— Элеонора Моисеевна, среди последних достижений вашей кафедры — создание первого в России виртуального завода, цифрового двойника химического предприятия. Что это такое?
— На кафедре информационных компьютерных технологий РХТУ мы создали новый цифровой виртуальный завод по получению метанола, учитывающий сущность всех протекающих на таком предприятии явлений и процессов. Работа проводилась при поддержке американской корпорации, производящей электронные системы управления и автоматизации, а также при участии крупного российского химического предприятия.
В результате была создана динамическая модель схемы химического завода с возможностью управления технологическими процессами, разработано центральное ядро — программа, обеспечивающая взаимосвязь базы данных схемы завода с веб-интерфейсом и виртуальным окружением. Затем аппараты технологической схемы и в целом всего завода были представлены в виде объектов виртуальной реальности.
— Какая от таких цифровых двойников польза?
— На основе модели технологической схемы можно испытать работу предприятия в разных режимах и существенно увеличить его производительность. Так, на последнем этапе работы по созданию виртуального завода нами были разработаны и внедрены сценарии аварийных ситуаций и их ликвидации. По сути, произошло сращивание производственного тренажёра с виртуальным представлением всей технологической цепочки. На основе тренажёра можно проводить обучение операторов производства. Наличие виртуального представления аппаратов и их размещения с привязкой к местности, где будет строиться объект, позволяет устранить множество ошибок при 3D-проектировании цеха.
Также мы разработали виртуальный химический практикум с VR-шлемом. Он, конечно, не заменяет реальный, но является хорошим подспорьем, своего рода тренажёром проведения химических опытов, особенно в условиях дистанционного обучения.
— В РХТУ создана своя модель прогнозирования развития пандемии COVID-19. В чём её отличие от других?
— Для моделирования распространения коронавирусной инфекции мы используем методы нелинейной динамики. В основном в России и в мире используют SIR и SEIR математические модели, где рассматриваются различные возможные состояния человека: S — здоровый, E — заражённый в инкубационном периоде или бессимптомный, I — заражённый в активной стадии болезни и R — умерший или выздоровевший с иммунитетом (в зависимости от интерпретации).
Мы от них отказались. В условиях неопределённости и быстрого реагирования для оценки ситуации и расчёта активных заразившихся нужны были модели с наименьшим количеством определяемых параметров. Наша модель состоит из системы дискретных логистических уравнений с двумя определяемыми параметрами: показателем роста численности и ёмкостью системы. Показатель роста численности определяется в самом начале распространения эпидемии. Он может меняться в соответствии с ограничительными мерами, принятыми в стране. Ёмкость системы — максимальное число жителей страны (города), которые могут потенциально заболеть. Она определяется в конце первой трети периода — от начала до пика распространения эпидемии.
— Какие цифры даёт ваша модель, можно ли делать с её помощью определённые прогнозы?
— Достаточно точно мы определили пики эпидемии в Италии, Испании, Португалии, Японии, Германии, во Вьетнаме, в Чехии, Бразилии и других странах. Ряд стран заканчивают эпидемию, прошли пик. Однако в Индии сейчас самая большая ёмкость системы. Пик эпидемии там ожидается 25 августа 2020 года, и в этот день там ожидается прирост численности инфицированных на 68 тыс. человек.
Первая волна распространения COVID-19 в Индии принесёт 6,5 млн заражённых, это очень много. Также на данный момент ведём пересчёт для таких стран, как США, Бразилия, Россия.
Отмечу, что понятие волны терминологическое. И только суперпозиция (наложение) нескольких волн даёт хороший результат по совпадению расчётных и фактических данных.
В Китае были приняты жёсткие ограничительные меры, которые буквально всеми соблюдались, поэтому распространение эпидемии легло на единичную волну.
В Италии распространение не укладывалось на единичную волну, возникали большие ошибки в расчётах ежедневных приростов и численности инфицированных.
По нашим расчётам, распространение эпидемии в мире в настоящее время укладывается на суперпозицию пяти волн. Первая волна охарактеризовала распространение эпидемии в Китае, вторая в основном охватила страны Европы, третья — Россию и некоторые штаты США. Четвёртая и пятая в основном отражают распространение эпидемии в США, странах Латинской Америки и Южной Азии. По последнему расчёту, число инфицированных от суперпозиции этих волн составит около 21 млн жителей планеты. Окончание пятой волны, которая не является последней, ожидается в конце ноября этого года. Каждые десять дней мы пересчитываем данные, так как могут появляться новые волны.
