ЛЕКЦИЯ 1

Основные понятия теории моделирования систем. Теория подобия и моделирования.

Имитационные модели и их виды

Моделирование — это общепризнанное средство познания действительности, которое

состоит из двух этапов разработки модели и ее анализа, а также позволяет исследовать
сложные процессы и явления на основе экспериментов не с реальной системой, а с ее моделью.
В повседневной деятельности эксперименты ставятся на реальных системах: либо это
экономика страны, отдельная организация или система управления сложными процессами.
Зачастую лицо принимающее решение (ЛПР) использует интуитивный метод принятия
решений и трудно предсказать динамику поведения системы в целом.
Целью моделирования является принятие адекватных управленческих решений.
Компьютерное моделирование становится наиболее актуальным и важным этапом в принятии
решений во всех сферах деятельности человека, управлении процессом и получении желаемого
результата. Поэтому знание концепций и методов моделирования, принципов построения
моделей, и выбора средств их реализации, используя при этом современные программные
продукты являются на сегодняшний день необходимы- ми для поддержки принятия решений
руководителем, инженером, менеджером, бизнес-аналитиком и др.
Теория подобия и моделирования

Моделирование — это процесс замещения изучаемого объекта другим с целью получения

информации о важнейших свойствах объекта-оригинала с помощью объекта-модели, т. е.
моделирование, может быть еще определено как представление объекта моделью для
получения информации об этом объекте путем проведения экспериментов с его моделью.
В основе моделирования лежит теория подобия, которая утверждает, что абсолютное
подобие может иметь место лишь при замене одного объекта другим точно таким же. При
моделировании абсолютное подобие не имеет места, поэтому необходимо стремиться к тому,
чтобы модель достаточно хорошо отображала исследуемую сторону функционирования
объекта.
Научной основой моделирования служит теория аналогии, в частном случае — физического
и аналогового моделирования — теория подобия, в которой основным понятием является —
понятие аналогии — сходство объектов по их качественным и количественным признакам.
Основные виды качественной аналогии:
 химическая;
 физическая;
 кибернетическая.
Все эти виды объединяются понятием обобщенной аналогии — абстракцией. Она выражает
особого рода соответствие между сопоставляемыми объектами, между моделью и прототипом.
Кибернетическая аналогия — подобие функций, ведущее к установлению структурного
сходства сравниваемых систем управления и нахождения способа (алгоритма) управления,
обеспечивающего достижение оптимума цели путем преобразования потоков информации.
Константой подобия в данном случае часто служит алгоритм оптимального управления.

Физическая аналогия — подобие при наличии физического аналога. Константы подобия —

безразмерные величины, а результат исследования предполагает раскрытие физического
смысла са- мих уравнений.
Основным видом количественной аналогии является понятие математической аналогии. Это
аналогия формы уравнений и аналогия соотношений между переменными в уравнениях
оригинала и модели.
 Частные случаи математической аналогии — геометрическая, временная. Геометрическая
представляет собой подобие пространственных пропорций частей объекта, подобие
геометрических образов. Временная — подобие функции времени, при котором константа
подобия показывает, в каком отношении к ней находятся такие параметры, как период,
задержка и т. д. Физическая аналогия — подобие при наличии физического аналога.
Константы подобия — безразмерные величины, а резуль- тат исследования предполагает
раскрытие физического смысла самих уравнений.
Основным видом количественной аналогии является понятие математической аналогии. Это
аналогия формы уравнений и ана- логия соотношений между переменными в уравнениях
оригинала и модели.
Частные случаи математической аналогии — геометрическая, временная. Геометрическая
представляет собой подобие простран- ственных пропорций частей объекта, подобие
геометрических об- разов. Временная — подобие функции времени, при котором кон- станта
подобия показывает, в каком отношении к ней находятся такие параметры, как период,
задержка и т. д.
Имитационное моделирование — метод, позволяющий строить модели, описывающие
процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во
времени как для одного испытания, так и заданного их множества. При этом результаты будут
определяться случайным характером процессов. По этим данным можно получить достаточно
устойчивую статистику.
Имитационное моделирование — это метод исследования, при
котором изучаемая система заменяется моделью, с достаточной точностью описывающей
реальную систему и с ней проводятся эксперименты с целью получения информации об этой
системе. Экспериментирование с моделью называют имитацией (имитация — это постижение
сути явления, не прибегая к экспериментам на реальном объекте).
Имитационное моделирование — это частный случай матемаического моделирования.
Существует класс объектов, для которых по различным причинам не разработаны
аналитические моде- ли, либо не разработаны методы решения полученной модели. В этом
случае математическая модель заменяется имитатором или имитационной моделью.
Имитационная модель — логико-математическое описание объекта, которое может быть
использовано для экспериментиро- вания на компьютере в целях проектирования, анализа и
оценки функционирования объекта.
Применение имитационного моделирования
К имитационному моделированию прибегают, когда:
 дорого или невозможно экспериментировать на реальном объекте;
 невозможно построить аналитическую модель: в системе есть время, причинные связи,
последствие, нелинейности, сто- хастические (случайные) переменные;
 необходимо сымитировать поведение системы во времени. Цель имитационного
моделирования — воспроизведение поведения исследуемой системы на основе результатов
анализа наиболее существенных взаимосвязей между ее элементами или други- ми словами
— разработке симулятора (англ. simulation modeling) исследуемой предметной области для
проведения различных экспериментов.
Имитационное моделирование позволяет имитировать поведе- ние системы во времени.
Причем плюсом является то, что време- нем в модели можно управлять: замедлять в случае с
быстропро- текающими процессами и ускорять для моделирования систем с медленной
изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с
которыми дороги, невозмож- ны или опасны.
Имитация, как метод решения нетривиальных задач, получила на- чальное развитие в связи с
созданием ЭВМ в 1950-х — 1960-х годах.
Можно выделить две разновидности имитации:
 Метод Монте-Карло (метод статистических испытаний).
 Метод имитационного моделирования (статистическое мо- делирование).
Виды имитационного моделирования:
 Агентное моделирование — относительно новое (1990-е — 2000-е гг.) направление в
имитационном моделировании, кото- рое используется для исследования
децентрализованных сис- тем, динамика функционирования которых определяется не
глобальными правилами и законами (как в других парадигмах моделирования), а наоборот.
Когда эти глобальные правила и законы являются результатом индивидуальной активности
членов группы. Цель агентных моделей — получить представ- ление об этих глобальных
правилах, общем поведении систе- мы, исходя из предположений об индивидуальном,
частном поведении ее отдельных активных объектов и взаимодействии этих объектов в
системе. Агент — некая сущность, обладаю- щая активностью, автономным поведением,
может принимать решения в соответствии с некоторым набором правил, взаимо-
действовать с окружением, а также самостоятельно изменяться.
 Дискретно-событийное моделирование — подход к моде- лированию, предлагающий
абстрагироваться от непрерывной природы событий и рассматривать только основные
события моделируемой системы, такие как: «ожидание», «обработка за- каза», «движение с
грузом», «разгрузка» и другие. Дискретно- событийное моделирование наиболее развито и
имеет огром- ную сферу приложений — от логистики и систем массового обслуживания до
транспортных и производственных систем. Этот вид моделирования наиболее подходит для
моделирова- ния производственных процессов. Основан Джеффри Гордо- ном в 1960-х
годах.
 Системная динамика — парадигма моделирования, где для
исследуемой системы строятся графические диаграммы при- чинных связей и глобальных
влияний одних параметров на другие во времени, а затем созданная на основе этих
диаграмм модель имитируется на компьютере. По сути, такой вид моде- лирования более
всех других парадигм помогает понять суть происходящего выявления причинно-
следственных связей ме- жду объектами и явлениями. С помощью системной динамики
строят модели бизнес-процессов, развития города, модели про-
изводства, динамики популяции, экологии и развития эпиде- мии. Метод основан Джеем
Форрестером в 1950-х годах.
Области применения:
 Бизнес процессы.
 Боевые действия.
 Динамика населения.
 Дорожное движение.
 ИТ-инфраструктура.
 Математическое моделирование исторических процессов.
 Логистика.
 Пешеходная динамика.
 Производство.
 Рынок и конкуренция.
 Сервисные центры.
 Цепочки поставок.
 Уличное движение.
 Управление проектами.
 Экономика здравоохранения.
 Экосистема.
 Информационная безопасность.
 ЛЕКЦИЯ 2
Понятие сложной системы. Подсистемы и элементы Свойства систем

Сложная система («большая система») — составной объект, части которого можно

рассматривать как системы, закономерно объ- единенные в единое целое в соответствии с
определенными принци- пами или связанные между собой заданными отношениями.
Основные понятия теории систем
Термины «теория систем» и «системный анализ», «системный подход», на протяжении 30 и
более лет используются в области человеческой деятельности.
Почти более века назад Д.И. Менделеев, используя свое сис- темное мышление, разработал
таблицу химических элементов, систематизировал всю живую и неживую природу по
различным признакам и свойствам, сам не зная того, что им была разработана модель,
представленная в табличной форме и использован был системный анализ, про который в науке
тогда еще не было и речи.
При системном подходе объект исследования представляется как система. Само понятие
«система» может быть относимо к од-
ному из методологических понятий, поскольку рассмотрение объ- екта исследуется как
система или отказ от такого рассмотрения и зависит от задачи исследования и самого
исследователя.
Существует много определений системы:
 система есть комплекс элементов, находящийся во взаи- модействии;
 система — это множество объектов вместе с отношениями этих объектов;
 система — множество элементов, находящихся в отноше-
ниях или связях друг с другом, образующих целостность или органическое единство.
Термины «отношение» и «взаимодействие» используются в самом широком смысле,
включая весь набор родственных поня- тий, таких как ограничение, структура,
организационная связь, со- единение, зависимость и т. д.
Таким образом, система S представляет собой упорядоченную пару S = (A, R), где A —
множество элементов; R — множество от- ношений между A-элементами.

Система — это полный, целостный набор элементов (компо- нентов), взаимосвязанных и

взаимодействующих между собой так, чтобы могла реализоваться функция системы. Уровни в
системе могут быть соподчинены друг другу, образуя иерархию связей.
Исследование объекта как системы предполагает использова- ние ряда систем
представлений (категорий), среди которых основ- ными являются:
 структурное представление связано с выделением элемен- тов системы и связей между
ними;
 функциональное представление систем — выделение сово- купности функций
(целенаправленных действий) системы и ее компонентов направленное на достижение
 определенной цели;
 макроскопическое представление — понимание системы как нерасчленимого целого,
взаимодействующего с внешней средой;
 микроскопическое представление основано на рассмотре- нии системы как
совокупности взаимосвязанных элементов. Оно предполагает раскрытие структуры
системы;
 иерархическое представление основано на понятии подсис- темы, получаемом при
разложении (декомпозиции) системы, обладающей системными свойствами, которые
следует отли- чать от ее элемента — неделимого на более мелкие части (с точки зрения
решаемой задачи или по логическому заключе- нию). Система может быть представлена в
виде совокупностей подсистем различных уровней, составляющую системную ие- рархию,
которая замыкается снизу только элементами;
 процессуальное представление предполагает понимание системного объекта как
динамического объекта, характери- зующегося последовательностью его состояний во
времени. Объект
Объектом познания является часть реального мира, которая выделяется и воспринимается
как единое целое в течение длитель- ного времени. Объект может быть материальным и
абстрактным, естественным и искусственным. Реально объект обладает беско- нечным набором
свойств различной природы. Практически в про- цессе познания взаимодействие
осуществляется с ограниченным множеством свойств, лежащих в пределах возможности их
вос- приятия и необходимости для цели познания. Поэтому система как образ объекта задается
на конечном множестве отобранных для наблюдения свойств.
Внешняя среда
Понятие «система» возникает там и тогда, где и когда мы ма- териально или умозрительно
проводим замкнутую границу между неограниченным или некоторым ограниченным
множеством эле- ментов. Те элементы с их соответствующей взаимной обусловлен- ностью,
которые попадают внутрь, — образуют систему. Элемен- ты, которые остались за пределами
границы, образуют множество, называемое в теории систем «системным окружением» или
просто
«окружением», или «внешней средой». Из рассуждений вытекает, что немыслимо
рассматривать систему без ее внешней среды.
Система формирует и проявляет свои свойства в процессе взаимодействия с окружением,
являясь при этом ведущим компо- нентом этого воздействия.
В зависимости от воздействия на окружение и характер взаи- модействия с другими
системами, функции систем можно распо- ложить по возрастающему рангу следующим
образом:
 пассивное существование;
 материал для других систем;
 обслуживание систем более высокого порядка;
 противостояние другим системам (выживание);
 поглощение других систем (экспансия);
 преобразование других систем и сред (активная роль).
Всякая система может рассматриваться, с одной стороны, как подсистема более высокого
порядка (надсистемы), а с другой, как надсистема системы более низкого порядка
(подсистема). Напри- мер, система «производственный цех» входит как подсистема в систему
более высокого ранга — «фирма». В свою очередь, над- система «фирма» может являться
подсистемой «корпорации». Обычно в качестве подсистем фигурирует более или менее само-
стоятельные части систем, выделяемые по определенным призна- кам, обладающие
относительной самостоятельностью, определен- ной степенью свободы.
Компонент — любая часть системы, вступающая в определен-
ные отношения с другими частями (подсистемами, элементами).
Элементом системы является часть системы с однозначно оп- ределенными свойствами,
выполняющими определенные функции и не подлежащие дальнейшему разбиению в рамках
решаемой за- дачи (с точки зрения исследователя).
Понятия «элемент», «подсистема», «система взаимопреобра- зуемая», могут
рассматриваться как элементы системы более вы- сокого порядка (метасистема), а элементы
при углубленном анали- зе, как система. То обстоятельство, что любая подсистема является
одновременно и относительно самостоятельной системой приво- дит к двум аспектам изучения
систем: на макро- и микроуровнях.
При изучении процессов и явлений на макроуровне основное внимание уделяется
взаимодействию системы с внешней средой. Причем системы более высокого уровня можно
рассматривать как часть внешней среды. При таком подходе главными факторами яв- ляются
целевая функция системы (цель) и условия ее функциони-
рования.

При этом элементы системы изучаются с точки зрения организации их в единое целое,
влияние на функции системы в це- лом. На микроуровне основными становятся внутренние
характе- ристики системы, характер взаимодействия элементов между со- бой, их свойства и
условия функционирования.

