Иваново, Ивановская область, Россия
УДК 004.94 Компьютерное моделирование
Реакторы трубчатого типа являются основным видом оборудования во многих производственных процессах. При этом их характеристики во многом определяют производственные технико-экономические показатели. Поэтому проектирование и разработка более совершенных конструкций реакторов и определение эффективных режимных параметров можно считать важными исследовательскими задачами. Для их решения необходимо использовать методы математического и компьютерного моделирования. Однако, для анализа процессов, протекающих в химической аппаратуре, используются модели, содержащие довольно грубые упрощающие допущения. Поэтому такие модели можно считать недостаточно адекватными. Кроме того, существующие подходы к моделированию реакторов не-достаточно полно учитывают влияние на процесс стохастических факторов. В данной статье рассматривается описание имитационного подхода к моделированию реактора электрохимического синтеза озона. В качестве методологической основы используется дискретный стохастический под-ход. Он базируется на исследовании функционирования отдельных элементов системы, которые, в результате, формируют поведение системы в целом. Подход учитывает влияние как детерминированных, так и случайных факторов на протекание процесса. В работе изложен алгоритм имитационного компьютерного моделирования, приводятся результаты имитационного моделирования, как отдельный стадий синтеза, так и процесса в целом. Описаны итоги сравнения данных компьютерного моделирования с данными экспериментов, проведенных на реальной лабораторной установке. Делаются выводы об адекватности предлагаемой имитационной модели, о возможностях ее применения в исследовательской практике, отмечаются достоинства и недостатки описанного подхода.
Имитационное моделирование; случайные процессы; дискретные модели; электросинтез озона
1. Кутепов А. М., Бондарева Т. И., Беренгартен М. Г. Об-щая химическая технология. М.: Ленанд, 2022. 512 с.
2. Гумеров А. М. Математическое моделирование хи-мико-технологических процессов. Санкт-Петербург : Лань, 2022. 176 с.
3. Leon J.F., Giancola F., Boccolucci A., Neroni M. A demand modelling pipeline for an agent-based traffic simulation of the city of Barcelona // Proceedings of the 2023 Winter Simulation Conference C.G. Corlu, S.R. Hunter, H. Lam, B.S. Onggo, J. Shortle, and B. Biller, eds. December 10-13, 2023. San Antonio, Texas, USA. P.1771-1782.
4. Khalil H., Wainer G., Dunnigan Z. Cell-DEVS models for CO2 sensors locations in closed spaces // Proceedings of the 2020 Winter Simulation Conference. December 13-16, 2020. Orlando, Florida, USA. pp. 692-703.
5. Li J., Giabbanelli P.J., Koster T. Comparing the effect of code optimizations on simulation runtime across synchro-nous cellular automata models. // Proceedings of the 2021 Winter Simulation Conference. December 12-15, 2021. Phoenix, Arizona, USA. pp..421-428.
6. Moskon M., Komac R., Zimic N., Mraz M. Distributed biological computation: from oscillators, logic gates and switches to a multicellular processor and neural computing applications // Neural Computing and Applications, 2021, Vol. 33, Issue 1.pp. 8923–8938.
7. Бандман О.Л. Клеточно-автоматные модели естествен-ных процессов и их реализация на современных компьютерах // Прикладная дискретная математика, 2017. № 35. С. 102-121.
8. Ершов Н.М., Кравчук А.В. Дискретное моделирование с помощью стохастических клеточных автоматов // Вестник Российского университета дружбы народов: Серия Математика, информатика, физика, Изд-во РУДН (М.) 2014. № 2, С. 359-362
9. Tsompanas M.A., Fyrigos I.A., Ntinas V., Adamatzky A. Cellular automata implementation of Oregonator simulating light-sensitive Belousov–Zhabotinsky medium // Non-linear Dynamics, 2021, Vol. 104, Issue 3, pp. 4103–4115.
10. Nguyen-Tuan-Thanh Le. Multi-agent reinforcement learning for traffic congestion on one-way multi-lane highways // Journal of Information and Telecommunication, 2023, Vol. 7, Issue 3, pp. 1-15.
11. Datta S., Rokade S., Rajput S. P. Unsignalized intersection capacity estimation through traffic rule re-adjustments using agent-based cellular automata simulations // Iranian Journal of Science and Technology, Transactions of Civil Engineering, 2022 Vol. 46, Issue 3, pp. 1-27.
12. Liu X., Hu Z., Deng X., Kuhlman C.J. A calibration model for bot-like behaviors in agent-based anagram game simulation // Proceedings of the 2023 Winter Simulation Conference. December 10-13, 2023. San Antonio, Texas, USA. pp..221-232.
13. Vasiliev D.I., Gasanov E.E., Kudryavtsev V.B. On stabilization of an automaton model of migration processes // Discrete Mathematics and Applications, издательство de Gruyter (Germany), 2020, Vol. 30, N2, pp. 117-128/
14. Малмыгин Г.А., Ершов Н.М. Моделирование химических реакций с использованием клеточных автоматов // Электронный журнал «Системный анализ в науке и образовании», 2023, том 3, с. 1-12
15. Bobkov S. P. Use of Discrete Approaches for Simulation the Basic Processes of Chemical Technology. Russian Journal of General Chemistry, 2021, Vol. 91, No. 6, pp. 1190–1197 DOIhttps://doi.org/10.1134/S1070363221080181
16. Астраханцева И.А., Бобков С.П. Дискретная стохастическая модель гидродинамики потока. Моделирование систем и процессов. – 2023. – №. 2. – с. 7-14. DOI:https://doi.org/10.12737/2219-0767-2023-16-2-7-14
17. Бобков С.П., Астраханцева И.А. Использование вероятностных клеточных автоматов для моделирования течения жидкости. Современные наукоемкие технологии. Региональное приложение, 2022, №2(70) с.47- 54. DOIhttps://doi.org/10.6060/snt.20216703.0008
18. L. Saidiaa. Исследование физико-химических свойств импульсного разряда в смеси CO2 - O2 / L. Saidiaa, A. Belasria, [и др.] Физика плазмы, 2019, т. 45, № 5, с. 465–480