Цифровые двойники: как работают, зачем нужны и как смоделировать своего

Что такое цифровые двойники и имитационное моделирование

Имитационное моделирование — это технология, которая повторяет работу реального объекта в цифровой среде. Она воспроизводит форму и действия оригинала в течение заданного времени.

За счет получения виртуального слепка реальной среды мы можем проводить эксперименты, меняя параметры и отслеживая, как эти изменения влияют на реальную систему. Эксперименты проводят перед тем, как внедрять в жизнь.

Эффективный способ применения цифрового двойника — сценарный анализ. Здесь нужно ответить на вопрос «что будет, если?..». Примеры вопросов для проведения сценарного анализа:

1. Что будет, если мы увеличим скорость загрузки на судно? 
2. Что будет со складом, если мы изменим стратегию пикинга? 
3. Что будет, если мы перераспределим порты доставки металлотрейдера? Как это повлияет на количество поставляемого груза и нашу способность управлять запасами?

Зарождение имитационного моделирования

Зарождение метода имитационного моделирования связано с работой фон Неймана и Улана в конце 1940-х гг., когда они ввели для него название «Монте-Карло» и применили к решению некоторых задач экранирования ядерных излучений. 

Сейчас технология применяется в том числе в нефтегазовом секторе и логистике. Такие компании, как «Газпром нефть», «Сибур», X5 Group, FM Logistics самостоятельно или в партнерстве с другими организациями создают цифровых двойников различных активов и процессов. От цепей поставок и производства до месторождений и карьеров.

Как спроектировать имитационную модель

Успешная имитационная модель — это инструмент, который может дать полезные инсайты для принятия решений в бизнесе.

Платформа и инструменты

Начало работы неразрывно связано с выбором инструментов для моделирования. Это может быть:

• специализированное программное обеспечение, например, AnyLogic, Simio, Arena;
• языки программирования: Python, MATLAB, Java;
• или фреймворки для моделирования и симуляции.

Абстракция системы

Один из важных шагов — определение уровня детализации модели. Чем более подробно мы описываем систему, тем сложнее модель и тем больше данных она потребует. Решение о том, что включать и какие детали учитывать, играет ключевую роль. 

Важно продумать: 

1. Уровень детализации компонентов, например, на уровне каждого отдельного объекта.
2. Учёт взаимодействий и зависимостей. Например, в моделировании транспортной сети, где учитываются взаимодействия между автомобилями, дорогами, сигнальными системами. Это требует алгоритмов оптимизации, управления ресурсами или динамического изменения параметров в зависимости от условий.
3. Временны́е и пространственные параметры, которые требуют больше вычислительных ресурсов и данных для каждой ячейки пространства и времени.
4. Сложность моделирования поведения. Тут могут потребоваться комплексные стохастические модели, например, моделирование случайных процессов или использование дифференциальных уравнений для описания динамики системы. Также могут применяться методы машинного обучения или агентно-ориентированные модели для учёта сложного поведения и взаимодействий между элементами системы.

Проектирование структуры модели

Создание структуры модели — это как составление пазла. Необходимо определить компоненты системы, их взаимосвязи и поведение. Например, для моделирования производственного процесса это могут быть рабочие станции, потоки материалов и информации, время обработки и т.д.

Разработка алгоритмов и логики

На этой фазе происходит перевод концепции системы в код. Создание алгоритмов, управляющих поведением компонентов системы в различных сценариях и при различных условиях.

Тестирование и отладка

Как и в разработке программного обеспечения, тестирование играет критическую роль. Модель должна быть протестирована на различных сценариях, чтобы убедиться в её корректности и соответствии реальной системе. Отладка кода и логики моделирования — неотъемлемая часть этого этапа.

Верификация и валидация

Это критически важные этапы. Верификация модели — проверка, что модель правильно реализует спецификации. Валидация — подтверждение того, что модель соответствует реальной системе. Это включает сравнение результатов моделирования с реальными данными или экспериментами.

Оптимизация и улучшение

После проверки и валидации модели идёт этап оптимизации. Это может быть улучшение производительности модели или добавление новых элементов.

По теме: Цифровой двойник сможет испытать на себе лекарства и даже спасти вам жизнь

Как работает имитационное моделирование на реальных кейсах

Аэропорт «Шереметьево»

Инфраструктура аэропорта расширяется. Планируется строительство новых терминалов, их интеграция между собой, а также расширение парковки и въездных групп. ​​Эти изменения должны увеличить пропускную способность аэропорта и помочь выйти на годовой пассажиропоток в 52 млн.

Чтобы определить релевантность новых функций, «Шереметьево» подали запрос на разработку собственной имитационной модели. Готовая модель не смогла бы полностью отразить все особенности проекта, у аэропорта специфические бизнес-процессы и инфраструктура. Например, имитационная модель «Шереметьево» не подойдёт для «Домодедово». Потому что исходные данные для математических вычислений слишком разные: количество мест на парковке, модели багажных лент или площадь зала регистрации.

