Совершенствование методов проектирования энергоэффективных промышленных объектов с использованием цифровых двойников и нейросетевого моделирования
Ключевые слова:
цифровые двойники, нейросетевое моделирование, энергоэффективность, промышленные объекты, предиктивный анализ, искусственные нейронные сети, устойчивое развитиеАннотация
В статье предлагается комплексный методологический подход к проектированию промышленных объектов с повышенной энергоэффективностью на основе интеграции технологий цифровых двойников и нейросетевого моделирования. Исследование раскрывает возможности создания высокоточных виртуальных моделей физических объектов и систем, обеспечивающих прогнозирование энергопотребления, выявление скрытых закономерностей и оптимизацию энергетических процессов. Разработанный метод включает многоуровневую архитектуру цифрового двойника, объединяющую физическую модель объекта, информационно-аналитическую платформу, систему датчиков для сбора данных в реальном времени и прогностический модуль на основе искусственных нейронных сетей. Эмпирическая верификация модели выполнена на материале производственных комплексов машиностроительной и металлургической отраслей с общей выборкой данных, составляющей 12,500 единиц измерений за 24 месяца. Ключевые результаты исследования демонстрируют сокращение энергопотребления на 24,7% при сохранении производственных показателей, снижение пиковых нагрузок на 36,2% и повышение точности прогнозирования энергопотребления до 93,8% по сравнению с традиционными методами. Предложенная методология вносит значительный вклад в развитие концепции «Индустрия 4.0» и может быть адаптирована для различных типов промышленных объектов, обеспечивая оптимизацию не только на этапе проектирования, но и в процессе эксплуатации. Результаты исследования могут быть использованы при разработке стратегий цифровой трансформации промышленных предприятий и формировании политики энергоэффективности.
Библиографические ссылки
Agostinelli S., Cumo F., Guidi G., Tomazzoli C. Cyber-physical systems improving building energy management: Digital twin and artificial intelligence // Energies. 2021. № 14(8). рр. 23-38.
Ascione F., Bianco N., De Stasio C., Mauro G.M., Vanoli G.P. Artificial neural networks to predict energy performance and retrofit scenarios for any member of a building category: A novel approach // Energy. 2017. № 118. рр. 999-1017.
Billey A., Wuest T. Energy digital twins in smart manufacturing systems – a literature review // Manufacturing Letters. 2023. № 35. pp. 1318-1325.
Borowski P. Digitization, digital twins, blockchain, and industry 4.0 as elements of management process in enterprises in the energy sector // Energies. 2021. № 14(7). рр. 18-85.
Bortolini R., Rodrigues R., Alavi H., Vecchia L.F.D., Forcada N. Digital twins' applications for building energy efficiency: A review // Energies. 2022. № 15(19).рр. 2-70.
Fahim M., Sharma V., Cao T.V., Canberk B., Duong T.Q. Machine learning-based digital twin for predictive modeling in wind turbines // IEEE Access. 2022. № 10. рр. 14184-14194.
Fathy Y., Jaber M., Nadeem Z. Digital twin-driven decision making and planning for energy consumption // Journal of sensor and actuator networks. 2021. № 10(2). Р. 37.
Hosamo H.H., Svennevig P.R., Svidt K., Han D., Nielsen H.K. A Digital Twin predictive maintenance framework of air handling units based on automatic fault detection and diagnostics. // Energy and Buildings. 2022. № 261. рр. 111-988.
Hu J., Zheng W., Zhang S. Thermal load prediction and operation optimization of office building with a zone-level artificial neural network and rule-based control // Applied Energy. 2021. № 300(2). рр. 11-7429.
Li H., Yang D., Cao H., Ge W., Chen E., Wen X., Li C. Data-driven hybrid petri-net based energy consumption behaviour modelling for digital twin of energy-efficient manufacturing system. // Energy. 2022. № 239. рр. 122-186.
Li S., Yan C., Liu Y. Energy efficiency and coding of neural network. Frontiers in // Neuroscience. 2023. № 16. рр. 108-937.
Mehrpooya M., Gadimi N., Marifati M., Gorbanyan S.-A. Numerical investigation of a new combined energy system includes parabolic dish solar collector, stirling engine and thermoelectric device // International journal of energy research. 2021. № 45(11).
Schwander L., Ray D., Hesthaven J.S. Controlling oscillations in spectral methods by local artificial viscosity governed by neural networks // Journal of computational physics. 2021. № 431. рр. 110-144.
Shinkevich A.I., Ershova I.G., Galimulina F.F. Forecasting the efficiency of innovative industrial systems based on neural networks // Mathematics. 2023. № 11(1). P. 164.
Teng S.Y., Tous, M., Leong W.D., How B.S., Lam H.L., Masa V. Recent advances on industrial data-driven energy savings: Digital twins and infrastructures // Renewable and sustainable energy reviews. 2021. № 135. рр 110-208.
