Цифровые двойники и виртуальные мельницы: как моделирование меняет горнодобывающую и металлургическую промышленность

В ходе глобального опроса руководителей горнодобывающих компаний аналитики KPMG выяснили, что 46% респондентов считают технологические инновации источником серьезных потрясений в этой весьма консервативной индустрии в ближайшие три года. Руководитель направления "Компьютерное моделирование" в компании "Норникель" Сергей Богданец рассказал, какие новые возможности для отрасли открывает цифровые инструменты.

Предсказанные KPMG потрясения необязательно означают кризис. 84% участников исследования уверены, что речь скорее идет о новых возможностях. Горнодобывающая индустрия традиционно считалась довольно сдержанной в плане обновления технологий, однако и она уже подвергается серьезным изменениям под давлением Четвертой промышленной революции.

Так, например, благодаря достижениям ИТ второе дыхание здесь обретает цифровое моделирование. В общих чертах оно известно с середины прошлого века. Тогда соответствующие инструменты входили в набор самых передовых методов проектирования, применяемых в аэрокосмической, а позднее и в автомобильной промышленности. С ростом доступности вычислительных мощностей цифровое моделирование становился все более точным и ценным аналитическим инструментом, полезным для многих других отраслей промышленности.

Ценность цифрового моделирования

Для создания цифровой модели, будь то самолет или входящий в состав горнорудного оборудования агрегат, необходимо создать объект в 3D с учетом всех его внешних и внутренних конструктивных особенностей. Далее уже виртуальный объект (либо пространство вокруг него) разбивается на мелкие элементы-сетку, для каждого узла которой просчитываются все необходимые физические характеристики: напряжение, температура, скорость потока и множество других. В ход идут численные методы конечно-элементного анализа, вычислительной гидродинамики, моделирования дискретных элементов и так далее. Получается виртуальная модель, обладающая всеми физическими свойствами реального агрегата.

Ставшие сейчас достаточно доступными вычислительные мощности позволяют задавать для такой виртуальной модели любые режимы работы, в широком диапазоне меняя внешние параметры и внутреннее состояние агрегата для изучения его свойств, производительности, критических нагрузок и вероятности выхода из строя. Эти возможности особенно важны именно для горнодобывающей индустрии, так как в ней высока доля сложного и дорогостоящего оборудования, простои которого могут стоить компании более миллиона долларов в сутки.

Возьмем для примера шаровую мельницу. Этот огромный шестиметровый агрегат создан для непрерывного измельчения кусков поступающей руды до фракции, измеряемой долями миллиметра. За счет вращения облицованного бронесталью или другим специальным внутренним покрытием (футеровкой) барабана стальные шары непрерывно поднимаются и падают, снова и снова раскалывая руду на более мелкие части.

Для замены футеровки, которая постоянно изнашивается, требуется остановка не только одной мельницы, но и всей производственной цепочки, рассчитанной на непрерывную подачу руды. Это огромные деньги, которые приходится терять за каждую минуту простоя.

Недавно мы создали цифровую модель шаровой мельницы и теперь можем в виртуальной среде проводить с ней любые физические эксперименты. Например, тестировать износостойкость футеровки от различных производителей. Подобрав самое оптимальное по прочности и стоимости покрытие, мы увеличим межремонтные интервалы, что сразу существенно отразиться на операционных расходах предприятия. Аналогичным образом можно повышать эффективность и производительность множества разнотипных горнодобывающих агрегатов вне зависимости от их возраста.

Цифровая модель и цифровой двойник

В принципе, многие уже сейчас назвали бы такую модель цифровым двойником, однако это не совсем верно. Самое первое и простое определение цифрового двойника дал в 2002 году профессор Майкл Гривз (Michael Grieves), отметивший, что цифровой двойник включает в себя цифровую модель и набор датчиков на физическом агрегате. При этом данные с датчиков должны в эту модель непрерывно поступать, чтобы виртуальная модель непрерывно отражала реальное состояние физического агрегата и тем самым предоставляла онлайн дополнительную ценную информацию о нем.

