фаззи сети проводится фаззификация входных переменных. Выходы узлов первого слоя представляют собой значения функций принадлежности терм-множеств конкретных значений соответствующих входных переменных.

Рис. 6. Структура нейро-фаззи сети (НФС) для прогнозирования функции Рис. 7. Структура нейро-фаззи сети для прогнозирования функции На вход нейро-фаззи сети (рис. 7) для прогноза функции отбора целесообразнее подавать не минералогический состав перерабатываемой руды, а ее тип согласно проведенной технологической типизации, основанной на измельчаемости и обогатимости данной руды.

Вторым параметром, подаваемым на вход нейро-фаззи сети, будет являться шаровая загрузка мельницы (объемное заполнение мельницы шарами) Выходом нейро-фаззи сети будет являться прогнозное значение коэффициента s i, составляющего функцию отбора материала.

Нейро-фаззи сети с подобной архитектурой в англоязычной литературе получили название ANFIS (Adaptive Neuro-Fuzzy Inference System).

Заключение Сформулирована задача моделирования технологического процесса измельчения и выявлены закономерности измельчения апатитобадделеитовых руд. Модель процесса измельчения представлена ячеечной, состоящей из каскада трех смесителей идеального смешивания.

Задачей, решаемой системой оценки параметров модели процесса измельчения, является прогнозирование функций отбора и разрушения измельчаемого рудного материала. Для аппроксимации зависимости функций отбора и разрушения материала от его минералогического состава и от состояния шаровой загрузки предлагается использовать аппарат нейро-фаззи сетей, в котором выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей. Для прогнозирования матрицы классификации предлагается также использовать нейро-фаззи сеть с архитектурой ANFIS. Разработана структура и алгоритмы модели технологического процесса измельчения в шаровой барабанной мельнице с замкнутым циклом. В работе показана практическая необходимость использования нейро-фаззи сетей для эффективного управления технологическим процессом измельчения.

Литература 1. Стрежнев, Д.С., Мелик-Гайказов, И.В., Ганза, Н.А., Черевко, Н.В. /50 лет по пути инновационного развития // Горный журнал. -2012. -№ 10. -С.7–11.

2. Наращивание мощностей по производству апатитового и бадделеитового концентратов на ОАО «Ковдорский ГОК» / Тарасов, Г.Е. и др.

- Режим доступа: http://www.kar-met.su/pererabotka-otkhodovprirodopolzovaniya/pererabotka-otkhodov-prirodopolzovaniya-str35.html.

3. Линч, А. Дж. Циклы дробления и измельчения. Моделирование, оптимизация, проектирование и управление/А. Дж. Линч.- М.: Недра, 1981. -243 с.

4. Кулаков, А.Г. Ситуационное управление технологической безопасностью процесса измельчения: диссертация канд. техн. наук: 05.13.06 / Кулаков Андрей Геннадьевич. –М., 2008.

5. Богатиков, В.Н., Исследование агрегата мокрого измельчения с замкнутым циклом как объекта автоматического управления / В.Н. Богатиков, А.Г. Кулаков // Информационные технологии в региональном развитии: сборник научных трудов. –Апатиты: Изд-во КНЦ РАН, 2004. -Вып. IV. -С.80-91.

Сведения об авторах Туз Андрей Александрович – электромеханик, аспирант, е-mail: [email protected] Andrey А. Tuz –Post-graduate Богатиков Валерий Николаевич - д.т.н., профессор кафедры в МГТУ, зав. кафедры электропривода и автоматики КФ ПетрГУ, e-mail: [email protected] Valery N. Bogatikov - Dr. of Sci (Tech), Professor УДК 004. Д.Н. Халиуллина, В.Н. Богатиков, А.В. Горохов ФГБУН Институт информатики и математического моделирования технологических процессов

КНЦ РАН

Мурманский государственный технический университет Кольский филиал ПетрГУ Марийский государственный университет

ИССЛЕДОВАНИЕ ДИНАМИКИ ПРОЦЕССОВ РАЗВИТИЯ МАЛОГО

ПРЕДПРИЯТИЯ НА ОСНОВЕ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ

Аннотация В данной работе рассматривается применение когнитивного подхода к моделированию процессов развития малого предприятия. Приводится исследование разработанной когнитивной модели в среде AnyLogic, а также рассматривается возможность ее использования для прогнозирования развития инновационного предприятия.

Ключевые слова:

когнитивное моделирование, имитационное моделирование.