— Есть риски, которые вы считаете недооценёнными?
— Такие риски есть. Например, по нашей модели, Москва сейчас переживает пятую волну. С первой волной мы сели на карантин, потом возникали волны из-за пасхальных и майских праздников. Первая волна была самой большой ёмкости — 1 млн жителей, она принесла 75 тыс. инфицированных, каждая последующая была меньше. Предпоследняя, с ёмкостью 150 тыс. жителей, возникла в мае, когда заработали промышленные предприятия. Она принесла 15 тыс. инфицированных и при сохранении ограничений должна была закончиться в июле. Однако последний перерасчёт показал, что 16 июня была ещё одна волна ёмкостью 1 млн жителей, которая несёт 36 тыс. инфицированных и увеличивает численность заражённых москвичей до 260 тыс.
Срок окончания этой волны — ноябрь 2020 года. Поэтому надо понимать, что эпидемия в Москве не закончилась. Советую всем носить маски в местах скопления людей, транспорте, магазинах и так далее.
— Менделеевцы под вашим руководством достигли больших успехов в области математического моделирования. Какие ещё химические и технологические процессы просчитывают ваши специалисты?
— На кафедре развиваются направления по моделированию широкого класса топливных элементов, созданию программного обеспечения в области получения нанокомпозитов, а также фундаментальные исследования в области нелинейной динамики и термодинамики необратимых процессов, моделирование в области увеличения нефтедобычи.
На основе полученных нами моделей удалось улучшить характеристики широкого класса топливных элементов. На основе микробного топливного элемента разработана технология генерации энергии и очистки сточных вод.
Также найдены оптимальные режимы получения новых материалов — нанокомпозитов — на основе оксида алюминия и карбида кремния. Такие композиты усилены армированными углеродными нанотрубками и обладают улучшенными физико-механическими свойствами. Математические методы были использованы в разработке физико-химического циклического воздействия на призабойную зону малодебетных скважин. Они приводят к существенному (в пять раз) увеличению добычи нефти.
— Как в целом происходит цифровая трансформация в химической отрасли?
— В настоящее время активно происходит трансформация производственных и бизнес-процессов с помощью инструментов цифровых технологий. Они основаны на использовании больших данных (big data) и на методах машинного обучения (искусственного интеллекта).
На основе аналитических моделей компании выбирают оптимальный технологический режим, выстраивают график ремонтов, избегают поломок оборудования.
Разрабатываются платформы для работы с дополненной реальностью, системы распознавания образов для отображения подсказок по оборудованию, внедряется промышленный интернет вещей — например, устанавливаются беспроводные датчики на трубах, которые позволяют заменить регулярные обходы.
— Компьютерные методы используются и при создании новых материалов, в том числе композитов с ранее невиданными свойствами...
— Верно, на основе компьютерного дизайна можно получать новые материалы. Например, берётся ряд кристаллических структур, для которых производится квантово-механический расчёт. Затем нейронную сеть обучают по набору признаков каждой из этих структур создавать связь между признаками и энергией. При использовании нейронной сети расчёты сокращаются почти в 10 тыс. раз. Так, проанализировав структуру бора, учёные предсказали новую структуру гамма-бора — одного из самых твёрдых веществ.
На кафедре занимаются моделированием процессов получения нанокомпозитов с высокими прочностными свойствами. К таким процессам относится метод импульсного плазменного спекания. При таком методе удалось получить нанокомпозит на основе оксида алюминия с высоким объёмным содержанием углеродных трубок. Они обеспечивают высокие прочностные свойства и снижение плотности материала.
— Удалённая работа и дистанционное обучение стали востребованы как никогда. Как информационные компьютерные технологии сокращают экономические издержки при проведении исследований, расширяют возможности для обучения специалистов химической отрасли?
— Компьютерные технологии не могут заменить реальные эксперименты, но являются мощным помощником, существенно сокращают время проведения исследований. Определение оптимальных режимов эксперимента происходит гораздо быстрее с помощью математической модели.
Высокую эффективность показывают и технологии обучения. Наш виртуальный химический практикум (без VR-шлема) из 170 работ за время карантина использовали в три-четыре раза чаще, количество заходов было порядка 10 тыс. Конечно, это большая поддержка в обучении химии студентов и школьников старших классов.
Что касается обучения специалистов химической отрасли, то для их тренировки мы создаём программы-тренажёры для понимания взаимосвязи технологических процессов и изучения режимов работы различных аппаратов.