Состоянием системы называется — совокупность существенных свойств, которыми система

обладает в каждый момент времени.
Под свойством понимают те аспекты объекта, которые обу- славливают его отличие от
других объектов или сходство с ними и проявляющуюся при взаимодействии с другими
объектами.
Характеристика — отражение некоторых свойств системы. Из определения «системы»
следует, что главным свойством системы является целостность, единство, достигаемое
посредством опреде- ленных взаимосвязей и взаимодействий элементов системы, и
проявляющееся в возникновении новых свойств, которыми эле- менты системы не обладают.
Эмерджентность — (от анг. emerge — возникать, появляться) — это степень несводимости
свойств системы к свойствам элементов, из которых она состоит. Эмерджентность — свойство
систем, обусловливающее появление новых свойств и качеств, не прису- щих элементам,
входящих в состав системы. Эмерджентность — принцип противоположный редукционизму,
который утверждает, что целое можно изучать, расчленив его на части и затем, опреде- ляя их
свойства, определить свойства целого. Свойству эмерд- жентности близко свойство
целостности системы. Однако их нель- зя отождествлять.
Целостность системы означает, что каждый элемент системы вносит вклад в реализацию
целевой функции системы. Целостность и эмерджентность — интегративные свойства системы.
Наличие инте- гративных свойств является одной из важнейших черт системы. Це-
лостность проявляется в том, что система обладает собственной зако- номерностью
функциональности, собственной целью.
Организованность — сложное свойство систем, заключаю- щееся в наличии структуры и
функционирования (поведения). Не- пременной принадлежностью систем является их
компоненты, именно те структурные образования, из которых состоит целое и без чего оно не
возможно.
Функциональность — это проявление определенных свойств (функций) при взаимодействии
с внешней средой. Здесь же определяет- ся цель (назначение системы) как желаемый конечный
результат.
Структурность — это упорядоченность системы, определен- ный набор и расположение
элементов со связями между ними. Между функцией и структурой системы существует
взаимосвязь, как между философскими категориями содержанием и формой. Изменение
содержания (функций) влечет за собой изменение фор- мы (структуры), но и наоборот.
Важным свойством системы является наличие поведения —
действия, изменений, функционирования и т. д.
Считается, что это поведение системы связано со средой (ок- ружающей), то есть с
другими системами, с которыми она входит в контакт или вступает в определенные
взаимоотношения.
Процесс целенаправленного изменения во времени состояния системы называется
поведением. В отличие от управления, когда изменение состояния системы достигается за счет
внешних воз- действий, поведение реализуется исключительно самой системой, исходя из
собственных целей.
Поведение каждой системы объясняется структурой систем низшего порядка, из которых
состоит данная система, и наличием признаков равновесия (гомеостаза). В соответствии с
признаком равновесия система имеет определенное состояние (состояния), которое является
для нее предпочтительным. Поэтому поведение систем описывается в терминах
восстановления этих состояний, ко- гда они нарушаются в результате изменения окружающей
среды.
Еще одним свойством является свойство роста (развития). Раз- витие можно рассматривать
как составляющую часть поведения
(при этом важнейшим).
Одним из первичных, а следовательно, основополагающих атри- бутов системного подхода
является недопустимость рассмотрения объекта вне его развития, под которым понимается
необратимое, направленное, закономерное изменение материи и сознания. В ре- зультате
возникает новое качество или состояние объекта. Отождест- вление (может быть и не совсем
строгое) терминов «развитие» и
«движение» позволяет выразиться в таком смысле, что вне развития немыслимо существование
материи, в данном случае — системы. Наивно представлять себе развитие, происходящее
стихийно. В неог- лядном множестве процессов, кажущихся на первый взгляд чем-то вроде
броуновского (случайного, хаотичного) движения, при при- стальном внимании и изучении
вначале как бы проявляются контуры тенденций, а затем и довольно устойчивые
закономерности. Эти за- кономерности по природе своей действуют объективно, то есть не за-
висят от того, желаем ли мы их проявления или нет. Незнание зако- нов и закономерностей
развития — это блуждание в потемках.
Поведение системы определяется характером реакции на внешние воздействия.
Фундаментальным свойством систем является устойчивость, то есть способность системы
противостоять внешним возмущающим воздействиям. От нее зависит продолжительность жизни
системы.
Простые системы имеют пассивные формы устойчивости: прочность, сбалансированность,
регулируемость, гомеостаз. А для сложных — определяющими являются активные формы:
надеж- ность, живучесть и адаптируемость.
Если перечисленные формы устойчивости простых систем (кроме прочности) касаются их
поведения, то определяющая форма устойчиво- сти сложных систем носит в основном структурный
характер.
Надежность — свойство сохранения структуры систем, не- смотря на гибель отдельных ее
элементов с помощью их замены или дублирования, а живучесть — как активное подавление
вред- ных качеств. Таким образом, надежность является более пассив- ной формой, чем
живучесть.
Адаптируемость — свойство изменять поведение или струк- туру с целью сохранения,
улучшения или приобретение новых ка- честв в условиях изменения внешней среды.
Обязательным усло- вием возможности адаптации является наличие обратных связей.
Всякая реальная система существует в среде. Связь между ни- ми бывает настолько тесной,
что определять границу между ними становится сложно. Поэтому выделение системы из среды
связано с той или иной степенью идеализации.
 Можно выделить два аспекта взаимодействия:
 во многих случаях принимается характер обмена между системой и средой (веществом,
энергией, информацией);
 среда обычно является источником неопределенности для систем.
Воздействие среды может быть пассивным либо активным (ан- тогонистическим,
целенаправленно противодействующее систе- ме). Поэтому в общем случае среду следует
рассматривать не только безразличную, но и антогонистическую по отношению к исследуемой
системе.

КЛАССИФИКАЦИЯ СИСТЕМ

искусственные
 Классификация систем

Основание
(критерий) Классы систем
классификации
По Открытые
взаимодейств Закрытые
Комбинированные
ию с внешней
средой
Прост
По структуре ые
Сложн
ые
Большие
Специализированные
По характеру функций Многофункциональные
(универсальные)
Стабильные
По характеру развития Развивающие
ся
Хорошо организованные
По степени Плохо организованные
организованности (диффузные)
Автоматические
Решающие
По сложности поведения
Самоорганизую
щиеся
Предвидящи
е
Превращаю
щиеся
По характеру связи между Детерминированные
элементами Стохастическ
ие
Централизованные
По характеру структуры Децентрализованные
управления
Производящи
По назначению е
Управляющие
Обслуживаю
щие
Классификацией называется разбиение на классы по наиболее существенным признакам.
Под классом понимается совокупность объектов, обладающих некоторыми признаками
общности. Признак (или совокупность признаков) является основанием (критерием)
классификации (классификация систем приведена на рис. 1.5.1).
Система может быть охарактеризована одним или несколькими признаками и
соответственно ей может быть найдено место в раз- личных классификациях, каждая из
которых может быть полезной при выборе методологии исследования. Обычно цель
классифика- ции ограничить выбор подходов к отображению систем, вырабо- тать язык
описания, подходящий для соответствующего класса.
По содержанию различают реальные (материальные), объек- тивно существующие, и
абстрактные (концептуальные, идеальные) системы, являющиеся продуктом мышления.
Реальные системы делятся на естественные (природные сис- темы) и искусственные
(антропогенные).
Естественные системы: системы неживой (физические, хи- мические) и живой
(биологические) природы.
 Искусственные системы: создаются человечеством для своих нужд или образуются в
результате целенаправленных усилий. Ис- кусственные делятся на технические (технико-
экономические) и социальные (общественные).
Техническая система спроектирована и изготовлена человеком в определенных целях. К
социальным системам относятся различ- ные системы человеческого общества.
Выделение систем, состоящих из одних только технических уст- ройств почти всегда
условно, поскольку они не способны вырабаты- вать свое состояние. Эти системы выступают как
части более крупных, включающие людей — организационно-технических систем.
Организационная система, для эффективного функционирова- ние которой существенным
фактором является способ организации взаимодействия людей с технической подсистемой,
называется че- ловеко-машинной системой. Примеры человеко-машинных систем: ЭВМ-
пользователь, поезд-машинист, самолет-летчик и т. д.
Отличием технических систем по сравнению с произвольной совокупностью объектов или
по сравнению с отдельными элемен- тами является конструктивность, ориентированность и
взаимосвя- занность составных элементов и целенаправленность.
От структуры зависит также способность системы к перерас- пределению функций в случае
полного или частичного отхода от- дельных элементов, а, следовательно, надежность и
живучесть системы при заданных характеристиках ее элементов.
Абстрактные системы являются результатом отражения действительности (реальных
систем) в мозге человека. Абстракт- ные (идеальные) системы объективны по источнику
происхожде- ния, поскольку их первоисточником является объективно сущест- вующая
действительность. Абстрактные системы разделяют на
системы непосредственного отображения (отражающие опреде- ленные аспекты реальных
систем) и системы генерализирующего (обобщающего) отображения. К первым относятся
математические и эвристические модели, а ко вторым — концептуальные системы (теории
методологического построения) и языки.
На основе понятия внешней среды системы разделяются на: открытые, закрытые
(замкнутые, изолированные) и комбиниро- ванные. Деление систем на открытые и закрытые
связано с их ха- рактерными признаками: возможность сохранения свойств при на- личии
внешних воздействий. Если система нечувствительна к внешним воздействиям ее можно
считать закрытой. В противном случае — открытой.
Открытой называется система, которая взаимодействует с ок- ружающей средой. Все
реальные системы являются открытыми. Открытая система является частью более общей
системы или не- скольких систем.
Открытая система связана со средой определенными коммуни- кациями, то есть сетью
внешних связей системы. Выделение внешних связей и описание механизмов взаимодействия
«система- среда» является центральной задачей теории открытых систем. Рассмотрение
открытых систем позволяет расширить понятие структуры системы. Для открытых систем оно
включает не только внутренние связи между элементами, но и внешние связи со сре- дой. При
описании структуры внешние коммуникационные кана- лы стараются разделить на входные
(по которым среда воздейст- вует на систему) и выходные (наоборот). Совокупность элементов
этих каналов, принадлежащих собственной системе называются входными и выходными
полюсами системы. У открытых систем, по крайней мере, один элемент имеет связь с внешней
средой, по меньшей мере, один входной полюс и один выходной, которыми она связана с
внешней средой.
Для каждой системы связи со всеми подчиненными ей подсис- темами и между последним,
являются внутренними, а все осталь- ные — внешними. Связи между системами и внешней
средой также, как и между элементами системы, носят, как правило, направленный характер.
Необходимо отметить, что в любой реальной системе всилу законов диалектики о всеобщей
связи явлений число всех взаимосвязей огромно, так что учесть и исследовать абсолютно все
связи невозможно, поэтому их число искусственно ограничивают. Вместе с тем, учитывать все
возможные связи нецелесообразно, так как среди них есть много несущественных,
практически не влияющих на функционирование системы и количество получен- ных решений
(с точки зрения решаемых задач). Если изменение характеристик связи, ее исключение
(полный разрыв) приводят к значительному ухудшению работы системы, снижению эффектив-
ности, то такая связь — существенна. Одна из важнейших задач исследователя — выделить
существенные для рассмотрения сис- темы в условиях решаемой задачи связи и отделить их от
несуще- ственных. В связи с тем, что входные и выходные полюса системы не всегда удается
четко выделить, приходится прибегать к опреде- ленной идеализации действий. Наибольшая
идеализация имеет ме- сто при рассмотрении закрытой системы.
Закрытой называется система, которая не взаимодействует со средой или взаимодействует
со средой строго определенным обра- зом. В первом случае предполагается, что система не
имеет вход- ных полюсов, а во втором, что входные полюса есть, но воздейст- вие среды носит
неизменный характер и полностью (заранее) известно. Очевидно, что при последнем
предположении указанные воздействия могут быть отнесены собственно к системе, и ее мож-
но рассматривать, как закрытую. Для закрытой системы, любой ее элемент имеет связи только
с элементами самой системы.
Разумеется, закрытые системы представляют собой некоторую абстракцию реальной
ситуации, так как, строго говоря, изолиро- ванных систем не существует. Однако, очевидно,
что упрощения в описании системы, заключаются в отказе от внешних связей, мо- жет
привести к полезным результатам, упростить исследование системы. Все реальные системы
тесно или слабо связаны с внеш- ней средой — открытые. Если временный разрыв или
изменение характерных внешних связей не вызывает отклонения в функцио- нировании
системы сверх установленных заранее пределов, то система связана с внешней средой слабо. В
противном случае — тесно.
Комбинированные системы содержат открытые и закрытые подсистемы. Наличие
комбинированных систем свидетельствует о сложной комбинации открытой и закрытой
подсистем.
В зависимости от структуры и пространственно-временных свойств системы делятся на
простые, сложные и большие.
Простые — системы, не имеющие разветвленных структур, со- стоящие из небольшого
количества взаимосвязей и небольшого количества элементов. Такие элементы служат для
выполнения простейших функций, в них нельзя выделить иерархические уров- ни.
Отличительной особенностью простых систем является детер- минированность (четкая
определенность) номенклатуры, числа элементов и связей как внутри системы, так и со средой.
Сложные — характеризуются большим числом элементов и внутренних связей, их
неоднородностью и разнокачественностью, структурным разнообразием, выполняют сложную
функцию или ряд функций. Компоненты сложных систем могут рассматриваться как
подсистемы, каждая из которых может быть детализирована еще более простыми
подсистемами и т. д. до тех пор, пока не бу- дет получен элемент. Система называется
сложной, если ее позна- ние требует совместного привлечения многих моделей теорий, а в
некоторых случаях многих научных дисциплин, а также учета не- определенности
вероятностного и невероятностного характера. Наиболее характерным проявлением этого
определения является многомодельность.

ЛЕКЦИЯ 3

Модели и их роль в изучении процессов функционирования

сложных систем
 Большое число задач связано с исследованием сложных сис- тем, таких, которые включают
множество элементов, каждый из которых представляет собой достаточно сложную систему, и
эти системы тесно взаимосвязаны с внешней средой. Изучение таких систем в естественных
условиях ограничено их сложностью, а иногда бывает невозможным ввиду того, что нельзя
провести на- турный эксперимент или повторить тот или иной эксперимент. В этих
условиях порой единственным возможным методом иссле-
дования является моделирование (физическое, логическое, мате- матическое). Без модели нет
познания. Любая гипотеза — это мо- дель. И правильность гипотезы о будущем состоянии
объекта за- висит от того, насколько правильно определили параметры исследуемого объекта и
их взаимосвязи между собой и внешней средой. Необходимо построение математических
моделей разви- тия конкретных систем (биологических, экологических, экономи- ческих,
социальных и т. п.).
Математические модели любых систем могут быть двух типов — эмпирические и
теоретические. Эмпирические модели — это ма- тематические выражения, аппроксимирующие
(с использованием тех или иных критериев приближения) экспериментальные данные о
зависимости параметров состояния системы от значений пара- метров, влияющих на них
факторов. Для эмпирических математи- ческих моделей не требуется получения никаких
представлений о строении и внутреннем механизме связей в системе.
Теоретические модели систем строятся на основании синтеза обобщенных представлений
об отдельных слагающих их процес- сах и явлениях, основываясь на фундаментальных
законах, описы- вающих поведение вещества, энергии, информации. Теоретическая модель
описывает абстрактную систему, и для первоначального вывода ее соотношений не требуется
данных о наблюдениях за па- раметрами конкретной системы.