D.N. Khaliullina, V.N. Bogatikov, A.V. Gorokhov

RESEARCH OF DYNAMICS OF SMALL ENTERPRISE DEVELOPMENT

PROCESSES BASED ON COGNITIVE MODELING

Abstract The article describes using cognitive approach to modeling the processes of small enterprise development. The model research and an opportunity of using it for forecasting of innovative enterprise development are considered.

Key words:

cognitive modeling, simulation modeling.

Введение В настоящее время в науке и практике принятия решений уделяется достаточно много внимания методам имитационного моделирования различных систем. Данные методы лежат в основе оценки последствий принимаемых решений и служат основой их выбора.

Известно много работ, посвященных имитационному моделированию.

Это моделирование (В.В. Кафаров, В.П. Мешалкин, Н.П. Бусленко, Б.В. Палюх, А.Ф. Егоров, И.Г. Поспелов, Н.Б. Кобелев, В.Г. Матвейкин, Н.С. Попов, В.А. Путилов и др.) и технологических процессов, моделирование организационных и технико-экономических систем. Активная работа по созданию системно-динамических диаграмм различных региональных систем ведется Н.Н. Лычкиной, а модели экономического потенциала трудовых ресурсов и демографической ситуации региона рассмотрены в монографии В.А. Путилова и А.В. Горохова [1-9].

Можно выделить основные области применения динамического моделирования:

1. Сложные, слабо формализованные ситуации, в которых невозможно применение аналитических методов или они настолько сложны и трудоемки, что динамическое моделирование дает более простой способ решения проблемы.

2. Моделирование поведения систем в ситуациях, которые раньше не встречались; в данном случае имитация служит для предварительной проверки новых стратегий управления системой перед проведением эксперимента на реальном объекте.

3. Моделирование ситуаций, наблюдение которых осложнено большой длительностью их развития или наоборот, т.е. когда необходимо контролировать ситуации путем ускорения или замедления явлений в ходе имитации.

Основная особенность имитационного моделирования - это возможность оценить параметры системы в условиях недостаточности информации. Они позволяют сделать оценки параметров случайных процессов, которые окружают обычные системы, оценки параметров самих систем, а это в свою очередь, дает возможность прогнозировать характер поведения объектов исследования.

В настоящей работе развиваются принципы принятия решений для инновационных технологических процессов. Характер поведения таких процессов весьма сложен, поскольку они находятся под влиянием внешних возмущений и неустановившихся процессов внутри системы. В связи с этим приходится принимать решения в условиях большой неопределенности.

Построение когнитивной модели инновационного предприятия Для моделирования сложных плохо формализуемых систем (например, социальных, технико-экономических, региональных и т.п.) используется когнитивный подход, который основывается на когнитивных аспектах. Эти аспекты включают в себя процессы восприятия, мышления, познания, объяснения и понимания. Когнитивный подход в поддержке принятия решений помогает субъекту представить проблему в виде формальной модели. Разработка такой модели сложной системы чаще всего начинается с построения когнитивной карты – знакового ориентированного графа, которая получается путем структуризации знаний эксперта (экспертов) о предметной области на основе теоретических представлений, статистических данных, применения различных экспертных методов [10-12].

С позиций когнитивного подхода процесс моделирования можно представить в виде схемы (рис. 1).

Рис. 1. Схема моделирования с точки зрения когнитивного подхода [13] Для построения когнитивной карты инновационного предприятия были выделены следующие основные факторы:

1. Баланс (финансовые средства предприятия (баланс), управление доходами и расходами).

2. Персонал (представлен собственно персоналом, интенсивностью прироста кадров, распределением и интенсивностью увольнения).

3. Производство (производство продукции, управление объемом производства).

4. Менеджмент (управление предприятием, управление персоналом (структура, приказы, распоряжения)).

5. Рынок (управление ценой).

Учитывая взаимодействие основных факторов, можно построить когнитивную карту инновационного предприятия (рис. 2).

Рис. 2. Когнитивная карта инновационного предприятия При когнитивном моделировании определяются основные тенденции и стратегические сценарии развития системы, при этом учитывают: набор факторов, влияющих на развитие системы и когнитивные карты, отображающие взаимовлияние факторов.

Исследование когнитивной модели в среде AnyLogic От когнитивной карты можно перейти к потоковому моделированию, которое связано с исследованием динамики финансовых, информационных, материальных и иных потоков, циркулирующих в активной системе и между системой и внешней средой.