Этапы разработки имитационной модели для аэропорта «Шереметьево»

1. Сперва проводится детальное обследование всех объектов и процессов: терминалов, взлётно-посадочных полос, парковок, пассажиропотоков. Собираются и анализируются данные о пропускной способности каждого элемента, времени обслуживания, возможных заторах.
2. На основе полученных данных строится цифровая модель аэропорта — виртуальные копии зданий, дорог, очередей. Добавляется логика работы: маршруты пассажиров, правила обработки багажа, алгоритмы управления транспортом.
3. После запуска модели компьютер имитирует работу аэропорта в режиме реального времени. Видно, как виртуальные пассажиры перемещаются по терминалу, стоят в очередях, проходят регистрацию. Можно вводить разные сценарии: изменять пассажиропоток, добавлять или убирать рейсы, менять расписание и смотреть, как это сказывается на работе аэропорта.
4. Анализируя статистику и показатели, вырабатываемые моделью, можно понять, как оптимально организовать процессы в аэропорту. Сколько нужно стоек регистрации, как распределить рейсы по терминалам, какие места являются «узкими» в инфраструктуре.
5. Сначала решение реализуется в ограниченном масштабе. Например, в одном из терминалов аэропорта или на небольшом участке логистической цепочки. Затем масштабируется.

В результате цифровой двойник помог команде и руководству аэропорта принять решения по изменению схемы подъёма и спуска пассажиров со второго этажа в двух терминалах аэровокзала, определить оптимальный вариант расположения досмотрового оборудования, определить требуемую ширину пешеходных переходов между паркингами и терминалами.

Платформа «Приразломная» на Арктическом шельфе

Добыча нефти ведётся в тяжелых условиях Арктики. Учитывая изменчивость метеорологической обстановки, требовалось повысить эффективность, устойчивость и безопасность транспортной системы платформы.

Имитационная модель позволила проанализировать 11 способов повышения эффективности работы арктической транспортной системы. Среди них привлечение дополнительного танкера, увеличение скорости отгрузки нефти, использование ледокола. Целью анализа было повышение эффективности системы с точки зрения соотношения затрат и снижения объёмов недополученной нефти.

Этапы разработки имитационной модели «Приразломная» на Арктическом шельфе

1. Сначала проводится полный аудит логистических процессов на платформе. Это анализ сотни параметров, влияющих на эффективность: типы судов, графики движения, погодные условия за много лет, особенности погрузки на танкеры.
2. Затем на основе собранных данных разрабатываются детальные 3D-модели самой платформы, танкеров разных типов, которые могут пришвартовываться к ней, вертолётов для перевозки людей и грузов.
3. Моделируется динамика движения судов с учётом течений, ветров, возможных штормов. Для этого используются статистические модели на основе данных многолетних наблюдений. 
4. Отдельно строится имитационная модель погодных условий Арктики за последние 10 лет. Она учитывает реальные данные о температуре, осадках, ветре, туманах.
5. Все элементы модели тщательно тестируются и калибруются по данным о реальной работе платформы за предыдущие годы.
6. Запускается имитационная модель в разных режимах: параметры логистики меняются для поиска более оптимального варианта. 
7. По результатам моделирования даются рекомендации, как лучше организовать логистику на платформе с учётом всех особенностей работы в северных широтах.

По теме: Цифровые двойники: как digital-копии помогают решать задачи бизнеса

Системы моделирования логистики на флоте в «Газпромнефть-Снабжение»

Это система поддержки принятия решений в области планирования морской логистики на основе имитационного моделирования, разработка которой занимались мы совместно с «Газпромнефть-Снабжение». Основное отличие этой системы в том, что она функционирует на разработанном под задачу ПО, которое проектирует визуальную часть и состоит из веб-приложения с интерфейсами, движком имитационного моделирования и BI-аналитикой. Всё в одном окне.

Этапы разработки имитационной модели для «Газпромнефть-Снабжение»

1. Изначально в созданном веб-сервисе задаются такие технические характеристики как показатели флота, портов, складов; параметры как фиксированных, так и переменных затрат на транспортировку, погрузку и т.д. Пользователь может регулировать практически любую переменную.
2. Модель запускается в интерфейсе, и процесс имитации начинается. Объект морской логистики «работает» виртуально, и мы наблюдаем, как изменяются различные показатели во времени.
   
   Веб-сервис, например, выстраивает весь сложный процесс доставки ресурсов на платформы и просчитывает параллельный многонитевой процесс с учётом возможных перебоев, поломок техники и любых других случайных факторов. Модель учитывает временные задержки на каждом отдельном участке цепочки, и пользователь видит весь процесс в динамике.
3. Для получения более полной картины проводятся несколько прогонов модели, каждый из которых соответствует определенной гипотезе или сценарию. В каждом прогоне меняются один или несколько входных параметров, чтобы изучить их влияние на систему.
   
   Изменяя входные данные, можно экспериментировать с разными сценариями и выбирать оптимальный план. Например, увеличив объём баржи, можно снизить общее количество рейсов.
4. После завершения прогонов модели анализируются результаты. Это позволяет сравнить разные прогнозы развития системы и выбрать тот сценарий, который лучше всего соответствует потребностям и ожиданиям управленцев или собственников морской логистики. Внутри сервиса есть собственная BI-система для выдачи результатов.
5. Когда оптимальный план доставки найден, он может быть реализован на практике. Кроме того, аналогичный подход для оптимизации может быть применён и в других бизнес-процессах компании с помощью адаптации имитационной модели или создания новой.

Продукт разрабатывался для решения узконаправленной задачи, но также может использоваться в разных сферах для оптимизации процессов.

По итогам внедрения скорость планирования увеличилась на 85%, а вероятность допустить ошибку в расчетах из-за человеческого фактора снизилась сразу на 95%. 

Также цифровое решение было признано лучшим для отрасли нефтегаза и получило престижную премию ComNews.