1.1. Классификация моделей

Одним из основных признаков классификации видов модели- рования можно отметить

степень полноты модели, и разделить модели в соответствии с этим признаком на полные,
неполные и приближенные. В основе полного моделирования лежит «полное» подобие,
которое проявляется как во времени, так и в пространст- ве. Для неполного моделирования
характерно неполное подобие модели изучаемому объекту. В основе приближенного
моделиро- вания лежит приближенное подобие, при котором некоторые сто- роны
функционирования реального объекта не моделируются со- всем.
Классификация видов моделирования может быть проведена по разным основаниям. Один
из вариантов классификации приве- ден на рис. 1.7.1.
В соответствии с классификационным признаком полноты мо-
делирование делится на: полное, неполное, приближенное. При полном моделировании
модели идентичны объекту во времени и пространстве. Для неполного моделирования эта
идентичность не сохраняется. В основе приближенного моделирования лежит по- добие, при
котором некоторые стороны реального объекта не мо- делируются совсем. Теория подобия
утверждает, что абсолютное подобие возможно лишь при замене одного объекта другим точно
таким же. Поэтому при моделировании абсолютное подобие не имеет места. Вполне
достаточно чтобы модель хорошо отображала только исследуемый аспект системы.
Например, для оценки помехоустойчивости дискретных кана- лов передачи информации
функциональная и информационная модели системы могут не разрабатываться. Для
достижения цели моделирования вполне достаточна событийная модель, описывае- мая
матрицей условных вероятностей переходов i-го символа ал- фавита в j-й.
В зависимости от типа носителя и сигнатуры модели различа- ются следующие виды
моделирования: детерминированное и сто- хастическое, статическое и динамическое,
дискретное, непрерыв- ное и дискретно-непрерывное.
Детерминированное моделирование отображает процессы, в которых предполагается
отсутствие случайных воздействий.
Стохастическое моделирование учитывает вероятностные процессы и события.

Статическое моделирование служит для описания состояния объекта в фиксированный

момент времени, а динамическое — для исследования объекта во времени. При этом
оперируют аналого- выми (непрерывными), дискретными и смешанными моделями.
В зависимости от формы реализации носителя и сигнатуры мо- делирование
классифицируется на мысленное и реальное.
Моделирование систем

Неполное приближенное
Полное

Детерминированное стохастическое

Статическое динамическое

Дискретное Дискретно - непрерывное непрерывное

Мысленное
реальное

Наглядное: Символичное: Математическое: Натуральное: Физическое:

- гипотетическое -языковое -аналитическое -научный эксперимент - в реальном времени
-аналоговое -знаковое -имитационное -комплексные испытания -в модельном времени
-макетирование - комбинированное -производственный эксперимент
-структурное
-ситуационное

Рис. 1.7.1. Пример классификации видов моделирования

Мысленное моделирование применяется тогда, когда модели не реализуемы в заданном

интервале времени либо отсутствуют условия для их физического создания (например,
ситуация микро- мира). Мысленное моделирование реальных систем реализуется в виде
наглядного, символического и математического. Для пред- ставления функциональных,
информационных и событийных мо- делей этого вида моделирования разработано
значительное коли- чество средств и методов.
При наглядном моделировании на базе представлений человека о реальных объектах
создаются наглядные модели, отображающие явления и процессы, протекающие в объекте.
Примером таких моде- лей являются учебные плакаты, рисунки, схемы, диаграммы.
В основу гипотетического моделирования закладывается ги- потеза о закономерностях
протекания процесса в реальном объек-
те, которая отражает уровень знаний исследователя об объекте и базируется на причинно-
следственных связях между входом и вы- ходом изучаемого объекта. Этот вид моделирования
используется, когда знаний об объекте недостаточно для построения формаль- ных моделей.
Аналоговое моделирование основывается на приме- нении аналогий различных уровней. Для
достаточно простых объ- ектов наивысшим уровнем является полная аналогия. С
усложнением системы используются аналогии последующих уровней, когда аналоговая модель
отображает несколько (или только одну) сторон функционирования объекта.
 Макетирование применяется, когда протекающие в реальном объекте процессы не
поддаются физическому моделированию или могут предшествовать проведению других
видов моделирования. В основе построения мысленных макетов также лежат аналогии, обычно
базирующиеся на причинно-следственных связях между явлениями и процессами в объекте.
Символическое моделирование представляет собой искусст- венный процесс создания
логического объекта, который замещает реальный процесс и выражает его основные свойства с
помощью определенной системы знаков и символов.
В основе языкового моделирования лежит некоторый тезау- рус, который образуется из
набора понятий исследуемой предмет- ной области, причем этот набор должен быть
фиксированным. Под тезаурусом понимается словарь, отражающий связи между слова- ми или
иными элементами данного языка, предназначенный для поиска слов по их смыслу.
Традиционный тезаурус состоит из двух частей: списка слов и устойчивых словосочетаний,
сгруппи- рованных по смысловым (тематическим) рубрикам; алфавитного словаря ключевых
слов, задающих классы условной эквивалентно- сти, указателя отношений между ключевыми
словами, где для каж- дого слова указаны соответствующие рубрики. Такое построение
позволяет определить семантические (смысловые) отношения ие- рархического (род/вид) и
неиерархического (синонимия, антони- мия, ассоциации) типа. Между тезаурусом и обычным
словарем имеются принципиальные различия. Тезаурус — словарь, который очищен от
неоднозначности, то есть в нем каждому слову может
соответствовать лишь единственное понятие, хотя в обычном сло- варе одному слову может
соответствовать несколько понятий. Ес- ли ввести условное обозначение отдельных понятий,
то есть знаки, а также определенные операции между этими знаками, то можно реализовать
знаковое моделирование и с помощью знаков отобра- жать набор понятий — составлять
отдельные цепочки из слов и предложений. Используя операции объединения, пересечения и
дополнения теории множеств, можно в отдельных символах дать описание какого-то реального
объекта.
Математическое моделирование — это процесс установления соответствия данному
реальному объекту некоторого математиче- ского объекта, называемого математической
моделью. В принци- пе, для исследования характеристик любой системы математиче- скими
методами, включая и машинные, должна быть обязательно проведена формализация этого
процесса, то есть построена мате- матическая модель. Вид математической модели зависит как
от природы реального объекта, так и от задач исследования объекта, от требуемой
достоверности и точности решения задачи. Любая математическая модель, как и всякая другая,
описывает реальный объект с некоторой степенью приближения. Для представления
математических моделей могут использоваться различные формы записи. Основными
являются инвариантная, аналитическая, алго- ритмическая и схемная (графическая).
Инвариантная форма — запись соотношений модели с помощью традиционного математи-
ческого языка безотносительно к методу решения уравнений мо- дели. В этом случае модель
может быть представлена как сово- купность входов, выходов, переменных состояния и
глобальных уравнений системы. Аналитическая форма — запись модели в ви- де результата
решения исходных уравнений модели. Обычно мо- дели в аналитической форме представляют
собой явные выраже- ния выходных параметров как функций входов и переменных состояния.
Для аналитического моделирования характерно то, что в ос- новном моделируется только
функциональный аспект системы. При этом глобальные уравнения системы, описывающие
закон (алгоритм) ее функционирования, записываются в виде некоторых
аналитических соотношений (алгебраических, интегродифферен- циальных,
конечноразностных и т. д.) или логических условий. Аналитическая модель исследуется
несколькими методами:
 аналитическим, когда стремятся получить в общем виде явные зависимости,
связывающие искомые характеристики с начальными условиями, параметрами и
переменными состоя- ния системы;
  численным, когда, не умея решать уравнения в общем ви- де, стремятся получить
числовые результаты при конкретных начальных данных (напомним, что такие модели
называются цифровыми);
 качественным, когда, не имея решения в явном виде, мож-
но найти некоторые свойства решения (например, оценить ус- тойчивость решения).
В настоящее время распространены компьютерные методы ис- следования характеристик
процесса функционирования сложных систем. Для реализации математической модели на ЭВМ
необхо- димо построить соответствующий моделирующий алгоритм. Ал- горитмическая
форма — запись соотношений модели и выбран- ного численного метода решения в форме
алгоритма. Среди алгоритмических моделей важный класс составляют имитацион- ные модели,
предназначенные для имитации физических или ин- формационных процессов при различных
внешних воздействиях. Собственно имитацию названных процессов называют имитаци- онным
моделированием.
При имитационном моделировании воспроизводится алго- ритм функционирования
системы во времени — поведение систе- мы, причем имитируются элементарные явления,
составляющие процесс, с сохранением их логической структуры и последова- тельности
протекания, что позволяет по исходным данным полу- чить сведения о состояниях процесса в
определенные моменты времени, дающие возможность оценить характеристики системы.
Основным преимуществом имитационного моделирования по сравнению с аналитическим
является возможность решения более сложных задач. Имитационные модели позволяют
достаточно просто учитывать такие факторы, как наличие дискретных и не-
прерывных элементов, нелинейные характеристики элементов системы, многочисленные
случайные воздействия и другие, кото- рые часто создают трудности при аналитических
исследованиях. В настоящее время имитационное моделирование — наиболее эф- фективный
метод исследования систем, а часто и единственный практически доступный метод получения
информации о поведе- нии системы, особенно на этапе ее проектирования.
В имитационном моделировании различают метод статистиче- ских испытаний (Монте-
Карло) и метод статистического модели- рования.
Метод Монте-Карло — численный метод, который применя- ется для моделирования
случайных величин и функций, вероятно- стные характеристики которых совпадают с
решениями аналити- ческих задач. Состоит в многократном воспроизведении про- цессов,
являющихся реализациями случайных величин и функций, с последующей обработкой
информации методами математиче- ской статистики. Если этот прием применяется для
машинной имитации в целях исследования характеристик процессов функ- ционирования
систем, подверженных случайным воздействиям, то такой метод называется методом
статистического моделирования.
Метод имитационного моделирования применяется для оценки вариантов структуры
системы, эффективности различных алго- ритмов управления системой, влияния изменения
различных па- раметров системы.
Имитационное моделирование может быть положено в основу структурного,
алгоритмического и параметрического синтеза сис- тем, когда требуется создать систему с
заданными характеристи- ками при определенных ограничениях.
Комбинированное (аналитико-имитационное) моделирова- ние позволяет объединить
достоинства аналитического и имита- ционного моделирования. При построении
комбинированных мо- делей производится предварительная декомпозиция процесса
функционирования объекта на составляющие подпроцессы, и для тех из них, где это возможно,
используются аналитические моде- ли, а для остальных подпроцессов строятся имитационные
модели. Такой подход дает возможность охватить качественно новые клас-
сы систем, которые не могут быть исследованы с использованием аналитического или
имитационного моделирования в отдельности.
Информационное (кибернетическое) моделирование связано с исследованием моделей, в
которых отсутствует непосредствен- ное подобие физических процессов, происходящих в
моделях, ре- альным процессам. В этом случае стремятся отобразить лишь не- которую
функцию, рассматривают реальный объект как «черный ящик», имеющий ряд входов и
выходов, и моделируют некоторые связи между выходами и входами.
Таким образом, в основе информационных (кибернетических) моделей лежит отражение
некоторых информационных процессов управления, что позволяет оценить поведение
реального объекта. Для построения модели в этом случае необходимо выделить ис- следуемую
функцию реального объекта, попытаться формализо- вать эту функцию в виде некоторых
операторов связи между вхо- дом и выходом и воспроизвести данную функцию на
имитационной модели, причем на совершенно другом математиче- ском языке и, естественно,
иной физической реализации процесса. Так, например, экспертные системы являются
моделями ЛПР.
Структурное моделирование системного анализа базируется на некоторых специфических
особенностях структур определенно- го вида, которые используются как средство
исследования систем или служат для разработки на их основе специфических подходов к
моделированию с применением других методов формализован- ного представления систем
(теоретико-множественных, лингвис- тических, кибернетических и т. п.). Развитием
структурного моде- лирования является объектно-ориентированное моделирование.
Структурное моделирование системного анализа включает:
 методы сетевого моделирования;
 сочетание методов структуризации с лингвистическими;
 структурный подход в направлении формализации по- строения и исследования
структур разного типа (иерархиче- ских, матричных, произвольных графов) на основе
теоретико- множественных представлений и понятия номинальной шкалы теории
измерений.
При этом термин «структура модели» может применяться как к функциям, так и к
элементам системы. Соответствующие струк- туры называются функциональными и
морфологическими. Объ- ектно-ориентированное моделирование объединяет структуры обоих
типов в иерархию классов, включающих как элементы, так и функции.
В структурном моделировании в настоящее время сформиро- валась новая технология
CASE. Аббревиатура CASE соответствует двум направлениям использования CASE-систем.
Первое: Computer-Aided Software Engineering — автоматизированное про- ектирование
программного обеспечения.CASE-системы часто на- зывают инструментальными средами
быстрой разработки про- граммного обеспечения (RAD — Rapid Application Development).
Второе: Computer-Aided System Engineering — направленно на поддержку концептуального
моделирования сложных систем, в частности, менее структурированных в основном, BPR-
систем (Business Process Reengineering). В целом CASE-технология пред- ставляет собой
совокупность методологий анализа, проектирова- ния, разработки и сопровождения сложных
автоматизированных систем, поддерживаемую комплексом взаимосвязанных средств
автоматизации.
CASE — инструментарий для системных аналитиков, разра- ботчиков и программистов,
позволяющий автоматизировать про- цесс проектирования и разработки сложных систем, в том
числе и программного обеспечения.
Ситуационное моделирование опирается на модельную тео- рию мышления, в рамках
которой можно описать основные меха- низмы регулирования процессов принятия решений. В
центре мо- дельной теории мышления лежит представление о формировании в структурах
мозга информационной модели объекта и внешнего мира. Эта информация воспринимается
человеком на базе уже имеющихся у него знаний и опыта. Целесообразное поведение че-
ловека строится путем формирования целевой ситуации и мыслен- ного преобразования
исходной ситуации в целевую. Основой по- строения модели является описание объекта в виде
совокупности элементов, связанных между собой определенными отношениями,
отображающими семантику предметной области. Модель объекта имеет многоуровневую
структуру и представляет собой тот ин- формационный контекст, на фоне которого протекают
процессы управления. Чем богаче информационная модель объекта и выше возможности
манипулирования ею, тем лучше и многообразнее качество принимаемых решений при
управлении.
При реальном моделировании используется возможность ис- следования характеристик
либо на реальном объекте целиком, ли- бо на его части. Такие исследования проводятся как на
объектах, работающих в нормальных режимах, так и при организации спе- циальных режимов
для оценки интересующих исследователя ха- рактеристик (при других значениях переменных и
параметров, в другом масштабе времени и т. д.). Реальное моделирование явля- ется наиболее
адекватным, но его возможности ограничены.
Натурным моделированием называют проведение исследова- ния на реальном объекте с
последующей обработкой результатов эксперимента на основе теории подобия. Натурное
моделирование подразделяется на научный эксперимент, комплексные испытания и
производственный эксперимент. Научный эксперимент харак- теризуется широким
использованием средств автоматизации, при- менением весьма разнообразных средств
обработки информации, возможностью вмешательства человека в процесс проведения экс-
перимента. Одна из разновидностей эксперимента — комплекс- ные испытания, в процессе
которых вследствие повторения ис- пытаний объектов в целом (или больших частей системы)
выявляются общие закономерности о характеристиках качества, надежности этих объектов. В
этом случае моделирование осуще- ствляется путем обработки и обобщения сведений о группе
одно- родных явлений. Наряду со специально организованными испыта- ниями возможна
реализация натурного моделирования путем обобщения опыта, накопленного в ходе
производственного про- цесса, то есть можно говорить о производственном эксперимен- те.
Здесь на базе теории подобия обрабатывают статистический материал по производственному
процессу и получают его обоб- щенные характеристики. Необходимо помнить про отличие
экспе- римента от реального протекания процесса. Оно заключается в
том, что в эксперименте могут появиться отдельные критические ситуации и определиться
границы устойчивости процесса. В ходе эксперимента вводятся новые факторы,
возмущающие воздействия в процесс функционирования объекта. Также видом реального
мо- делирования является физическое, отличающееся от натурного тем, что исследование
проводится в установках, которые сохраня- ют природу явлений и обладают физическим
подобием. В процес- се физического моделирования задаются некоторые характеристи- ки
внешней среды и исследуется поведение либо реального объекта, либо его модели при
заданных или создаваемых искусст- венно воздействиях внешней среды. Физическое
моделирование может протекать в реальном и модельном (псевдореальном) мас- штабах
времени или рассматриваться без учета времени. В по- следнем случае изучению подлежат
так называемые «заморожен- ные» процессы, фиксируемые в некоторый момент времени.
Физические модели. В основу классификации положена сте- пень абстрагирования
модели от оригинала. Предварительно все модели можно подразделить на 2 группы —
физические и абст- рактные (математические).
Физической моделью обычно называют систему, эквивалент- ную или подобную
оригиналу, но возможно имеющую другую фи- зическую природу. Виды физических
моделей:
 натуральные;
 квазинатуральные;
 масштабные;
 аналоговые.
Натуральные модели — это реальные исследуемые системы (макеты, опытные
образцы). Имеют полную адекватность (соот- ветствия) с системой оригиналом, но дороги.
Квазинатуральные модели — совокупность натуральных и математических моделей.
Этот вид используется тогда, когда мо- дель части системы не может быть математической
из-за сложно- сти ее описания (модель человека оператора) или когда часть сис- темы
должна быть исследована во взаимодействии с другими частями, но их еще не существует
или их включение очень дорого (вычислительные полигоны, АСУ).