В потоковых диаграммах системной динамики используется четыре базовых графических объекта: накопители (уровни, переменные состояния), потоки (связи между накопителями, вентили, регулирующие потоки, функциональные зависимости, определяющие взаимное влияние потоков).

Уровни в модели AnyLogic представляют накопления в моделируемой системе, суммирование всех изменений, которые наполняют и истощают уровень потоками (рис. 3). В модели уровни - это "состояние" системы, потоки действие".

Рис. 3. Три эквивалентных представления динамики накопителя [14] Накопители и потоки влияют друг на друга через связи, которые могут формировать цепи положительных и отрицательных обратных связей. Для задания влияний параметров используются вспомогательные переменные, а константы представляют элементы моделируемой системы, которые не изменяются на протяжении всего прогона моделирования.

Все эти компоненты позволяют перейти от когнитивной карты к системно-динамической модели [15], общий вид которой представлен на рис. 4.

Рис. 4. Системно-динамическая модель инновационного предприятия Возможности когнитивной модели для прогнозирования развития инновационного предприятия Согласно теории автоматического регулирования дифференциальные уравнения, реализованные в системно-динамической модели, можно изобразить в виде структурных схем. Для того чтобы применить данный подход, при анализе системно-динамической модели были выделены усилительные элементы:

k1 Wages – средняя заработная плата;

k 2 ChangeCoef – коэффициент изменения финансирования на НИОКР;

НИОКР, которые включены в цену изделия;

В качестве основных переменных были выбраны следующие факторы:

x1 StaffChoic e – интенсивность прироста кадров;

x 2 Disch arg e – интенсивность увольнения;

x3 Staff – численность персонала;

x 4 TotalWages – общая заработная плата;

x VariabExpe nd – переменные расходы;

x 6 TotalExpen d – общие расходы;

x EnterpBala nce – балансовая наличность предприятия;

x ChangeSRED W – изменение финансирования НИОКР;

Значение переменных вычисляется согласно заданным уравнения. В качестве примера можно рассмотреть следующие зависимости:

1. d (Staff ) / dt StaffChoic e Discharge - дифференциал численности сотрудников на предприятии равен разности принятых сотрудников и уволенных.

2. TotalWages Wages Staff – значение зарплаты на заработную плату вычисляется из произведения средней заработной платы на количество сотрудников на предприятии.

3. VariabExpe nd TotalWages OtherExpend Production SREDW - переменные затраты складываются из затрат на заработную плату, затрат на различные нужды, затрат на производство и затрат на НИОКР.

4. Production Outlay1Art icle Quantity – затраты на производство являются произведением затрат на одно изделие на количество произведенной продукции.

Учитывая введенные обозначения и формулы, структурная схема влияния переменных примет следующий вид (рис. 5).

Определим влияние каждой свободной переменной на выходную переменную x7 (балансовая наличность предприятия).

Влияние переменной x1 (интенсивность прироста кадров):

Анализ влияния прироста кадров на выходную переменную, показывает, что увеличение штата сотрудников приводит к увеличению затрат, что негативно сказывается на балансовой наличности предприятия.

Влияние переменной x2 (интенсивность увольнения):

Рассматривая переменную, отвечающую за интенсивность увольнения, и анализируя ее влияние на общие затраты, а соответственно и на уровень балансовой наличности предприятия, получаем, что увеличение значения данной входной переменной приводит к увеличению значения выходной переменной.

Влияние переменной x16 (дополнительные расходы):

Анализируя влияние затрат на дополнительные нужды на выходную переменную, можно сделать вывод, что увеличение данного вида затрат снизит уровень балансовой наличности предприятия за счет увеличения общих расходов.

Влияние переменной x18 (затраты на интеллектуальную собственность):

Анализ влияния затрат на интеллектуальную собственность показывает, что увеличение данного вида расходов негативно сказывается на значении уровня балансовой наличности предприятия.

Влияние переменной x20 (постоянные затраты предприятия):

Переменная, отвечающая за постоянные расходы, напрямую связана с общим количеством расходов, поэтому увеличение значения данной переменной будет уменьшать значение выходной переменной.

Общее влияние входных переменных на балансовую наличность предприятия будет определяться формулой:

Влияние каждой переменной можно проследить, построив структурную схему для данного фактора. В качестве примера можно рассмотреть влияние затрат на интеллектуальную собственность с регулятором и без него (табл.).