Например, крайне сложно традиционным образом сделать физический датчик для жестких промышленных условий пирометаллургических переделов. Для широко используемой в отрасли печи Ванюкова критически важным входным параметром является минералогический состав питания, который постоянно меняется в некоторых пределах. Изобретение датчика, который непрерывно контролировал бы и отдавал корректные данные измерения этого параметра, - открытая задача. А цифровая модель позволяет "разместить" в установке виртуальный датчик, с высокой достоверностью определять требуемые свойства сырья и находить наиболее оптимальные режимы работы печи методами математического анализа.

Цифровое моделирование vs искусственный интеллект

Вытеснят ли нейросети цифровое моделирование? В обозримом будущем такой сценарий не просматривается по целому ряду причин.

Для того чтобы обучить нейросеть до состояния, когда она обретет предиктивную ценность, то есть способность с высокой вероятностью предсказывать некие будущие состояния агрегатов, необходимо иметь огромный массив как можно более детальных сведений о предыдущих состояниях системы. В большинстве случаев эти данные просто неоткуда взять. Жизненный цикл основных типов горнодобывающего оборудования весьма длинен, он может измеряться десятилетиями. И конечно, ни о каких сетях датчиков и инструментах сбора с них информации речь там просто не идет в силу почтенного возраста.

Теоретически возможна "оцифровка" подобных агрегатов - капитальный ремонт с интеграцией сенсорной сети, но это весьма дорогостоящий процесс с неясными перспективами окупаемости. Кроме того, даже "оцифрованный" агрегат должен проработать годы, чтобы массив данных вырос до масштабов, необходимых для обучения нейросети.

Цифровое моделирование позволяет получить похожий результат за гораздо более короткое время при несопоставимо меньшем бюджете. Ведь мы говорим не о цифровой трансформации ради трансформации, а о решении реальных бизнес-задач. При этом компьютерное моделирование позволяет "предсказывать" поведение системы в очень широком диапазоне режимов работы и ситуаций, не требуя статистических данных с датчиков.

"Оцифровка" отрасли в России

С аналитиками KPMG можно согласиться в том, что растущий спрос на полезные ископаемые, снижение концентрации полезных ископаемых в руде, экологическая ответственность и другие факторы вызвали быстрые технологические изменения в горнорудной отрасли.

При этом наблюдается некоторая разность в подходах к этому вопросу у западных и российских компаний. За рубежом принято исходить из того, что проводниками цифровой трансформации должны быть поставщики оборудования - например, Sandvik, Epiroc, Caterpillar. Напротив, российская добывающая промышленность чаще сама стратегически управляет этим процессом и развивает соответствующие внутренние компетенции.

"Норникель" в свою очередь стремится опережать технологический тренд. Недавно закончена цифровая модель флотационной машины. Для обогащения руд ведется работа над моделями ряда ключевых агрегатов плавильного цеха, с целью улучшения характеристик моделируется процесс измельчения шаровой мельницы, прорабатывается еще несколько моделей (пиро-, гидрометаллургическое оборудование, обогатительное оборудование и др.), более десятка потенциальных проектов признаны перспективными", - рассказал Кирилл Ярцев, и.о. директора департамента технологических инноваций.

Потенциально сдерживающим фактором для всей отечественной горнодобывающей индустрии мог бы стать уход иностранных поставщиков CAE-систем - программного обеспечения для инженерных расчетов. Но выход был найден. Время до истечения лицензий западных поставщиков подобного ПО, такого, например, как привычный многим Ansys, удалось использовать для перехода на активно развивающиеся отечественные аналоги. Иностранные инструменты замещаются такими отечественными аналогами, как SimInTech, FlowVision, LVMFlow и т.д. Так удалось обеспечить возможность плавного перехода в новую инструментальную среду и сохранить перспективы дальнейшего развития цифрового моделирования в России.