Масштабная модель — это система той же физической при- роды, что и оригинал, но
отличается от него масштабами. Методо- логической основой масштабного моделирования
является теория подобия. При проектировании ВС масштабные модели могут ис-
пользоваться для анализа вариантов компоновочных решений.
Аналоговыми моделями называют системы, имеющие физи- ческую природу,
отличающуюся от оригинала, но сходные с ори- гиналом процессы функционирования.
Для создания аналоговой модели требуется наличие математического описания изучаемой
системы. В качестве аналоговых моделей используются механиче- ские, гидравлические,
пневматические и электрические системы. Аналоговое моделирование используется при
исследовании сред- ства ВТ на уровне логических элементов и электрических цепей, а так
же на системном уровне, когда функционирование системы описывается например,
дифференциальными или алгебраическими уравнениями.
Математические модели. Математические модели представ- ляют собой
формализованное представление системы с помощью абстрактного языка, с помощью
математических соотношений, от- ражающих процесс функционирования системы. Для
составления математических моделей можно использовать любые математиче- ские
средства — алгебраическое, дифференциальное, интеграль- ное исчисление, теорию
множеств, теорию алгоритмов и т. д. По существу вся математика создана для составления
и исследования моделей объектов и процессов. К средствам абстрактного описа- ния
систем относятся также языки химических формул, схем, чер- тежей, карт, диаграмм и т. п.
Выбор вида модели определяется особенностями изучаемой системы и целями
моделирования, так как исследование модели позволяет получить ответы на опреде-
ленную группу вопросов. Для получения другой информации мо- жет потребоваться
модель другого вида. Математические модели можно классифицировать на
детерминированные и вероятностные, аналитические, численные и имитационные.
Аналитической моделью называется такое формализованное описание системы,
которое позволяет получить решение уравне- ния в явном виде, используя известный
математический аппарат.
Численная модель характеризуется зависимостью такого вида, который допускает
только частные решения для конкретных на- чальных условий и количественных
параметров моделей.
Имитационная модель — это совокупность описания системы и внешних воздействий,
алгоритмов функционирования системы или правил изменения состояния системы под
влиянием внешних и внутренних возмущений. Эти алгоритмы и правила не дают воз-
можности использования имеющихся математических методов аналитического и
численного решения, но позволяют имитировать процесс функционирования системы и
производить вычисления интересующих характеристик. Имитационные модели могут
быть созданы для гораздо более широкого класса объектов и процессов, чем
аналитические и численные. Поскольку для реализации ими- тационных моделей служат
вычислительные средства, средствами формализованного описания имитационного
моделирования слу- жат универсальные и специальные алгоритмические языки. Ими-
тационное моделирование в наибольшей степени подходит для ис- следования
вычислительных средств на системном уровне.

ЛЕКЦИЯ 4
Oбщие принципы моделирования Классификация моделей. Методология
построения математических моделей химико-технологических процессов

Математическое моделирование - метод исследования процессов

или явлений на математических моделях с применением ЭВМ.

Современный уровень развития вычислительной техники

расширяет возможности использования метода математического
моделирования при исследовании кинетики гомогенных и
гетерогенных химических реакций, лежащих в основе
промышленных процессов, выборе типа химического реактора,
теплообменного и массообменного оборудования, получении
оперативных прогнозов и решении задач оптимизации тех-
нологических режимов ведения промышленных процессов
действующих производств в условиях меняющихся состава сырья и
производительности, а также при проектирования технологических
схем новых и модернизируемых производств химической
промышленности.

Процессы, связанные с химической технологией очень сложны. Это,

прежде всего, химические превращения в аппаратах различных
конструкций, обусловленных особенностями протекания химических
реакций, многокомпонентностью и многостадийностью многих из
них, необходимостью проведения катализа. Не менее сложны и
массообменные процессы, в частности, процессы ректификации
многокомпонентных смесей, широко используемые при подготовке
сырья для химических превращений и разделении продуктов
реакций, либо отделения непрореагировавших компонентов сырья от
продуктового потока. В настоящее время широко используются
совмещенные реакционно- ректификационные процессы, как более
энерго- и ресурсосберегающие и эргономичные. Теплообменные
процессы являются неотъемлемой частью любого химического
производства. Их эффективность зависит от конструкций аппаратов,
свойств теплоносителей и ряда технологических параметров.

Поэтому важным этапом математического моделирования является

создание математической модели, которая бы адекватно описывала
рассматриваемый процесс. Обычно создаются математические
модели отдельных аппаратов, базирующиеся на моделях процессов,
протекающих в этих аппаратах, а затем моделируются
технологические схемы, связывающие эти аппараты в единый
технологический процесс.
В зависимости от сложности самого процесса и возможностей по-
лучения экспериментальной информации о его прохождении, при
разработке математических моделей используется либо
детерминированный подход, в основе которого лежат
фундаментальные законы, либо эмпирический, в основе которого
лежит статистическая обработка экспериментальной информации.

Поскольку математические модели могут быть представлены ли-

нейными, нелинейными, дифференциальными уравнениями, уравне-
ниями в частных производных и их системами, в зависимости от
сложности моделируемых явлений, необходимо знать и уметь
применять численные методы для их решения.

Чтобы решение задач оптимизации было реализуемо, нужно пра-

вильно определить критерии оптимальности, представить функцию
цели, задать ограничения на оптимизирующие параметры и грамотно
выбрать метод оптимизации.

И наконец, чтобы воспользоваться вычислительной техникой и ре-

шить уникальную задачу, связанную с моделированием конкретного
химико-технологического процесса, необходимо знать какой-либо из
современных языков программирования и уметь работать в
соответствующей среде, создавая удобный для пользователя
интерфейс.

Конечно, для решения задач выбора наиболее подходящего числен-

ного метода могут быть привлечены математики, для создания про-
граммы с удобным для пользователя интерфейсом -
профессиональные программисты, но саму математическую модель
должны создавать специалисты предметной области, т.е.
специалисты, компетентные в области химической технологии и
промышленной реализации химических и нефтехимических
производств.
 ОБЩИЕ ПРИНЦИПЫ МОДЕЛИРОВАНИЯ

Классификация моделей

В настоящее время моделирование широко используется в различ-

ных областях науки и техники. Широкое применение моделей
объясняется тем, что модель дает возможность установить в явлении,
объекте или процессе основные закономерности, которые им
присущи, и пренебречь второстепенными, вспомогательными
признаками. На рис. 1.1 приведена общая классификация моделей.

Рис. 1.1. Общая классификация моделей

В зависимости от характера и сложности явлений, могут исполь-

зоваться различные методы моделирования:

- геометрическое (на основе геометрического подобия величин);

- физическое (характеризуется одинаковой физической природой
модели и исследуемого объекта);

- математическое (характеризуется различной физической природой

и одинаковым математическим описанием модели и исследуемого
объекта).
Процессы химической технологии - это сложные физикохимические
системы, имеющие двойственную детерминировано - стохастическую
природу, переменные в пространстве и во времени. Особенности
данных процессов состоят в следующем [3]:

- участие многокомпонентных и многофазных материальных

потоков;

- наличие процессов переноса импульса, энергии, массы на границе

раздела фаз;
- на процесс в значительной степени влияют геометрические
характеристики аппарата;

- наложение стохастических особенностей гидродинамической

обстановки в аппарате на процессы массо-, теплопереноса и хими-
ческого превращения. Это объясняется случайным взаимодействием со-
ставляющих компонентов фаз (соударением частиц, коалесценцией) или
случайным характером геометрии граничных условий в аппарате.
Подобного рода системы характеризуются чрезвычайно сложным
взаимодействием составляющих их фаз и компонентов, вследствие
чего изучение их с позиции классических детерминированных
законов переноса и сохранения становится невозможным.

Ключ к решению данной задачи дает применение метода матема-

тического моделирования, базирующийся на основе стратегии
системного анализа, сущность которой заключается в представлении
процесса как сложной взаимодействующей иерархической системы с
последующим качественным анализом ее структуры, разработкой
математического описания и оценкой неизвестных параметров.

Математическим моделированием - называют изучение свойств

объекта на математической модели, целью которого является
определение оптимальных условий протекания процесса,
управление им на основе математической модели и перенос
результатов на объект.

Математическая модель химико-технологического процесса (ХТП)-

совокупность математических структур: формул, уравнений, не-
равенств и т.д., адекватно описывающая исследуемые свойства
объекта

Реализованная на компьютере математическая модель называется

компьютерной математической моделью, а проведение
целенаправленных расчетов с помощью компьютерной модели
называется вычислительным экспериментом.

Математическое моделирование включает в себя три взаимосвя-

занных этапа:

- составление математического описания изучаемого объекта.

Применительно к химической технологии математическая модель -
совокупность математических зависимостей, отражающих в явной
форме сущность химико-технологического процесса и связывающих
его физические, режимные, физико-химические и конструктивные
параметры;
- выбор метода решения системы уравнений математического
описания и реализация его в форме моделирующей программы;
- установление соответствия (адекватности модели объекту).

В модели должны быть учтены все наиболее существенные факторы,

влияющие на процесс, и, вместе с тем, она не должна быть загромо-
ждена множеством мелких, второстепенных факторов, учет которых
только усложнит математический анализ.

В зависимости от конкретной реализации процесса и его аппара-

турного оформления, все многообразие химико-технологических про-
цессов можно разделить на четыре класса:

- процессы, переменные во времени (нестационарные);

- процессы, не меняющиеся во времени (стационарные);
- процессы, в ходе которых их параметры не изменяются в
пространстве;

- процессы с учетом пространственного изменения параметров.

Так как математические модели являются отражением соответст-
вующих объектов, то они классифицируются аналогичным образом.

Методология построения математических моделей химико-

технологических процессов

В зависимости от подхода к формированию математического опи-

сания и природы процессов, протекающих в моделируемых объектах,
различают два класса моделей: стохастические и
детерминированные.

Стохастические (эмпирические, статистические) модели - отражают

вероятностный характер явлений, когда рассчитывается не истинное
значение параметров процесса, а вероятность их расчета в опреде-
ленном интервале значений. Данные модели не несут информации о
физико-химической сущности решаемой задачи, но их простота
позволяет их эффективно использовать при моделировании химико--
технологических процессов (ХТП).

Стохастическая модель описывает процесс, в котором значение

выходной величины не находится в однозначном соответствии с
входной величиной.

Пример: формула Войнова для расчета молекулярной массы узких

нефтяных фракций по их средней температуре кипения:

М=52,63+0,246Т+0,01Т2.

Детерминированные (причинные, структурные, знаковые) модели

отражают детерминированную (причинную) сущность взаимосвязи
исследуемых явлений, когда можно теоретически обосновать
изменение

поведения системы, объясняют сущность взаимосвязи явлений,

протекающих в моделируемой системе, и описываемых уравнениями
статики и динамики химических, физико-химических, тепловых,
гидродинамических процессов химической технологии.

Детерминированная модель описывает процесс, в котором значение

выходной величины однозначно определяется значением входной
величины

В качестве примера детерминированной модели можно привести

уравнение Аррениуса, описывающее влияние температуры Т на
величину константы скорости химической реакции к, справедливое
для любых реакций:

−E
k =k 0 ∙ e RT

где Е - энергия активации; k - универсальная газовая постоянная; k0 -

предэкспоненциальный множитель.

Математическая модель является системой уравнений математиче-

ского описания, отражающей сущность протекающих в объекте явле-
ний, для которой определен алгоритм решения, реализованный в
форме моделирующей программы. Согласно этому определению,
математическая модель должна рассматриваться в совокупности трех
ее аспектов: смыслового, аналитического, вычислительного.

Основные аспекты математической модели представлены на рис. 1.2.

Физическое описание природы моделируемого объекта.

Построение любой модели начинается с физического описания
объекта моделирования. При этом выделяют «элементарные»
процессы, протекающие в объекте моделирования, которые
подлежат отражению в модели. Под «элементарным» процессом в
данном случае понимается физико-химический процесс, относящийся
к определенному классу явлений. Обычно при моделировании
объектов химической технологии учитывают следующие
«элементарные» процессы:

- движение потоков фаз;

- массообмен между фазами;
- теплопередача;
- изменение агрегатного состояния (испарение, конденсация,
растворение и т.д.);

- химические превращения
 Смысловой аспект

Рис. 1.2. Составные части математической модели

На практике часто делают допущения относительно характера связей

между «элементарными» процессами с целью избежать излишнего
усложнения в описании.
Составление математического описания объекта.
При составлении математического описания процесса, как правило,
используют блочный принцип (системный подход), согласно которому,
составлению математического описания предшествует анализ отдельных
«элементарных» процессов, протекающих в объекте моделирования. При
этом эксперименты по изучению каждого такого процесса проводят в
условиях, максимально приближающихся к условиям эксплуатации объекта
моделирования. Далее составляется математическое описание каждого из
этих процессов. Заключительным этапом является объединение всех
исследованных элементарных процессов (блоков) в одну систему
уравнений математического описания объекта моделирования.
Достоинством данного принципа является то, что его можно использовать
на стадии проектирования объекта, когда окончательный вариант
аппаратурного оформления еще не известен.
К методам составления математического описания ХТП относят
аналитический., экспериментальный и экспериментально
аналитический. Характеристика данных методов приведена на рис. 1.3.
В составе математического описания на основе физической природы
объекта можно выделить несколько групп уравнений. Формирование
математической модели в виде совокупности подсистем (блоков) приведено
на рис. 1.4.
Применение метода математического моделирования связано с
большим объемом расчетов по модели, реализуемым на компьютерах, что,
в свою очередь, вызвано большим числом уравнений, входящих в
математическое описание задачи.
Алгоритм моделирования ХТП включает несколько взаимосвязанных
этапов:
1. Формирование исходных данных моделирования. На основе
литературных данных собирается, перерабатывается необходимая ин-
формация о моделируемом процессе: формируется список уравнений
математического описания, банк данных, необходимый для расчета
уравнений математического описания, анализируется возможное аппа-
ратурное оформление процесса. На этом этапе формируются детерми-
нированные математические модели.
2. Формирование математической модели ХТП. Осуществляется
разработка модели с последовательным переходом от низшего уровня
иерархии моделируемого объекта к высшему - от единичного элементарного
акта к реализации процесса в конкретном аппаратурном оформлении. На
данном этапе также формируются начальные и граничные условия
реализации процесса.
3. Корректное упрощение математической модели. Осущест-
вляется поиск путей упрощения математической модели с целью со-
кращения времени расчета без значительного искажения результатов
последующего моделирования. Например, допущение о квазигомогенности
среды (в этом случае, нет необходимости учитывать процессы, протекающие
на границе раздела фаз), допущение об изотермичности режима работы
реактора (при этом не требуется знание зависимости констант скорости
химической реакции от температуры) и т.д.
4. Выбор алгоритма решения математической модели. Решение
модели требует применения численных методов расчета, при этом одна и та
же задача может быть решена различными методами, отличающихся друг от
друга сложностью программирования алгоритма и быстродействием.
Например, для решения алгебраического уравнения можно использовать
методы половинного деления, сканирования, касательных, секущих и т.д.
5. Разработка программы расчета, отладка, получение пробных
решений. Один из наиболее трудоемких этапов компьютерного мо-
делирования.
6. Оценка адекватности разработанной математической мо-
дели. Выполняется сопоставление результатов расчета по модели с
практическими данными, полученными в ходе экспериментов на реальном
объекте.
7. Интерпретация результатов вычислительного экспери-
мента и выдача практических рекомендаций.