Название схемы Реализация схемы Результат моделирования Структурная схема влияния затрат на интеллектуальную Структурная схема влияния затрат на интеллектуальную собственность на балансовую наличность предприятия с Соответствие данных, полученных при прогоне модели в среде AnyLogic, данным, полученным в среде Matlab, подтверждает наши предположения о зависимости рассматриваемых входных переменных. Это дает возможность использовать Matlab для моделирования распределения ресурсов.

Заключение В рамках данной работы проводились исследования, позволяющие определить влияние не только отдельных входных параметров на состояние системы, но и общее влияние всех переменных на систему в целом (рис. 6).

Рис. 6. Развитие предприятия при влиянии всех переменных Исследуя зависимость уровня балансовой наличности от всех входных параметров (интенсивность прироста кадров, интенсивность увольнения, затраты на заработную плату, расходы на различные нужны, постоянные затраты, затраты на интеллектуальную собственность) одновременно, можно сделать вывод, что спад данной переменной происходит не на всем промежутке времени. Это обусловлено тем, что реализация продукции на начальных этапах не покрывает затрат, потраченных на научные исследования и опытноконструкторские разработки, но со временем происходит восполнение потраченных средств, выход на начальное состояние балансовой наличности и дальнейшее ее пополнение. Отклонение показателей модели от реальных значений составляет 3-5%, что дает возможность убедиться в полезности данной методики.

Литература 1. Кафаров, В.В. Математическое моделирование основных процессов химических производств: учеб. пособие для вузов / В.В. Кафаров, М.Б. Глебов. М.: Высшая школа, 1991. – 400 с.

2. Мешалкин, В.П. Основы информатизации и математического моделирования экологических систем: учеб. пособие - "Высшее образование", ГРИФ / В.П. Мешалкин, О.Б. Бутусов, А.Г. Гнаук. - Изд.: Инфра-М, 2010. – 357 с.

3. Бусленко, Н.П. Моделирование сложных систем / Н.П. Бусленко. - М.: Изд-во «Наука», 1968. – 357 с.

4. Палюх, Б.В. Программные средства имитационного моделирования размерной структуры технологических процессов / Б.В. Палюх, Г.Б. Бурдо, Г.И.

Рогозин // Программные продукты и системы. -2010.-№1(89).-С.82 - 85.

5. Поспелов, И.Г. Моделирование экономических структур / И.Г. Поспелов.

- М.: ФАЗИС; ВЦ РАН, 2004. - 208 с.

6. Матвейкин, В.Г. Математическое моделирование и управление процессом короткоцикловой безнагревной адсорбции / В.Г. Матвейкин. - М.: Изд-во «Машиностроение-1», 2007. –140 с.

7. Лычкина, Н.Н. Технологические возможности современных систем моделирования / Н.Н. Лычкина /Банковские технологии. - М., вып. 9, 2000.

8. Лычкина, Н.Н. Современные тенденции в имитационном моделировании /Н.Н. Лычкина. – Вестник университета, серия “Информационные системы управления”. - М.: ГУУ, 2000. -№ 2.

9. Путилов, В.А. Системная динамика регионального развития / В.А. Путилов, А.В. Горохов // Монография. Мурманск: НИЦ «Пазори», 2002. –306 с.

10. Прохорова, В.В. Когнитивное моделирование устойчивого экономического развития предприятий /В.В. Прохорова //Экономика и управление. - 2011.

-№1.– С.24-30.

11. Робертс, Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экономическим задачам. /Ф.С. Робертс. - М.:

Наука, 1986. –497 с.

12. Горелова, Г.В. Структурный анализ когнитивных моделей сложных систем / Г.В. Горелова, Е.Н. Захарова / Когнитивный анализ и управление развитием ситуаций (CASC'2006): труды 6-й Международной конференции / под ред.

З.К. Авдеевой, С.В. Ковриги. -М.: Институт проблем управления РАН.

– 2006. - С.172-185.

13. Максимов, В.И., Когнитивные технологии для поддержки принятия управленческих решений / В.И. Максимов, Е.К. Корноушенко, С.В. Качаев //Информационное общество. – 1999. – № 2.– С.50–54.

14. Горохов, А.В. Системная динамика в задачах регионального планирования /А.В. Горохов, В.А. Путилов. – Апатиты: Изд-во КНЦ РАН, 2005 - 137с.

