ИНТЕЛЛЕКТУАЛЬНЫЙ ЦИФРОВОЙ ДВОЙНИК МОДЕЛИ ПРОИЗВОДСТВА СУХИХ СТРОИТЕЛЬНЫХ СМЕСЕЙ НА ОСНОВЕ ТЕХНОГЕННЫХ ОТХОДОВ
Ключевые слова:
искусственный интеллект, цифровой двойник, сухие смеси, технологический процесс, архитектура, моделированиеАннотация
В статье рассматривается разработка интеллектуального цифрового двойника производства сухих строительных смесей с использованием техногенных отходов металлургии и энергетики на основе технологий искусственного интеллекта. Актуальность исследования обусловлена необходимостью повышения ресурсной и экологической эффективности производства сухих смесей, снижением доли клинкерных материалов и внедрением цифровых методов управления технологическими процессами в условиях вариабельности свойств сырья.
Разработанная модель реализована в виде гибридного цифрового двойника, сочетающего дискретно-событийное моделирование технологической линии и интеллектуальную подсистему прогнозирования качества продукции. Управление процессом формализовано с использованием конечного автомата, охватывающего все ключевые стадии производства: дозирование компонентов, смешивание, выгрузку, фасовку и архивирование партий. Искусственный интеллект применяется для оценки физико-механических свойств смеси (прочность, плотность, удобоукладываемость) на основе состава рецептуры и доли техногенных компонентов.
В ходе имитационного моделирования получены количественные результаты, подтверждающие эффективность предложенного подхода. Установлено, что доля техногенных отходов в составе сухих смесей может достигать 40–50 % без критического снижения прогнозируемых качественных показателей. Снижение расхода цемента составляет до 30 %, при этом расчётная производительность линии достигает 15–20 т/ч. Модель обеспечивает автоматический учёт потребления шлака и золы в разрезе партии, смены и месяца, а также динамическую оценку углеродного следа продукции.
Научная новизна работы заключается в интеграции имитационного моделирования производственного цикла с ИИ-подсистемой оценки качества и экологических показателей в рамках единой цифровой модели. Практическая значимость определяется возможностью использования разработанной модели в качестве цифрового двойника реального производства сухих строительных смесей, инструмента оптимизации рецептур, поддержки управленческих решений и интеграции в SCADA/MES-системы промышленных предприятий.
Библиографические ссылки
1. Akishev K et al. Тhe use of simulation modeling in calculating the productivity of the technological system for the production of building products with fillers from man-made waste (2024). NEWS of the National Academy of Sciences of the Republic of Kazakhstan. SERIES OF GEOLOGY AND TECHNICAL SCIENCES. ISSN 2224–5278,Volume 4. Number 466, 22–32. https://doi.org/10.32014/2024.2518-170X.422
2. Akishev K et al. Automation of selection of construction mix with additives of technogenic raw materials]. ВЕСТНИК КазУТБ, №1(26), 2025.-P.1-14. ISSN:2708-4132.
3. https://doi.org/10.58805/kazutb.v.1.26-808
4. Song et al., (2021). Predicting the compressive strength of concrete with fly ash admixture using machine learning algorithms.Construction and Building Materials Volume 308, 15 November, 125021. https://doi.org/10.1016/j.conbuildmat.2021.125021
5. Li et al., (2024). Compressive Strength Prediction of Fly Ash-Based Concrete Using Single and Hybrid Machine Learning Models.Buildings, 14(10), 3299; https://doi.org/10.3390/buildings14103299
6. Huang et al., (2022).Predicting the Compressive Strength of the Cement-Fly Ash–Slag Ternary Concrete Using the Firefly Algorithm (FA) and Random Forest (RF) Hybrid Machine-Learning Method.Materials (Basel), Jun 13;15(12):4193 https://doi.org/10.3390/ma15124193
7. Le et al., (2024) Machine learning based models for predicting compressive strength of geopolymer concrete. Frontiers of Structural and Civil Engineering,Vol. 18 ›› Issue (7) : 1028 -1049. https://journal.hep.com.cn/fsce/EN/10.1007/s11709-024-1039-5
8. Orozco et al., (2024). Comparison of environmental impacts of fly ash and slag as cement replacement materials for mass concrete and the impact of transportation. Sustainable Materials and Technologies. Volume 39, April, e00796. https://doi.org/10.1016/j.susmat.2023.e00796
9. Das et al., (2022).Performance assessment and life cycle analysis of concrete containing ferrochrome slag and fly ash as replacement materials – A circular approach. Construction and Building Materials, Volume 347, 12 September, 12860.
10. https://doi.org/10.1016/j.conbuildmat.2022.128609
11. Agrela et al., (2024). Life-Cycle Assessment and Environmental Costs of Cement-Based Materials Manufactured with Mixed Recycled Aggregate and Biomass Ash. Materials, 17(17), 4357; https://doi.org/10.3390/ma17174357
12. D’Orazio et al., (2023).Life Cycle Assessment of Mortars with Fine Recycled Aggregates from Industrial Waste: Evaluation of Transports Impact in the Italian Context. Sustainability, 15(4), 3221; https://doi.org/10.3390/su15043221
13. Fuller et al., (2019).Digital Twin: Enabling Technologies, Challenges and Open Research. Computers and Society. https://doi.org/10.1109/ACCESS.2020.2998358
14. Emmert-Streib et al., (2023).Defining a Digital Twin: A Data Science-Based Unification. Mach. Learn. Knowl. Extr., 5(3), 1036-1054; https://doi.org/10.3390/make5030054
15. Feng & Wan, (2024).Digital Twins for Discrete Manufacturing Lines: A Review. Big Data Cogn. Comput., 8(5), 45; https://doi.org/10.3390/bdcc8050045
16. Lanzini et al., (2024). Towards the Implementation and Integration of a Digital Twin in a Discrete Manufacturing Context. Processes, 12(11), 2384; https://doi.org/10.3390/pr12112384