ЛЕКЦИЯ 5
 ЭКСПЕРИМЕНТАЛЬНО-СТАТИСТИЧЕСКИЕ МЕТОДЫ ПОСТРОЕНИЯ МАТЕМАТИЧЕСКИХ
МОДЕЛЕЙ

1. Основные понятия и определения

В общем случае при моделировании химико-технологических процессов (ХТП) необходимо

знание физико-химических закономерностей их протекания и экспериментальных данных
для проверки адекватности моделей.

Однако далеко не всегда имеется возможность детального изучения механизма и физико-

химической сущности химико-технологических процессов. В то же время задачу оптимизации
и управления такими процессами решать необходимо.

В этих случаях разрабатывают так называемые эмпирические модели с применением

экспериментально-статистических методов: при неизвестном механизме, протекающих в
объекте процессов, изучают зависимость отклика системы на изменение входных
параметров. В отличие от физико-химических моделей в них не учитываются закономерности
протекания реальных процессов и их построение базируется на формализованном описании
экспериментальных данных.

Математическое описание объекта в этом случае будет представлять собой систему

эмпирических зависимостей, полученных в результате статистического обследования
объекта. Эти модели называются статистическими и имеют вид корреляционных или
регрессионных соотношений между входными и выходными параметрами объекта.

Естественно, в структуре уравнений статистических моделей не отражены физические

свойства объекта моделирования.

Основной и необходимый источник информации для построения статистической модели

является эксперимент, а обработка экспериментальных данных осуществляется методами
теории вероятности и математической статистики. Технологический объект в этом случае
представляется в виде «черного ящика» (рис. 3.1).
 z1 z 2 zk

x1 y1
xi – входные параметры;
x2 y2
Объект yi – выходные параметры;
xn ym zi – случайные воздействия, «шумы».

Рис. 3.1. Схематическое изображение объекта

Математической моделью объекта будет функция отклика:

y=ϕ ( x 1 , x 2 , … x n , b1 , … ,b n ) (3.1)

где y – выходной параметр процесса; x1,…,xn – независимые переменные, которые

варьируются при постановке эксперимента; b1,...,bn – коэффициенты эмпирической модели.

Конкретный вид функциональной зависимости (3.1) и значения коэффициентов

определяются из опытных данных.

В дальнейшем будем называть:

-факторами – независимые переменные x1,…, xn;

-факторным пространством – пространство с координатами x1,…, xn;

-поверхностью отклика – геометрическое изображение функции отклика в факторном

пространстве.

В том случае, когда исследование поверхности отклика ведется при неполном знании
механизма изучаемых явлений, аналитическое выражение функции отклика неизвестно,
поэтому математическая модель представляется в виде полинома:
N N N
y=β 0 + ∑ β i xi + ∑ β ij x i x j + ∑ β ii ∙ x i + … ,
2
(3.2)
i=1 i , j=1 ij
i ≠1

где βi, βij, βii – теоретические коэффициенты, характеризующие соответственно линейные

эффекты, эффекты взаимодействия и квадратичные эффекты.

Они называются коэффициентами регрессии, а уравнение (3.2) – уравнением регрессии.

Коэффициенты регрессии:

∂ϕ ∂ϕ
β 1= ;β = ; ...,
∂ x1 2 ∂ x2

2
∂ ϕ
β 1,2= ,…,
∂ x1 ∂ x 2

∂2 ϕ ∂2 ϕ
β 11= , β 22 = …,
2 ∂ x 21 2 ∂ x 22

Результат эксперимента на сложном объекте обычно величина случайная. Это может быть
обусловлено погрешностью измерений, иногда случайными воздействиями («шумами»).
Значения выходных измерений, как правило, отличаются друг от друга. Поэтому при
обработке экспериментальных данных можно определить только, так называемые,
выборочные коэффициенты регрессии: b0,bi,bij,bii…, которые являются лишь оценками для
теоретических коэффициентов регрессии 𝛃( коэффициенты регрессии, которые можно было
бы получить для некоторой генеральной совокупности, состоящей из всех мыслимых
опытов).

В результате пользуются приближенным уравнением регрессии, полученном по

ограниченной выборке экспериментальных данных:

N N N
^y =b0 + ∑ b i x i+ ∑ b ij x i x j + ∑ bii x i + … ,
2
(3.3)
i=1 i , j=1 i =1

где yˆ – выборочная оценка для y (предсказанное значение выходного параметра); b0 –

свободный член уравнения регрессии; bi,bij,bii – коэффициенты регрессии, характеризующие
соответственно линейные эффекты, эффекты взаимодействия и квадратичные эффекты.

Уравнение регрессии (3.3) используется для построения статистических моделей объектов

химической технологии. С точки зрения исследования физико-химических свойств процессов,
эта модель не несет никакой информации. Справедлива такая модель только для объекта, на
котором проводили эксперимент. Однако такие модели широко используются при решении
задач оптимизации.
Конкретный вид эмпирических моделей (3.1) определяется по результатам экспериментов –
активных или пассивных.

2. Статистические модели объектов на основе пассивного эксперимента

Эмпирические модели строятся на основе пассивных и активных экспериментов.

Эмпирическая модель представляет собой уравнение, описывающее экспериментальные
данные.

Известно, что измеряемые величины – случайные величины. Поэтому в соответствии с

законами теории вероятности и математической статистики обработку экспериментальных
данных при построении математической модели проводят с применением статистических
методов.

Суть пассивного эксперимента: исследователь собирает некоторый объем

экспериментальной информации, т.е. значений параметров (факторов) xi и выходного
параметра yi. Причем происходит это в режиме нормальной эксплуатации объекта. Данные
(выборка) берутся с промышленной или с лабораторной установок.

В разделе 3.1 показано, что в общем виде эмпирические модели могут быть представлены в
виде приближенных уравнений регрессии

(3.1):

y=ϕ ( x 1 , x 2 ,.. x n ,b 1 , … , bn ) (3.4)

Для получения конкретного вида эмпирической модели (3.4) необходимо выполнить

следующее:

-найти конкретный вид функции φ в уравнении (3.4);

-определить значения коэффициентов регрессии bi;

- выполнить статистический анализ полученных результатов.

Для получения статистических математических моделей в виде полиномов используют

методы корреляционного и регрессионного анализа.

Процесс построения статистической модели состоит из нескольких этапов:

-записывается уравнение модели в виде полинома n–ой степени.

-рассчитываются коэффициенты этого полинома;

-оценивается наличие линейной связи между факторами, т.е.

рассчитывается коэффициент парной корреляции;

-оценивается значимость коэффициентов полинома по критерию Стьюдента (t);

-устанавливается адекватность уравнения регрессии реальному процессу по критерию

Фишера (F).

3.2.1. Методы корреляционного и регрессионного анализа

Методы корреляционного и регрессионного анализов широко применяются для выявления и

описания зависимостей между случайными величинами по экспериментальным данным и
базируются на теории вероятности и математической статистике.

Корреляционный анализ основывается на предпосылке о том, что переменные величины y

(выходной параметр) и xi (факторы) являются случайными величинами и между ними может
существовать, так называемая, корреляционная связь, при которой с изменением одной
величины изменяется распределение другой.

Для количественной оценки тесноты связи служит выборочный коэффициент корреляции.

Можно выделить три типа коэффициента корреляции:

1. Простой коэффициент корреляции или коэффициент парной корреляции определяет

величину (тесноту) зависимости между двумя переменными x или y и определяется по
формуле:

∑ ( x i−x ) ( y i− y ) (3.5)
r xy = i=1
( N−1 ) S x S y

где x , y – среднеарифметические значения переменных x, y; N – число опытов; Sx, Sy –

среднеквадратические отклонения случайных величин:

√ √
N N

∑ ( x i−x ) 2
∑ ( y i − y )2 (3.6)
i=1 i=1
S x= ; S y= ;
N−1 N−1
Коэффициент корреляции характеризует степень тесноты линейной зависимости. Если
случайные величины x и y связаны точной линейной функциональной зависимостью
^y =b0 +b1 x , то r xy=± 1, при этом знак коэффициента корреляции соответствует знаку
коэффициента b1.

В том случае, когда величины x и y связаны произвольной стохастической зависимостью,

коэффициент корреляции может принимать значение в интервале

−1 ≤r xy ≤1. (3.7)

Если r xy=0 , x и y – независимы, корреляции нет. При r xy >0, существует положительная

корреляционная связь между x и y (с ростом x увеличивается y), если r xy <0– отрицательная (с
ростом x уменьшается y).

Коэффициент корреляции существенно отличающийся от ±1, характеризует слишком

большую долю случайности и слишком большую долю криволинейности связи между
случайными величинами. О наличии или отсутствии корреляции между двумя случайными
величинами качественно можно судить по виду поля корреляции (рис. 3.2).

уу

0 x 0 0
x x

а б в

Рис. 3.2. Поля корреляции случайной величины: а – сильная положительная корреляция

между x и y; б – слабая корреляция; в – корреляции нет

Оценка зависимости случайных величин по выборочному коэффициенту корреляции

называется корреляционным анализом.

При вычислении коэффициента корреляции удобно пользоваться следующими формулами:

 ∑ xi ∑ y i ;
∑ ( xi −x ) ( y i − y )=∑ x i y i− N
(3.8)

2
( ∑ xi )
( N−1 ) S2X =∑ x 2i −
1
(∑ x i ) ;
2
∑x − 2
i
N
N S=2
x
N−1
2
( ∑ y i)
1 2
∑y− 2
i
N
( N−1 ) S =∑
2
y y−
2
i (∑ y i ) ;S =
2
y ;
N N−1

где N – число опытов; Sx2 Sy2 – выборочные дисперсии величин x, .

2. Коэффициент частной корреляции измеряет линейную зависимость между двумя

переменными после устранения части зависимости, обусловленный зависимостью этих
переменных с другими переменными. При исследовании зависимости y от x1 и x2 наличие
корреляции между x1 и x2 и между y и x2 будет влиять на корреляцию между y и x1. Для того
чтобы устранить влияние x2 необходимо измерить корреляцию между y и x1 при x2=const.

Частый коэффициент r yx ∙ x 2оценивает степень влияния фактора x1 на y при условии, что

1

влияние x2 на y исключено.

r yx −r yx ∙r x x1
r yx ∙ x = 1 2 2

1 2 1 1 ;
(1−r 2yx ) (1−r 2x x )2
2
2
1 2

(3.9)

r yx −r yx ∙r x x1
r yx ∙ x =
2 1
2

1
1 2

(1−r ) (1−r )
2
yx 1
2 2
x1 x2
2

Множественный коэффициент корреляции определяет величину зависимости одной

переменной от нескольких.

Коэффициент корреляции показывает, существует ли связь между x и y, но самого вида

функции не дает. Для характеристики формы связи при изучении корреляционной
зависимости пользуются уравнением приближенной регрессии.
Регрессионный анализ – предполагает (рассматривает) связь между зависимой величиной y
и независимыми переменными x1,….xi. Эта связь представляется с помощью математической
модели, т.е. уравнения, которое связывает зависимую и независимые переменные.

Перечислим предпосылки, на которых базируется регрессионный анализ.

1. Результаты наблюдений y1, y2,…,yn представляют собой независимые нормально

распределенные случайные величины;

2. Входные факторы xi измеряются с пренебрежимо малой ошибкой по сравнению с

ошибкой измерения y.

3. Выборочные дисперсии S12,S22,...,Sn2 значения выходного параметра у, полученных при

одинаковом количестве параллельных опытов, должны быть однородны.

Обработка экспериментальных данных при использовании корреляционного и

регрессионного анализа дает нам возможность построить статистическую математическую
модель в виде уравнения регрессии. Таким образом, методы корреляционного и
регрессионного анализов тесно связаны между собой.

Ранее отмечалось, что коэффициент корреляции дает нам меру зависимости между двумя
величинами, но не дает вида (формы) взаимосвязи.

Для характеристики формы связи пользуются уравнением регрессии.

Постановка задачи.

По данной выборке объема n найти уравнение приближенной регрессии и оценить

допускаемую при этом ошибку. Эта задача решается методом корреляционного и
регрессионного анализов. Нужно найти ^y =f ( x ).

По сгущениям точек можно найти определенную зависимость, т.е.

получить вид уравнения регрессии. Если разброс точек значительный, то регрессии не будет.

Вид уравнения регрессии зависит от выбираемого метода приближения.

Обычно пользуются методом наименьших квадратов:

N
F=∑ ( yi −f ( x i ) ) =min
2
(3.10)
i=1

или
 N
F=∑ ( y i− y i )2=min
i=1

где y i, y i– экспериментальные и расчетные значения выходной величины соответственно.

При обработке результатов пассивных экспериментов получают линейные и нелинейные

эмпирические модели, которые должны достаточно точно описывать всю совокупность
опытных данных. Сложность в этом случае заключается в правильном выборе вида модели и
определении параметров модели (коэффициентов уравнения).

ЛЕКЦИЯ 6
1. Линейная регрессионная модель с одной независимой переменной Параболическая
регрессионная модель

Рассмотрим случай линейной регрессии от одного параметра.

При моделировании химико-технологических процессов (ХТП) во многих случаях связь между

входными (x) и выходными (y) параметрами можно аппроксимировать линейным
уравнением.

y=b0 +b1 x . (3.12)

Для получения вида математической модели необходимо определить коэффициенты

уравнения регрессии b0 и b1. Для этого применим метод наименьших квадратов (МНК).