15. Малыгина, С.Н. Разработка системы имитационного моделирования развития малого и среднего промышленного предприятия / С.Н. Малыгина, Д.Н. Абалымова // Прикладные проблемы управления макросистемами:

труды Института системного анализа Российской академии наук, 2008.

- Т.39. - С.256-262.

Сведения об авторах Халиуллина Дарья Николаевна – младший научный сотрудник, е-mail: [email protected] Darya N. Khaliullina - Junior researcher Богатиков Валерий Николаевич - д.т.н., профессор кафедры в МГТУ, зав. кафедры электропривода и автоматики КФ ПетрГУ, e-mail: [email protected] Valery N. Bogatikov - Dr. of Sci (Tech), Professor Горохов Андрей Витальевич - д.т.н., е-mail: [email protected] Andrey V. Gorokhov - Dr. of Sci (Tech) УДК 004. О.В. Кудинова, Д.Н. Халиуллина ФГБУН Институт информатики и математического моделирования технологических процессов

КНЦ РАН

СОЗДАНИЕ ШАБЛОНОВ ИМИТАЦИОННОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ

ТРУДОВЫХ РЕСУРСОВ С ПОМОЩЬЮ ОНТОЛОГИЧЕСКИХ ОПИСАНИЙ

ПРЕДМЕТНОЙ ОБЛАСТИ

Аннотация В данной работе рассмотрена проблема трудовых ресурсов Мурманской области. Представлен краткий обзор понятий имитационного моделирования и онтологии. Предложен подход к созданию имитационной модели прогнозирования баланса трудовых ресурсов в регионе на основе онтологий.

Ключевые слова:

трудовые ресурсы, онтология, имитационная модель.

О. V. Kudinova, D.N. Khaliullina

CREATING TEMPLATES OF SIMULATION MODEL FOR LABOUR FORCE

BALACE PREDICTION BASED ON THE ONTOLOGICAL DESCRIPTIONS OF

SUBJECT AREA

Abstract The article describes the problems of labour force in Murmansk region. A brief review of terms of simulation modeling and ontology is observed. An approach to creating of simulation model for labour force balance prediction based on the ontological descriptions is suggested.

Key words:

labour force, ontology, simulation model.

Введение Многие предприятия и организации Мурманской области испытывают дефицит квалифицированных кадров. Экономика региона нуждается в специалистах инженерно-технического профиля и рабочих строительных профессий, а также в области жилищно-коммунального хозяйства и рыбо-обработки [1].

В основе формирования трудовых ресурсов лежат демографические процессы. По данным Всероссийской переписи 2010 года численность постоянного населения Мурманской области составила 795,4 тыс. человек, снизившись за межпереписной период (с 2002 года) на 97,1 тыс. человек.

Основной и наиболее существенной причиной сокращения численности населения области в период с 2002 по 2010 год была миграционная убыль. Другой причиной сокращения численности населения явилась естественная убыль.

Устойчивая тенденция сокращения естественной убыли населения отмечается, начиная с 2007 года.

Снижение общей численности населения повлекло за собой сокращение численности трудовых ресурсов. В 2011 году трудовые ресурсы Мурманской области составили 538262 человека, снизившись за последние 5 лет на 10 %.

В целом по области доля трудовых ресурсов в общей численности населения снизилась с 72,8 % в 2010 году до 68 % в 2011 году. Снижение произошло, в основном, за счет уменьшения численности трудоспособного населения. В связи с этим, в Мурманской области возникла проблема распределения кадров.

Одним из эффективных методов моделирования сложных социальных процессов является метод имитационного моделирования. Для решения проблемы распределения предлагается создать имитационную модель (ИМ) баланса трудовых ресурсов на основе онтологий, опирающихся на анализ тенденций экономических, социальных, демографических и других показателей, что позволит удобно и наглядно дать оценку ситуации и проводить необходимые эксперименты.

Процесс решения данной задачи был условно разбит на несколько этапов:

создание онтологии предметной области;

выделение типовых структурных элементов шаблонов (некоторых типовых конструкций, обладающих неизменной структурой, а также функционально реализующих определенную цель) [2] из онтологии;

непосредственно создание шаблонов;

построение базовой имитационной модели из полученных шаблонов.

Создание онтологии предметной области Когда заходит речь о моделировании сложной системы с самого начала, то сам процесс описания концептуальной модели становится трудоемким и сложным. Одним из способов реализации этого является представление концептуальной модели в виде иерархической древовидной структуры, на основе которой собирается системно-динамическая модель из конечного набора типовых шаблонов. В качестве концептуальной модели может выступать онтологическое описание предметной области [3, 4].

