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.
The article proposes a comprehensive methodological approach to the design of industrial facilities with increased energy efficiency based on the integration of digital twin technologies and neural network modeling. The research reveals the possibilities of creating high-precision virtual models of physical objects and systems that provide forecasting of energy consumption, revealing hidden patterns and optimizing energy processes. The developed method includes a multi-level digital twin architecture that combines a physical model of an object, an information and analytical platform, a sensor system for real-time data collection, and a predictive module based on artificial neural networks. Empirical verification of the model was performed using the material of the production complexes of the machine-building and metallurgical industries with a total data sample of 12,500 units of measurement over 24 months. The key results of the study demonstrate a 24.7% reduction in energy consumption while maintaining production performance, a 36.2% reduction in peak loads, and an increase in energy consumption forecasting accuracy to 93.8% compared with traditional methods. The proposed methodology makes a significant contribution to the development of the Industry 4.0 concept and can be adapted for various types of industrial facilities, ensuring optimization not only at the design stage, but also during operation. The research results can be used in the development of strategies for the digital transformation of industrial enterprises and the formation of energy efficiency policies.