N
F=∑ ( y i−b0−b1 x i ) =min.
2

i=1

Таким образом, процедура нахождения коэффициентов регрессии сводится к задаче

определения минимума функции. Необходимым условием экстремума функции является
равенство нулю частных производных функции по искомым величинам (коэффициентам).
 N
∂F
=−2 ∑ ( y i−b0−b 1 x i ) ∙1=0 ;
∂ b0 i=1

N
∂F
=−2 ∑ ( y i−b 0−b 1 x i ) ∙ x i=0 ;
∂ b1 i=1

∑ ( y i−b0 −b1 xi ) =0 ;
∑ ( y i−b0 −b1 xi ) ∙ xi =0 ; (3.13)

n b 0 + b1 ∑ x i = ∑ y i ;

b 0 ∑ x i +b1 ∑ x i =∑ x i y i .
2

Решаем систему уравнений методом наименьших квадратов. В результате получаем

формулы для вычисления коэффициентов b0 и b1.

∑ yi ∑ xi
b 0=
∑ x i yi ∑ x i ∑ y i ∑ x i −∑ x i y i ∑ x i
2

=
2

; (3.14)
N ∑ xi
2
N ∑ x i −( ∑ x i )
2

∑ x i ∑ x 2i

N ∑ yi
b 1=
∑ x i ∑ x i y i = N ∑ xi y i−∑ x i ∑ y i .(3.15)
N ∑ xi
2
N ∑ x i −( ∑ x i )
2

∑ x i ∑ x 2i
После вычисления коэффициентов уравнения (3.12) приступают к исследованию полученной
математической модели. Такое исследование называется статистическим (регрессионным)
анализом. Рассмотрим последовательность данного анализа.

3. Параболическая регрессионная модель

При составлении статистических моделей объектов химической технологии часто возникает

необходимость использовать уравнения не линейной формы: чаще всего – параболу второй,
третьей и более высоких степеней. В таких случаях используют метод регрессионного
анализа для составления статистической модели в виде полинома второй (или более
высокой) степени:

n n n
ŷ = b 0 + ∑ bixi + ∑ bij x i x j + ∑ bijxi2 +…+... i=1 i≠j
i=0 i=0 i=0

Дано уравнение ŷ = b0 + b1x + b2 x2 , требуется определить b0, b1, b2.

Коэффициенты регрессии определяют по МНК.

F= ∑ (y – ŷ) → min

n
F = ∑ ¿¿ 1 –b0 – b1• x1 – b2• x 2i )2 → min
i=0

N
∂F
=−2 ∑ ¿ ¿-b0 + b1•x1 – b2• x 2i )• 1 = 0
∂ b0 i=1

N
∂F
=−2 ∑ ¿ ¿ ¿-b0 + b1•x1 – b2• x 2i )• xi = 0
∂ b1 i=1

N
∂F
=−2 ∑ ¿ ¿ ¿-b0 - b1•x1 – b2• x 2i )• x 2i = 0
∂ b1 i=1
¿

Введем обозначения:
N N N N
S1=∑ x i S 2=∑ x S 3=∑ x S 4=∑ x 4i
2
i
3
i
i =1 i=1 i=1 i=1

N N N
S5=∑ y i S6 =∑ (x i • y ¿ ¿ i)S 7=∑ ( x 2i • y ¿¿ i)¿ ¿
i=1 i=1 i=1

С учетом принятых обозначений система будет иметь следующий вид:

{
b0 • N +b1 • S1 +b 2 • S2=S 5
b 0 • S1 +b 1 • S 2+b 2 • S 3=S6
b0 • S2 +b1 • S3 +b 2 • S 4=S7

Неизвестные коэффициенты b0, b1, b2 определяются по следующим выражениям:

S5 S1 S2
S6 S2 S3
S7 S3 S 4 S 5 S2 S 3 +S 6 S 3 S2 + S7 S1 S 3−S7 S 2 S2 −S 6 S 1 S4 −S 5 S 3 S3
b0 = =
N S1 S 2 NS 2 S 4+ S 1 S3 S 2 +S 2 S1 S 3−S2 S 2 S 2−S 1 S1 S 4 −N S 3 S3
S1 S2 S3
S2 S3 S4

n S5 S2
S1 S6 S3
S2 S7 S 4 N S6 S4 + S 1 S7 S 2 +S 2 S 5 S3−S 2 S6 S 2−S1 S 5 S 4−N S7 S 3
b1 = = (3.29)
N S1 S 2 NS 2 S 4 + S1 S 3 S2 + S2 S 1 S3 −S 2 S2 S 2−S1 S 1 S 4−N S 3 S 3
S1 S2 S3
S2 S3 S4
 N S1 S5
S1 S2 S6
S2 S3 S 7 NS 2 S7 + S 1 S3 S 5+ S 2 S1 S 6−S2 S 2 S 5−S 1 S 1 S7−N S3 S 6
b2 = =
N S1 S 2 NS 2 S 4+ S 1 S3 S 2 +S 2 S1 S 3−S2 S 2 S 2−S 1 S1 S 4 −N S 3 S3
S1 S2 S3
S2 S3 S4

Решая систему уравнений, вычисляем коэффициенты b 0 , b1 , b2.

Аналогично будут определяться коэффициенты параболы любого порядка. Исследования

уравнения проводится по статистическим критериям, так же как и в случае линейной
регрессии.

Адекватности уравнения регрессии эксперименту можно добиться, повышая степень

полинома. Однако при этом все коэффициенты следует вычислять заново (т.к. существует
корреляция между коэффициентами).

Таким образом, пассивные методы сбора экспериментальной информации имеют

определенные преимущества, которые заключаются в том, что информация собирается в
режиме нормальной эксплуатации объекта. Это преимущество способствовало широкому
внедрению регрессионного анализа для изучения объектов химической технологии. Однако,
полученные на базе пассивного эксперимента модели во многих случаях оказываются
неэффективными. Причиной является не сам метод, а то, что не выполняются основные
предпосылки регрессионного анализа: факторы измеряются с большими ошибками. В
пассивном эксперименте, как правило, ошибка измерения х соизмерима, а то и больше
ошибки при измерении у. Иногда ошибка измерения входных параметров превышает даже
интервал изменения самих факторов.

Кроме того факторы ( x i) или коэффициенты b i имеют между собой корреляционную связь.
Это затрудняет статистический анализ и интерпретацию результатов.

ЛЕКЦИЯ 7
 Статистические модели на основе активного эксперимента . Полный факторный
экспермент.

(методы планирования экстремальных экспериментов)

Обработка результатов пассивного эксперимента проводится методами корреляционного

и регрессионного анализа и выбор вида эмпирической модели является достаточно сложной
задачей, так как вид уравнения регрессии необходимо определить по характеру изменения
переменных на графике эмпирической линии регрессии, полученной по выборке
экспериментальных данных.

Стремление избавиться от недостатков моделей на базе пассивного эксперимента привело

к математической теории активного эксперимента.

Активный эксперимент ставится по заранее составленному плану и обрабатывается по

некоторому оптимальному алгоритму с целью составления математической модели. Одним
из основных методов теории активного эксперимента является статистическое планирование
эксперимента.

Планы первого порядка

1. Полный факторный эксперимент

При планировании по схеме полного факторного эксперимента (ПФЭ) реализуются все

возможные комбинации факторов на всех выбранных для исследования уровнях.

Суть факторного эксперимента:

- одновременное варьирование всех факторов при проведении эксперимента по

определенному плану;

- представление математической модели (функции отклика) в виде линейного

полинома;

- исследование полученного полинома методами математической статистики.

Необходимое количество опытов N при ПФЭ определяется по формуле:

N = ln (3.30)
где п - число факторов; I - число уровней, на которых варьируются факторы.

Уровни факторов - это границы исследуемой области по данному технологическому

параметру. Выбор экспериментальной области по каждому фактору связан с тщательным
анализом экспериментальной информации.

Обычно применяется планирование на двух уровнях, т.е. l=2, тогда при n=2, число опытов
будет равно N=22=4.

Основной (нулевой) уровень (центр плана эксперимента) – это некоторое начальное значение
0 o
фактора при составлении математической модели, это точка с координатами ( x 1,…, x n).

Интервал варьирования - часть области определения фактора, симметричная относительно

его основного уровня (∆х).

Пример. На процесс влияют два фактора: температура (х1) и концентрация вещества (х2).
Известно априори, что температура изменяется в интервале 100 - 200°С; концентрация 20 - 30
%.

Для двух факторов без учета их взаимодействия соответствующая модель может быть
записана:

ŷ= b0 + b1x1 + b2x2.

Приведем условия эксперимента:

х1°С х2, %

Верхний уровень: 200 30

Нижний уровень: 100 20

Основной уровень: 150 25

Интервал 50 5

варьирования

Основной уровень рассчитывается:

 min max
0 х1 + х 1 200+100 = 150;
x1 = =
2 2
min max
х2 + х 2 30+20 = 25.
x 02 = =
2 2

Интервалы варьирования:

хmax
1 −х 1
min
200−100 = 50;
∆ x 1= =
2 2
max min
х2 −х 2 30−20 = 5.
∆ x 2= =
2 2

В координатах на плоскости это можно представить (рис.3.3):

х2

3 1

30 • •

25 •А

20 • •2

100 150 200 х1

Рис. 3.3. Схема расположения опытных точек полного факторного эксперимента 22

 План эксперимента указывает расположение в n – мерном пространстве опытных точек
независимых переменных или условия всех опытов, которые необходимо провести.

При ПФЭ эксперимент ставится только на границе области, т. А – центр области. В

большинстве случаев эксперимент задается в виде матрицы планирования – это план
(таблица), каждая строка которого представляет собой условие опыта, а каждый столбец
матрицы соответствует значениям переменных в различных опытах.

Составим матрицу планирования для предыдущего примера.

Количество опытов в матрице планирования N=22=4 (табл. 3.1).

Таблица 3.1

Матрица планирования

N x1 x2 Y

1 200 30 Y1

2 200 20 Y2

3 100 30 Y3

4 100 20 Y4

Эта матрица планирования в натуральном масштабе.

Матрица планирования составляется для того, чтобы эксперимент провести по

определенному плану, определить значения выходного параметра в каждом опыте и на
основании экспериментальных данных построить статистическую модель.

При планировании первого порядка получают математическую модель вида:

ŷ = b0 + b1x1 + b2x2 +...+bnxn .

Кодирование переменных.

Для удобства расчетов, перейдем от натуральных координат (натуральных единиц

измерения) к безразмерным. Формула перехода или кодирования имеет вид:

Xi = x i−x 0i /∆ x i

где x i – значение (верхний или нижний уровень) натуральной переменной;

 0
x i – основной уровень натуральной переменной; ∆ x i- интервал варьирования натуральной
переменной; Xi - кодированное значение i-го фактора (на верхнем или нижнем уровне).

Перейдем от натуральных переменных к кодированным:

Для температуры:
в
x 1 = 200−150/50 = 1
н
x 1 = 100−15/50 = -1

Для давления:
в
x 1 = 30−25/5 = 1
в
x 1 = 20−25/5 = -1

Фактически мы обозначили значение факторов на верхнем уровне +1, (200, 30), а на

нижнем (100,20), -1.

Представим матрицу планирования на кодированных единицах.

N x1 x2 x3

1 +1 +1 +1

2 +1 +1 -1

3 +1 -1 +1

4 +1 -1 -1

Или

N x1 x2 x3

1 + + +

2 + + -

3 + - +

4 + - -
 Это матрица планирования в безразмерном масштабе.

x0 – фиктивная переменная (+1), необходимая для вычисления свободного члена

полинома.

Расположение опытных точек в факторном пространстве будет следующим:

x2

3(-1;1) 1(1;1)

• •

(0;0) x1

• •

4(-1;-1) 2(1;-1)

Свойства матрицы планирования.

Матрица планирования в безразмерных единицах обладает следующим оптимальными

свойствами:

- ортогональностью: скалярное произведение двух любых столбцов матрицы равно нулю:

 N

∑ x uj x ji =0; u≠j;u, i=1,...n, (3.32)

i=0

- симметричностью: сумма элементов всех столбцов матрицы кроме первого равна

нулю:
N

∑ x iu=0; u=1,...n,
i=0

- нормировкой: сумма элементов каждого столбца равна числу опытов:

N

∑ x 2iu=N ; u=1,...n,
i=0

- свойство ротатабельности: все точки в матрице планирования подбираются так, что

точность предсказания значений выходного параметра одинакова на равных расстояниях от
центра эксперимента и не зависит от направления.

На основе всех перечисленных выше свойств, в частности ортогональности и

ротатабельности, значительно упрощается расчет коэффициентов регрессии.

Расчет коэффициентов регрессии.

После того, как составлен план (матрица планирования) проводят эксперименты

(дублируя опыты) и на основании результатов рассчитывают коэффициенты в уравнении
регрессии по формулам:

N
bi = 1 ∑ x 0 i ∙ y i;
N i=1

N
b i= 1 ∑ x iu ∙ y i;
N i=1

N
b ij = 1 ∑ x iu x ij y i.
N i=1
 Приведенные формулы получены на основании метода наименьших квадратов с учетом
свойства матрицы планирования.

Статистический анализ уравнения регрессии

Статистический (регрессионный) анализ состоит из следующих этапов:

1. Оценка дисперсии воспроизводимости:

1) Определяются средние значения выходного параметра по результатам параллельных

опытов:

N=ln (3.35)
m

∑y
ŷ = u=1 iu ; i=1,…,N, (3.36)
m

где m – число параллельных опытов.

2) Рассчитываются выборочные (построчные) дисперсии:

2
SI =
∑ ( y iu− ŷ i ) . (3.37)
u=1
m−1

N
3) Суммируются построчные дисперсии ∑ S i , находятся максималь-ное значение
2

i=1
2
дисперсии - s max .

4) Находится отношение:
2
S max
G= (3.38)
∑ S 2i
Проверяется дисперсия на однородность по критерию Кохрена (G), если G˂ Gтабл.(q,f1,f2), то
дисперсия однородна. Если дисперсия не однородна, увеличивают число параллельных
опытов и вновь проверяют дисперсию на однородность.
 5) Рассчитывается дисперсия воспроизводимости:

2
sвоспр .=
∑ S 2i (3.39)
N

2. Оценка значимости коэффициентов регрессии проводится по критерию Стьюдента:

t bi =
|b i|
(3.40)
Sb i

где |b i| – абсолютное значение коэффициента регрессии; Sb – среднее квадратичное

i

отклонение i-ого коэффициента:

2 S 2воспр
S =
i (3.41)
N

Если t bi ˃ tтабл (q,f), f = N (m-1), то коэффициент значим. Если условие не выполняется,

то коэффициент незначим и может быть приравнен к нулю.

Следовательно, фактор, при котором стоит этот коэффициент на данный процесс

влияет незначительно.