Формально онтология понимается как система понятий некоторой предметной области, которая представляется как набор сущностей, соединенных различными отношениями [5].

В рамках работы ИИММ КНЦ РАН была разработана онтология распределения трудовых ресурсов в Мурманской области, часть которой представлена на рис. 1.

Основные понятия, которые отражают и характеризуют трудовые ресурсы региона в онтологии, представлены следующими классами:

Демография, КатегорииПерсонала, Население, Предприятия, ТрудовыеРесурсы, УчебныеЗаведения и др.

Между понятиями установлены отношения наследования:

Демография имеет подклассы ДемографияНаселения и ДемографияПредриятия;

Население имеет подклассы МестноеНаселение, МиграцияНаселения;

ТрудовыеРесурсы имеет подклассы ТрудовыеРесурсыМолодежь, ТрудовыеРесурсыОсновные, ТрудовыеРесурсыПожилые;

УчебныеЗаведения имеет подклассы ВУЗы, Колледжи, Школы;

Рис. 1. Часть онтологии распределения трудовых ресурсов Область допустимых значений понятий определяется типом переменной, к которым они относятся, например:

ДатаСоздания (тип integer) относится к классу Предприятия;

ИмеетВозраст (тип integer) относится к классу Население;

КоличествоЧеловек (тип integer) относится к классу Население;

Коэффициент_выпускников (тип integer) относится к классам Школы, Колледжи и ВУЗы;

Коэффициент_ликвидации_предприятий (тип double) относится к классу ЛиквидацияПредприятия;

Коэффициент_рождаемости (тип double) относится к классу РождаемостьНаселения;

Для представления элементов онтологии трудовых ресурсов используются экземпляры классов. Вот некоторые из них:

СмертностьДетей, СмертностьВзрослых, СмертностьПожилых являются экземплярами класса СмертностьНаселения;

СозданиеМалыхПредприятий, СозданиеСреднихПредприятий, СозданиеКрупныхПредприятий являются экземплярами класса Создание Предприятий;

ЛиквидацияКрупныхПредприятий, ЛиквидацияМалыхПредприятий, ЛиквидацияСреднихПредприятий являются экземплярами класса ЛиквидацияПредприятий.

Ограничение информации, содержащейся в онтологии, и проверка ее корректности могут быть заданы правилами:

1. Ограничение работоспособности женщин при достижении 50 лет и перевод их в разряд пожилых с возможностью работать описывается следующим образом:

Население(?x), integer[> 50](?age), Имеет_возраст(?x, ?age), Имеет_пол(?x, "ж") -> Пожилые(?x), Возможность_полной_занятости (?x, true), Возможность_частичной_занятости(?x, true).

2. Расчет общего количества рабочих мест на предприятии с учетом всех категорий рабочих производится с учетом следующего правила:

Предприятия(?x), КоличествоОбслуживающегоПерсонала(?x, ?y1), КоличествоРабочегоПерсонала(?x, ?y2), КоличествоУправленческогоПерсонала(?x, ?y3), add(?z, ?y1, ?y2), add(?z1, ?z, ?y3) -> КоличествоРабочихМест(?x, ?z1).

3. Перевод населения из класса Дети в класс Трудовые РесурсыМолодежь производится в том случае, если данное население имеет возможность работать. Правило, отражающее данный процесс, записывается следующим образом:

Дети(?x), Возможность_частичной_занятости(?x, true) -> ТрудовыеРесурсыМолодежь(?x).

Остальные ограничения также задаются правилами, которые позволяют более детально представить информацию предметной области.

Также в онтологии между понятиями установлены атрибутивные и функциональные связи («ИмеетВлияние», «РаботаетВ», «ВходитВ» и др.) и количественные и пространственно-временные отношения («ИмеетВозраст», «ГодРождения», «КоличествоРаботников» и др.).

Таким образом, в онтологию была включена вся необходимая для данного этапа информация.

Алгоритм выделения типовых структурных элементов шаблонов из онтологии Одним из вариантов реализации ИМ является системно-динамическая модель. Задание входных, выходных переменных и проведение экспериментов позволяет получать подробную статистику о различных аспектах функционирования систем. Основными структурными элементами таких моделей являются:

Накопители (также называемые уровнями или фондами) представляют собой такие объекты реального мира, в которых сосредотачиваются некоторые ресурсы. Их значения изменяются непрерывно.

