Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.21177/1998-4502-2025-17-4-2043-2055
Ключевые слова: physics - informed machine learning, hybrid modeling, digital twin, petroleum coke, adaptive control, genetic algorithm, mining territories, физически информированное машинное обучение, гибридное моделирование, цифровой двойник, нефтяной кокс, адаптивное управление, генетический алгоритм, горнопромышленные территории
Аннотация: Разработана методология построения адаптивных цифровых двойников для процессов нефтяного коксования в условиях горнопромышленных территорий. Методология основана на синтезе физически информированных гибридных моделей, в которых машинное обучение используется не для замены, а для адаптивной коррекции параметризованных физико - химичПоказать полностьюеских моделей. Предложена архитектура гибридного агента, формализован механизм учета кросс - влияний параметров качества через направленный граф зависимостей и реализован алгоритм эволюционного синтеза оптимальной структуры моделей. Проведен вычислительный эксперимент на ретроспективных данных, показавший, что гибридный подход обеспечивает статистически значимое повышение точности по сравнению с чисто физическими моделями (снижение NRMSE на 5-13%) и демонстрирует конкурентоспособную точность с чистыми ML - моделями, превосходя их для половины контролируемых параметров. Установлена повышенная устойчивость гибридных моделей к вариабельности сырья, характерной для горных регионов. Практическая значимость работы заключается в создании методологического фундамента для разработки адаптивных систем управления, обеспечивающих баланс между точностью, интерпретируемостью и устойчивостью в условиях нестабильного сырьевого потока и строгих экологических нормативов. This research addresses the critical need for adaptive digital twins in petroleum coking processes within mining territories, where variable feedstock quality and stringent environmental regulations present significant challenges. The study develops a novel methodology combining physics - based modeling with machine learning to create hybrid systems that maintain physical interpretability while achieving high predictive accuracy under conditions of feedstock variability. Methods. The methodology incorporates an evolutionary synthesis algorithm for optimal model structure selection, implementing a hybrid agent architecture. A directed acyclic graph formalizes quality parameter cross - dependencies, while genetic algorithms optimize the selection of physical model components and machine learning correctors from a predefined library. The approach integrates multilayer perceptrons, support vector regression, and gradient boosting as correction mechanisms. Results. Computational experiments on retrospective data demonstrated statistically significant accuracy improvements compared to pure physical models, with NRMSE reduction of 5-13% across all monitored parameters. The hybrid approach showed competitive performance with pure ML models, outperforming them for 50% of controlled parameters while maintaining physical interpretability. Enhanced stability was confirmed when processing variable feedstock characteristic of mountain regions, with error increase of only 15-20% on extreme value datasets compared to 30-45% for pure ML models. Conclusions. The developed methodology provides a fundamental framework for creating adaptive control systems that balance accuracy, interpretability, and stability under unstable feedstock conditions and strict environmental standards. The physics - informed hybrid modeling approach enables effective digital transformation of traditional coking processes in mining territories while ensuring operational reliability and compliance with sustainable development requirements.
Журнал: Устойчивое развитие горных территорий
Выпуск журнала: Т. 17, № 4
Номера страниц: 2043-2055
ISSN журнала: 19984502
Место издания: Владикавказ
Издатель: Северо-Кавказский горно-металлургический институт