3. Выполняется проверка модели на адекватность по критерию Фишера (F):

2
Sост
F= 2
S воспр

N
Sост = ∑ ¿¿ ¿
2
(3.42)
i−1
 ЛЕКЦИЯ 8

ДЕТЕРМИНИРОВАННЫЕ МАТЕМАТИЧЕСКИЕ МОДЕЛИ ХИМИКО-

ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
Математическое описание гидродинамической структуры потоков
Химико-технологические процессы обычно протекают в движущихся
потоках, гидродинамические закономерности перемещения которых
оказывают существенное влияние на эффективность химических
производств.
Поэтому, при составлении математических моделей ХТП важное
значение приобретает описание движения потоков веществ.
Движущиеся потоки могут быть как одно- так и многофазными и обычно
имеют сложную структуру. В гидродинамике существует целый ряд
уравнений, с помощью которых можно описать движение среды (например,
уравнение Навье-Стокса, уравнение неразрывности потока и
др.) .
Применение классических законов гидродинамики к химико-
технологическим процессам оказывается затруднительным из-за сложности
уравнений гидродинамики реальных потоков.
Поэтому на практике при составлении математических моделей
гидродинамических потоков обычно используют более простые при-
ближенные представления об их внутренней структуре. Структура дви-
жущейся технологической среды характеризуется степенью перемешивания
частиц потока, которая определяет поле концентраций и градиенты
температур. Это и послужило предпосылкой для установления по признаку
перемешивания некоторых типовых моделей движущихся потоков.
Принципиально можно построить гидродинамические модели потоков
различной сложности, наиболее отвечающие применяемым конструкциям
технологического оборудования. Обычно при составлении математических
моделей ХТП используют приближенные (модельные) представления о
структуре движущихся потоков отдельных фаз. Это следующие
гидродинамические модели:
- идеального смешения;
- идеального вытеснения;
- диффузионные (одно- и двухпараметрические) модели;
- ячеечные модели;
- комбинированные модели.

При построении модели структуры потока должны учитываться

следующие требования:
- модель должна отражать физическую сущность реального потока
и при этом должна иметь достаточно простое математическое
описание;
- должна давать возможность определять ее параметры расчетным
или экспериментальным способом;
- должна быть удобной для использования при расчетах кон
кретного ХТП.

1. Модель идеального смешения

По данной модели поток представляется в виде непрерывной среды,

которая поступает в аппарат и мгновенно распределяется по всему объему
аппарата вследствие полного (идеального) перемешивания частиц потока,
при этом концентрация и температура остаются постоянными во всех точках
объема данного аппарата и на выходе из него [4].
Свх = С0, Vвх = V0 при постоянном объеме (V = соnst).

Уравнение материального баланса потоков на входе в аппарат:

Iвх = νСвх; I= νСвых

где I - поток вещества, [моль/сек], ν - объемный расход потока, м 3 / с , Свх,

Свых ,C- концентрация вещества в потоке на входе в аппарат, выходе из него
и в любой точке объема аппарата соответственно, моль/м3 , V- объем, м3.

В установившемся режиме Iвх = Iвых. Если на входе в аппарат про-

изошло изменение концентрации (возмущение), то Iвх ≠ Iвых и в аппарате
произойдет накопление вещества. Предположим, что рассматриваемое
изменение в аппарате произошло за очень маленький промежуток времени
Δt→ dt, за который в аппарате произойдет накопление массы: ΔМ →
dМ .

Разделив обе части уравнения на объем аппарата (V), получим:

d ( MV )= ν ∙ (C −C ) : M =C
0
dt V V
 dC ν
= ∙(C ¿¿ 0−C) ¿ (2.1)
dt V

Уравнение (2.1) описывает изменение концентрации в аппарате

идеального смешения.
Учитывая, что время контакта равно

τ =V /v
получим модель идеального смешения в следующем виде:

dC 1
= ∙(C 0−C ) (2.2)
dt τ

Начальные условия: при t = 0, С (0) = С0.

Гидродинамическая модель идеального смешения является моделью с
сосредоточенными параметрами, так как переменная С изменяется только
во времени.
Модель идеального смешения (МИС) обычно используют при описании
аппаратов, в которых обеспечивается интенсивное перемешивание сред. Это
аппараты небольших размеров с соизмеримыми высотой и диаметром. На
практике - это аппараты с мешалками, барботажного типа, либо аппараты с
очень высокой скоростью циркуляции потока.

2. Модель идеального вытеснения

Это теоретическая модель, с идеализированной структурой потока, в

котором принимается поршневое течение без перемешивания вдоль потока
при равномерном распределении концентраций вещества в направлении,
перпендикулярном движению потока [4].
 Свх
Свых

Uвх Uвых

uвх,uвых - линейная скорость потока на входе и выходе из аппарата, м/с.

Выделим элементарную ячейку:

Ij

Cj

Ij-1

Cj-1

Поток на входе в j-1-ое сечение равен:

Iвх=u ∙ S ∙ C j−1
 где S - площадь поперечного сечения аппарата, м2.
Поток на выходе из j-го сечения:
Iвых=u ∙ S ∙ C j

В установившемся режиме

Iвх = Iвых

При изменении концентрации на входе в аппарат: Iвх ≠ Iвых

В системе за некоторый промежуток времени Δt происходит накопление

вещества (dМ). Считаем, что при Δt →0, ΔV →dV, Δt →dt.

Тогда

dM =¿] dt=[ I j −1 ( t ) −I j ( t ) ] ∙dt

dM =−[ I j ( t )−I j−1 ( t ) ] dt

dM =−[ uSC j ( t )−uSC j−1 ( t ) ] ∙ dt

dM
dt
=−uSdC (2.3)

Разделив обе части уравнения (2.3) на dV, получим:

∂C ∂C
=−uS ∙
∂t ∂V

Таким образом, уравнение гидродинамической модели идеального

вытеснения (МИВ) будет иметь вид:
∂C ∂C
=−u ∙ (2.4)
∂t ∂l

где и - линейная скорость потока, м/с; I - длина аппарата, м; t - время, с

Начальные условия: при t=0, С(0, l)=С0; граничные условия: при

l=0, С(t, 0) =Со.
Это модель с распределенными параметрами, так как концентрация
вещества в потоке изменяется во времени и по длине аппарата.
На практике встречается достаточно большое многообразие аппа-
ратов, которые можно описать моделью идеального вытеснения: хими-
ческие реакторы (трубчатого, полочного типа и др.), массообменные и
теплообменные аппараты.
Известно, что если отношение длины (высоты) аппарата к его диа-
метру ≥20, то в таком аппарате возможна реализация режима идеального
вытеснения.

3. Диффузионные гидродинамические модели

Диффузионные модели применяют при описании реальных потоков в

аппаратах, в которых происходит продольное и радиальное пере-
мешивание веществ. Природа возникновения продольного и радиального
перемешивания весьма сложна. Предположим, что перемешивание в
потоке идеального вытеснения (конвективный поток) возникает за счет
молекулярной диффузии.

Тогда в соответствии с блочным принципом построения математи-

ческих моделей уравнение однопараметрической диффузионной гид-
родинамической модели примет следующий вид:

2
∂C ∂C ∂C
=−u ∙ +DL 2 (2.5)
∂t ∂l ∂l

где DL- коэффициент диффузии в продольном направлении, м 2 /с;

Начальные и граничные условия: при t=0, С(0,l)=С0; при l=0, dC/dt=0.
 Однопараметрическая модель учитывает диффузию только в
продольном направлении.

Если в потоке одновременно происходит продольное и радиальное

перемешивание веществ, то математическое описание гидродинамики
потока можно представить двухпараметрической диффузионной моделью.

( )
2 2
∂C ∂C ∂C ∂ C 1 ∂C
=−u ∙ +DL 2 +DR + (2.6)
∂t ∂l ∂l ∂ r r ∂r
2

где DR - коэффициент диффузии в продольном направлении, м 2 /с; r –

текущий радиус, м; R- радиус аппарата, м.

Для оценки степени влияния диффузии можно использовать диф-

фузионный критерий Пекле :
U ∙l
P eD=
DL

При Рвп >200 движущийся поток можно считать потоком идеального

вытеснения.
Диффузионные модели достаточно точно отражают структуру потоков
во многих реальных аппаратах: пленочных, распылительных, барботажных
колоннах, экстракторах и др.

4. Ячеечные гидродинамические модели

Физическая сущность ячеечной модели заключается в том, что ма-
териальный поток может быть представлен несколькими последовательно
соединенными ячейками, при этом допускается, что в каждой ячейке поток
имеет структуру идеального смешения, а между ячейками перемешивание
отсутствует. С1 Сi-1 Cn-1

Cвх Vвх

С1 С2 Ci Cn-1

…. ….
С1 С2 Ci Cn
 Пусть V- объем i-ой ячейки, м3 . Примем: V1= V2= V3=...=Vn. Поскольку в
каждой ячейке реализуется режим идеального смешения, то для любой
ячейки справедливо уравнение МИС:

{
d C1 1
= ∙ ( C 0−C 1)
dt r1
d Ci 1
= ∙ (Ci−1−C i) (2.7)
dt r i
d Cn 1
= ∙ (Cn−1−C n )
dt rn

V
Время пребывания вещества в каждой ячейке t= v , общее время пребывания

V
t= , тогда объем всех ячеек: V=пVi, где п - число ячеек.
v

Уравнение ячеечной модели для i-ой ячейки примет вид:

d Ci n
= ∙(C i−1−Ci ) (2.8)
dt τ
при t=0, C(0)=C0.

При n=1 получим модель идеального смешения, при п→∞ модель

идеального вытеснения.
При использовании ячеечной модели очень важно правильно выбрать
число ячеек, которое можно рассчитать по формуле:

P eD ul
n= =
2 2 DL

Ячеечные модели достаточно точно отражают свойства потоков

в различных абсорбционных и экстракционных колоннах, в теплообменных
аппаратах некоторых конструкций, в каскаде химических реакторов с
мешалками, в аппаратах с псевдоожиженным слоем.

5. Определение условий перемешивания в проточных аппаратах

Для того, чтобы установить характер перемешивания потока в аппарате,
необходимо на входе в поток ввести какое-либо вещество (индикатор, трассёр)
и изучить изменение концентрации этого вещества в выходном потоке, т.е.
найти отклик системы на входное возмущение.
Индикатором является вещество (азот, аргон, гелий), которое вводится в
небольшом количестве и отличается по свойствам от других компонентов
потока.

Для измерения концентрации на выходе из аппарата можно использовать

различные физико-химические методы анализа: хроматографические,
спектральные и др.
Существует несколько стандартных способов ввода индикатора в поток:
- импульсный;
- ступенчатый.
При импульсном вводе индикатор вводится в основной поток за короткий
промежуток времени и в небольшом объёме, затем снимается изменение
концентрации индикатора во времени на выходе из аппарата, т.е. получают
кривую отклика системы на импульсное возмущение (С- кривая).
Ступенчатый ввод индикатора предполагает замену части основного
потока индикатором, при этом на выходе получаем кривую отклика, которая
называется F-кривая.

ЛЕКЦИЯ 9

Симуляция тепловых процессов в химической технологии. Основные закономерности

теплообмена

Тепловые процессы в химической технологии имеют как самостоятельное значение при

сушке, выпаривании, нагревании, охлаждении и т. д., так и сопровождают химические и
массообменные процессы. На рис. 2.1 приведены примеры теплообменных аппаратов.

Рис. 2.1. Теплообменные аппараты: а -пластинчатый; б – кожухотрубный

Теплообмен обусловлен стремлением системы к тепловому равновесию. Связь между
градиентом температуры и молекулярным потоком теплоты (qт, Вт/м2 ) определена законом
теплопроводности Фурье;

q T =−λgradT ,

где λ - коэффициент теплопроводности среды, Вт/(м∙К).

При движении в жидкостях и газах происходит конвективный перенос энергии веществом:

qk=𝜌∙I∙u

где и - скорость движения среды, м/с; 𝜌∙- плотность вещества, кг/м3 ; I - энтальпия, Дж/кг.

При конвективном теплообмене плотность теплового потока q определяется суммой

молекулярной и конвективной составляющих:

q = qT+ qk ¿−λ gradT + 𝜌 • I • и.

Для упрощения расчета переноса теплоты между поверхностью твердого тела и движущейся
сплошной средой используют закон теплоотдачи Ньютона-Рихмана:

Q=α•(Tc- Tcp) •F

где а - коэффициент теплоотдачи, Вт/(м2 •К); F - поверхность теплообмена, м2; Тс -

температура стенки, К; Тср - температура среды, К.

Коэффициент теплоотдачи зависит от скорости движения жидкости, ее плотности и вязкости,

от тепловых свойств жидкости (удельной теплоемкости, теплопроводности), от формы и
определяющих размеров стенки и других факторов.

Теплоотдача определяется не только тепловыми, но и гидродинамичес-кими

условиями. Поэтому конвективный теплообмен описывается дифферен-циальным
уравнением Фурье-Кирхгофа:

T T T T ∂2 T ∂2 T ∂2 T
+u x +u y +u z =α ∙( 2 + 2 + 2 )
t x y z ∂ x ∂ y ∂z

где а = λ/Сp • 𝜌 - коэффициент температуропроводности, м2/с; t - время,с.

Сp – теплопроводность, Дж/кгК .

Количество тепла, передаваемое от нагретого теплоносителя к холодному,

определяется основным уравнением теплопередачи:

Q=KT∙ F ∙ ΔT ,

где KT- коэффициент теплопередачи, Вт/(м2-°С); Δ Т- средняя разность температур между

теплоносителями.

При теплопередаче через стенку толщиной δС коэффициент теплопередачи можно рассчитать

с помощью уравнения аддитивности термических сопротивлений на пути теплового потока:

1 1 δc 1
= + + r 31+r 32+
K T α 1 λc α2

где α1 и α2 - коэффициенты теплоотдачи от жидкости к стенке и от к другой жидкости

соответственно, Вт/(м2•К); λс - теплопроводность материала стенки, Вт/(м-К); rЗ1 и rЗ2 -
термические сопротивления слоев загрязнений с обеих сторон стенки, м2•К/Вт. Это
уравнение справедливо для передачи тепла через плоскую или цилиндрическую стенку при
условии, что Rн/Rв < 2 (Rн и Rв - наружный и внутренний радиусы цилиндра соответственно).

2.Математические модели теплообменных аппаратов

При построении математических моделей теплообменных аппаратов предварительно

проводится анализ структуры движения потоков в аппарате. Для каждого потока
записывается математическое описание в виде выражения, характеризующего изменения
температуры в потоке теплоносителя во времени, обусловленное движением потока и
теплопередачей. Предварительно формулируются допущения.

Если структура потока теплоносителя соответствует модели идеального смешения, то

математическое описание этого потока с учетом теплопередачи будет иметь вид:

∂T 1
V ∙ ρ∙ C p =υ ∙ ρ ∙C p ¿ (2.9)
∂t
где V - объем потока идеального смешения, м3 ; р - плотность теплоносителя, кг/м3, C p -
удельная теплоемкость теплоносителя, Дж/(кг-К); υ - объемная скорость потока, м3/с; F -
поверхность теплообмена, м2; K T - коэффициент теплопередачи, Вт/(м2∙К); Δ Т- средняя
разность температур между теплоносителями; Твх - температура потока на входе, К; t - время,
с.

Если структура потока соответствует модели идеального вытесне-

ния, то с учетом теплопередачи можно записать:

∂T ∂T F
S ∙ ρ∙ C p =−υ ∙ ρ ∙ C p + K ∙F ∙ Δ T (2.10)
∂t ∂l L T

где S - площадь поперечного сечения потока, м ; L - длина зоны идеального вытеснения, м; l -

пространственная координата, изменяющаяся от 0 до L; Т=Т(l, t) - функция распределения
температуры потока теплоносителя по пространственной координате во времени.