Потоки – это активные компоненты системы, они изменяют значения накопителей. Поток снабжается регулятором, который управляет интенсивностью наполнения или уменьшения фонда с помощью вычисляемого алгебраического выражения. В свою очередь, накопители системы могут определять значения потоков.

Вспомогательные переменные помогают преобразовывать одни числовые значения в другие. Они показывают меняющееся значение признака при текущих изменениях модели в процессе имитации. Данные элементы могут произвольно изменять свои значения или быть константами [6].

Исходя из того, что любой шаблон ИМ, построенной на основе системной динамики, состоит из вышеупомянутых элементов, процесс создания шаблона из онтологии можно разбить на несколько этапов:

1. Выявление динамических объектов. В соответствии с целью моделирования эксперт по онтологиям совместно с экспертом по ИМ, указывает те понятия области, которые являются динамическими.

2. Выделение уровней. В соответствии с целью моделирования (цель создания шаблона) ставится задача выделения из онтологии древовидной структуры концептов. Она решается путем вырезания фрагмента онтологии, соответствующей цели, при этом последние вершины выделенного графа будут отнесены к уровням.

3. Выделение потоков. Так как понятие потока подразумевает под собой изменяющуюся во времени величину, то экземпляры динамических понятий, определенных на первом этапе, становятся потоками.

4. Выделение переменных. На этом этапе достаточно установить, в каких атрибутах класс, к которому принадлежит данный поток, участвует в качестве домена. Если такие атрибуты будут найдены, то они будут отнесены к переменным, связывающим соответствующий поток с уровнем.

5. Выделение вспомогательных переменных. Переменные, не связанные с потоками, но имеющие отношение к цели, устанавливаются как вспомогательные переменные.

Таким образом, получаем данные обо всех возможных предположительных потоках, уровнях, переменных и вспомогательных переменных в соответствии с заданной целью моделирования шаблона.

Создание шаблонов из онтологии Для прогнозирования баланса трудовых ресурсов необходимо создать имитационную модель, состоящую из следующих шаблонов:

шаблон «Население области»;

шаблон «Предприятия области»;

шаблон «Рабочие места предприятий отрасли».

Рассмотрим создание шаблонов на примере шаблона «Население области» в соответствии с определенными выше этапами.

1. Для указания динамических объектов в онтологию вводится свойство ИмеетВлияние. Оно определяет изменение значений во времени того или иного понятия. Динамика может быть либо отрицательной (свойство принимает значение 0), либо положительной (свойство принимает значение 1). Так как целью моделирования в данном случае является получение данных о динамике развития населения, то динамическими становятся такие понятия, как РождаемостьНаселения и СмертностьНаселения.

2. В соответствии с целью моделирования вырезаем древовидную структуру (рис. 2). Согласно предложенному алгоритму, уровнями становятся классы Дети, Взрослые и Пожилые.

Рис. 2. Дерево понятий в соответствии с поставленной целью 3. Далее производится поиск классов, имеющих свойство динамических объектов ИмеетВлияние. Экземпляры полученных классов становятся потоками, а в зависимости от значения свойства, они будут иметь либо положительное, либо отрицательное влияние на уровень (рис. 3).

Рис. 3. Разделение потоков на положительные и отрицательные 4. Следующим шагом является выделение переменных. В качестве примера рассмотрим поток СмертностьДетей. Он является членом класса СмертностьНаселения, который, в свою очередь, используется в атрибуте Коэффициент_смертности в качестве домена. Следуя предложенной технологии, найденный атрибут будет отнесен к переменным. Аналогично, для потока РождаемостьДетей переменной станет атрибут Коэффициент_ рождаемости.

5. Атрибуты онтологии, связанные с целью моделирования, но не отнесенные к какому-либо структурному элементу ИМ, могут быть выделены, как вспомогательные переменные. Например, к данным структурным элементам можно отнести атрибут ИмеетВозраст, поскольку его значение будет влиять на связи между уровнями.

Аналогичным образом создаются остальные шаблоны ИМ.

Построение имитационной модели на основе полученных шаблонов Далее производится связывание шаблонов, которое будет зависеть от конкретной поставленной задачи. Связь между шаблонами образуется лишь в том случае, когда в рассматриваемых шаблонах имеется хотя бы один и тот же структурный элемент. Затем шаблоны передаются на обработку экспертам по ИМ, которые отбирают необходимые уровни, потоки и вспомогательные переменные, при этом базовые формулы для данных элементов устанавливаются в автоматическом режиме.

По определению, уровни в модели представляют накопления в моделируемой системе, суммирование всех изменений, которые наполняют и истощают уровень потоками, поэтому базовая формула для вычисления будет иметь вид:

d (Уровень ) / dt Входящий _ Поток Исходящий _ Поток, где Входящий _ Поток - поток, который наполняет уровень (имеет положительное влияние);

Исходящий _ Поток - поток, который исчерпывает уровень (имеет отрицательное влияние).

Потоки задают скорости изменения уровней, и если при этом учитывать переменные, которые связывают уровни с потоками, можно задать формулы для вычисления потоков:

Поток Переменная Уровень, где Уровень - рассматриваемый уровень, имеющий связь с потоком;

Переменная - переменная, которая связывает рассматриваемый уровень с потоком.

Связи и формулы для остальных переменных задаются экспертом.

Полученные шаблоны выглядят следующим образом:

Шаблон «Население области» (рис. 4).

Шаблон «Предприятия области» (рис. 5).

Шаблон «Рабочие места предприятия области» (рис. 6).

Рис. 6. Шаблон «Рабочие места предприятий области»

Анализ разработанных шаблонов показывает, что они связаны между собой хотя бы одним структурным элементом (рис. 7).

Так связующим звеном для шаблонов «Рабочие места предприятий области» и «Предприятия области» является элемент «Ликвидированные», а для шаблонов «Рабочие места предприятий области» и «Население области» МогутРаботать».

В результате применения предложенного подхода был получен набор типовых шаблонов для данной задачи, комбинация которых позволяет производить эксперименты для прогнозирования развития трудовых ресурсов Мурманской области.

Заключение Таким образом, в настоящей работе показана возможность применения онтологических описаний для создания имитационных моделей на основе системной динамики с использованием технологии концептуальных шаблонов.

Данная технология позволила получить имитационную модель для прогнозирования баланса трудовых ресурсов в Мурманском регионе. Это дает возможность не только наглядно оценить текущую ситуацию, но и проводить эксперименты в зависимости от поставленной задачи.

Литература 1. Мещерякова, А.В. Аналитическая записка к прогнозу баланса трудовых ресурсов на 2013 – 2015 гг.

– Режим доступа: http://www.murman-zan.ru/Attachment.axd?id=fac61597-be67ae0-9fd5-b0688e0c5a 2. Быстров, В.В. Информационная технология концептуального синтеза имитационных моделей /В.В. Быстров, А.В. Горохов // ЭКОМОД 2007: cборник трудов II Всероссийской научной конференции. – Киров, 2007. - С.69-76.

3. Быстров, В.В. Технология концептуальных шаблонов для синтеза имитационных моделей сложных систем /В.В. Быстров, А.В. Горохов // Проблемы управления и моделирования в сложных системах: труды IX Международной конференции. – Самарский научный центр РАН, Самара, 2007. - С.462 – 467.

4. Шелех, О.В. Развитие технологии имитационного моделирования сложных систем /О.В. Шелех, А.В. Горохов // Проблемы управления и моделирования в сложных системах: труды XI Международной конференции. Самара: Издво Самарского научного центра РАН, 2009. - С.455-461.

5. Guarino, N. Ontologies: What are they, and Where’s The Research?

– Режим доступа: http://www-ksl.stanford.edu/KR96/Panel.html/ 6. Forrester, Jay W. Industrial Dynamics. -Режим доступа:

http://www.big.spb.ru/publications/other/metodology/system_dinamic.shtml Сведения об авторах Кудинова Олеся Владимировна - стажер-исследователь, е-mail: [email protected] Olesya V. Kudinova – Probationer-researcher Халиуллина Дарья Николаевна – младший научный сотрудник, е-mail: [email protected] Darya N. Khaliullina - Junior researcher УДК 004. С.Н. Малыгина, А.А. Менькова Институт информатики и математического моделирования Кольского НЦ РАН Кольский филиал ПетрГУ

ИМИТАЦИОННАЯ МОДЕЛЬ КАДРОВОЙ ПОТРЕБНОСТИ НА ПРИМЕРЕ

ТОРГОВОЙ ОТРАСЛИ МУРМАНСКОЙ ОБЛАСТИ

Аннотация В статье рассматривается системно-динамическая модель, позволяющая оценить кадровую потребность отрасли региона.

Ключевые слова:

имитационное моделирование, системная динамика.