Обычно в уравнениях (2.9) и (2.10) принимают коэффициент теплоотдачи, плотность и

теплоемкость теплоносителя постоянными в исследуемом интервале изменения
температуры. Предполагается, что объемные скорости потоков остаются постоянными.

Рассмотрим математические модели некоторых типов теплообменных аппаратов.

Теплообменник типа «смешение-смешение».

Примем, что тепло передается от первого потока теплоносителя ко второму. Режим
движения потоков - идеальное смешение (рис. 2.1 а)

v1,T10 ν1,T1

Tст=T3

v2,T20 v2,T2

Рис. 2.1 а
 Если тепловой емкостью стенки, разделяющей потоки теплоносителей, можно пренебречь,
то математическая модель аппарата будет состоять из двух уравнений теплового баланса:

{
dT1
V 1 ∙ ρ 1 ∙ C p1 =υ1 ∙ ρ1 ∙ C p 1 ∙ ( T 1,0−T 1 )−F 1 ∙ K T ∙ ( T 1 −T 2 )
dt
(2.11)
dT2
V 2 ∙ ρ2 ∙ C p 2 =υ 2 ∙ ρ2 ∙ C p 2 ∙ ( T 2,0 −T 2 ) + F 2 ∙ K T ∙ ( T 1 −T 2 )
dt

• Если тепловой емкостью стенки, разделяющей потоки теплоносителя, пренебречь нельзя,

то необходимо к уравнениям (2.11) добавить
уравнение изменения температуры стенки

{
dT1
V 1 ∙ ρ1 ∙ C p1 =υ1 ∙ ρ1 ∙ C p 1 ∙ ( T 1,0−T 1 )−F 1 ∙ α 1 ∙ ( T 1−T 3 )
dt
dT2
V 2 ∙ ρ2 ∙ C p 2 =υ 2 ∙ ρ2 ∙ C p 2 ∙ ( T 2,0 −T 2 ) + F 2 ∙ α 2 ∙ ( T 3−T 2 ) (2.12)
dt
d T3
G3 ∙C 3 =F 1 ∙ α 1 ∙ ( T 1 −T 3 ) −F2 ∙ α 2 ∙ ( T 3−T 2 )
dt

Дж
где G3 - масса материала стенки, кг; С3 - удельная теплоемкость материала стенки, ;Т -
кг ∙ К 3
температура стенки, К; а1, а2 – коэффициенты теплоотдачи, Вт/м2 К.

Теплообменник типа «смешение - вытеснение»

v1,T10 ν1,T1

T3

v2,T20 v2,T2

Рис. 2.2. Схематическое изображение теплообменника типа «смешение – вытеснение»

Тепловой баланс без учета теплоемкости стенки:

d T1
V 1 ∙ ρ1 ∙C p 1 =υ 1 ∙ ρ1 ∙ C p1 ∙ ( T 1,0 −T 1 ) −F1 ∙ K T ∙ ( T 1−T 2 )
dt
 ∂T2 ∂ T 2 F2
S2 ∙ ρ2 ∙C p 2 =−υ2 ∙ ρ 2 ∙C p 2 + ∙ K T ∙ ( T 1−T 2 ) (2.13)
∂t ∂l L

С учетом теплоемкости стенки:

d T1
V 1 ∙ ρ1 ∙C p 1 =υ 1 ∙ ρ1 ∙ C p1 ∙ ( T 1,0 −T 1 ) −F1 ∙ α 1 ∙ ( T 1−T 3 )
dt

∂ T3
G3 ∙C 3 =F 1 ∙ α 1 ∙ ( T 1 −T 3 ) −F2 ∙ α 2 ∙ ( T 3−T 2 ) (2.14)
∂t

∂T2 ∂T2 F
S2 ∙ ρ2 ∙C p 2 =−υ2 ∙ ρ 2 ∙C p 2 + ∙ α ∙ ( T −T 2)
∂t ∂l L 2 3

Теплообменник типа «вытеснение – вытеснение»

v1,T10 ν1,T1

T3

v2,T20 v2,T2

Рис. 2.3. Схематическое изображение теплообменника типа

«вытеснение-вытеснение»

Уравнение теплового баланса без учета тепловой емкости стенки

∂ T1 ∂T F
S1 ∙ ρ1 ∙C p 1 =−υ 1 ∙ ρ1 ∙C p 1 1 + 1 ∙ K T ∙ ( T 1−T 2 )
∂t ∂l L

∂T2 ∂ T 2 F2
S2 ∙ ρ2 ∙C p 2 =−ν υ2 ∙ ρ 2 ∙ C p 2 + ∙ K T ∙ ( T 1−T 2 ) (2.15)
∂t ∂l L
С учетом теплоемкости стенки:

∂ T1 ∂ T1 F1
S1 ∙ ρ1 ∙C p 1 =−υ 1 ∙ ρ1 ∙C p 1 + ∙ α ∙ ( T −T 3 )
∂t ∂l L 1 1

∂T2 ∂ T 2 F2
S2 ∙ ρ2 ∙C p 2 =−υ2 ∙ ρ 2 ∙C p 2 + ∙ α 2 ∙ ( T 3 −T 2 ) (2.16)
∂t ∂l L

∂ T3
G3 ∙C 3 =F 1 ∙ α 1 ∙ ( T 1 −T 3 ) −F2 ∙ α 2 ∙ ( T 3−T 2 )
∂t

2.2.3. Пример моделирования теплообменных процессов

В теплообменнике типа «труба в трубе» охлаждается жидкость. Хладоагент и охлаждающаяся

жидкость движутся прямотоком.

Необходимо рассчитать температуру теплоносителей на выходе из аппарата и получить

температурные профили по длине аппарата.

В табл. 2.2 приведены исходные данные для расчета.

Таблица 2.2

Параметры Теплоноситель

Горячий Холодный

Температура, ᵒC 200 35

Объемная скорость, м3/с 2,3·10-4 5,1·10-4

Плотность, кг/ м3 900 1000

Теплоемкость, Дж/кг·ᵒC 3,35·103 4,19·103

Диаметр трубы, м 0,01 0,03

В теплообменнике реализуется режим «вытеснение-вытеснение». Поэтому математическое

описание будет иметь вид:
 ∂ T1 ∂T F
S1 ∙ ρ1 ∙C p 1 =−υ 1 ∙ ρ1 ∙C p 1 1 + 1 ∙ K T ∙ ( T 1−T 2 )
∂t ∂l L

∂T2 ∂ T 2 F2
S2 ∙ ρ2 ∙C p 2 =−υ2 ∙ ρ 2 ∙C p 2 + ∙ K T ∙ ( T 1−T 2 ) (2.17)
∂t ∂l L

В стационарном режиме работы теплообменника, когда ∂T1 /∂t=0; ∂T2 /∂t =0, уравнения
теплового баланса примут следующий вид:

{
d T 1 −K T ∙ π ∙ d
= ∙ T −T 2
dl υ 1 ∙ ρ1 ∙C p 1 1
d T 2 KT ∙ π ∙ d
= ∙ T −T 2
dl υ 2 ∙ ρ2 ∙C p 2 1

где d – диаметр трубы

теплообменника, м.

Для удобства вычисления введем обозначения:

K ∙π ∙d
b 1=
υ 1 ∙ ρ1 ∙C p 1

K ∙π ∙d
b 2=
υ 2 ∙ ρ 2 ∙C p 2

Систему полученных дифференциальных уравнений (2.17) решаем с помощью численного

метода Эйлера

{
i i−1 i−1 i−1
T 1=T 1 −h b 1 T 1 −T 2
T i2 =T i−1 i−1 i−1
2 +h b 2 T 1 −T 2

где i – номер шага по длине теплообменника; h – шаг интегрирования по длине

теплообменного аппарата.
 ЛЕКЦИЯ 10

Моделирование процесса абсорбции

Абсорбцией называют процесс поглощения газа или пара жидким

поглотителем абсорбентом. Рассмотрим процесс абсорбции в насадоч-
ной колонне

Будем считать температуру по высоте колонны постоянной и рав- ной заданному значению.
Вследствие этого из уравнений математиче- ского описания можно исключить уравнения
тепловых балансов. Со- держание абсорбируемых компонентов в газе относительно мало, и
допускается, что условия фазового равновесия могут быть описаны для всех компонентов с
использованием закона Генри [9]:
y  Ki  xi ,

где Ki – постоянная Генри для каждого компонента; yi. – равновесная концентрация i-го
компонента в паровой фазе; xi – концентрация i-го компонента в жидкой фазе.
 ЛЕКЦИЯ 11

Моделирование процесса ректификации

 Лекция 12

Математическое моделирование кинетики химических реакций

основные понятия химической кинетики. Моделирование кинетики
гомогенных химических реакций

1. Основные понятия химической кинетики

Учение о скоростях химических реакций называется химической кинетикой. Химическая

кинетика, как наука, начала формироваться в 50–70 гг. XIX в.

Скорость химической реакции есть изменение числа молей реагентов в результате

химического взаимодействия в единицу времени в единице объема (для гомогенных
реакций) или на единице поверхности (для гетерогенных процессов) . В соответствии с этим
скорость реакции записывается следующим образом:

1 dN
- для гомогенной реакции W =± ∙ (2.58)
V dt

1 d (C ∙V )
W =± ∙
V dt

1 dN
- для гетерогенной реакции W =± ∙ (2.59)
S dt

где V – объем реакционной фазы, м3; N – количество молей вещества; С – концентрация

реагента моль/м3; t – время, с.; S – поверхность катализатора, м2.

Выражение (2.58) может быть преобразовано к виду:

W =± ( VdC
Vdt V dt )
C dV
+ ∙ (2.60)

Для реакций, идущих при постоянном объеме, второе слагаемое в уравнении (2.60) равно
нулю, тогда скорость реакции:

dC
W =± (2.61)
dt

Для реакторов периодического действия, в которых концентрации реагирующих веществ

в каждой точке реакционного объема в ходе реакции непрерывно изменяются во времени,
скорость химической реакции есть количество молей данного вещества, реагирующее в
единицу времени в единице объема:

d Ni 1
W i =± ∙ (2.62)
dt V

или на единицу поверхности, для гетерогенных каталитических реакций

d Ni 1 d Ni 1
W i =± ∙ =± ∙ (2.63)
dt S dt δ 0 V

где Ni – текущее количество i-го компонента реакционной смеси, моль; V – объем

реакционной смеси или слоя катализатора (объем реактора), м3; δ 0– удельная поверхность
катализатора, м2/м3.

Для реакторов непрерывного действия полного вытеснения, в которых при

установившемся режиме концентрация вещества непрерывно изменяется по длине аппарата,
скорость химической реакции есть количество молей проходящего через реактор в единицу
времени вещества, реагирующего в единице объема:

d ni d ni
W i =± =± (2.64)
dV dτv

где ni – мольный расход i-го компонента реакционной смеси, моль/с; v – объемная скорость
подачи реакционной смеси, м3/с; τ – время контакта, с.

Для реактора непрерывного действия полного смешения, при уста- новившемся режиме:

ni 0−ni
W= (2.65)
V

где ni0, ni – начальное и конечное количество i-го компонента реакционной смеси, моль/с.
 На практике обычно измеряют скорость изменения мольной концентрации Сi
(моль/м3):

- для реактора периодического действия:

ni
C i=
V

d ni=C i dV +Vd C i

- для реактора непрерывного действия:

ni
C i=
v

d ni=C i dv+ vd Ci

Если реакция не сопровождается изменением объема, то для реактора идеального

вытеснения:

vd C i d Ci d Ci d xi
W i =± =± =± =± Ci 0
dV V dτ dτ (2.66)
d( )
v

Для реактора непрерывного действия идеального смешения

C i 0 v−C i v C i 0−C i C i 0−Ci xi

Wi= = = =C i 0 (2.67)
V V /v τ τ

ni 0−n i
где xi – степень превращения: x i= ; τ – среднее время пребывания, с.
ni 0

τ =V /v

В 1862 – 1867 гг. норвежские ученые Гульдберг и Вааге дали начальную формулировку
закона действующих масс. Согласно кинетическому закону действующих масс скорость
элементарной реакции при заданной температуре пропорциональна произведению
концентраций реагирующих веществ в степенях, равных их стехиометрическим
коэффициентам

Тогда при протекании химической реакции:

 v A A +v B B k v C C+ v D D
→

по закону действующих масс выражение скорости запишется следующим образом:

W =k ∙C vA ∙ C vB
A B
(2.68)

где Ci– концентрация i-го вещества, k– константа скорости; υA υB, – стехиометрические

коэффициенты веществ А и В.

Уравнение (2.68) справедливо для элементарных реакций.

Между скоростями реакции по отдельным компонентам (обозначим их WA, WB, …) и

общей скоростью реакции W существует следующее стехиометрическое соотношение:

W A W B WC W D
W= = = = (2.69)
−v A −v B −v C −v D

Чтобы применить закон действующих масс к сложной химической реакции,

необходимо представить ее в виде элементарных стадий и применить этот закон к каждой
стадии отдельно.

Химическая кинетика в полной мере была сформулирована в работах Вант-Гоффа и

Аррениуса в 80-х гг. XIX в.; был разъяснен смысл порядков реакций, введено понятие энергии
активации, моно-, би- и полимолекулярных реакций.

Вант-Гофф, а впоследствии Аррениус, развивший его идеи, утверждали, что

«температура не есть причина реакции, температура – причина изменения скорости
реакции»:

k = A ∙ e−E / RT (2.70)

где А – предэкспоненциальный множитель; Е – энергия активации, Дж/моль; R – газовая

постоянная, Дж/моль·К; Т – температура, К.

При заданных внешних условиях (температуре, давлении, составе, среде, в которой

протекает реакция) скорость реакции является функцией концентраций реагирующих
веществ:

W =kf ( C A ,C C , … ,C Z ) (2.71)

Сопоставляя уравнения (2.61) и (2.71) получаем кинетическое уравнение:

dC A dC A
=kf ( C A , CC , … ,C Z ) =kf (2.72)
dt dt

Уравнение, отражающее изменение концентрации вещества во времени в ходе

химической реакции, называется кинетическим, а кривая – c=f ( t ) кинетической кривой.

2. Моделирование кинетики гомогенных химических реакций

Кинетические уравнения связывают скорость реакции с параметрами, от которых она

зависит, например, с концентрацией, температурой, давлением, активностью катализатора.

Исследование кинетических закономерностей протекания химических реакций

методом математического моделирования заключается в определении изменения
концентраций реагирующих веществ во времени.

Пусть протекают химические реакции:

A k 1 2C k 2 D
→ →

На основании закона действующих масс запишем уравнения скоростей химических

реакций и составим кинетическую модель:

W 1=k 1 C A

W 2=k 2 C 2C

dC A
=−k 1 C A
dt

dC D 2
=k 2 C B C C
dt

dC C 2
=2k 1 C A−2 k 2 CC (2.73)
dt

где СА, СС, СD – концентрации веществ, моль/л.

Систему обыкновенных дифференциальных уравнений (ОДУ) первого порядка (2.73)

можно решить с использованием алгоритмов численных методов решения ОДУ (Эйлера,
Рунге-Кутты).
 На рис. 2.9, 2.10 приведены результаты исследования влияния температуры на степень
превращения исходного реагента и на концентрацию веществ с применением
математической модели .

Полученные результаты позволяют сделать вывод об оптимальном времени

проведения процесса с целью получения целевого продукта. Математическая модель (2.73)
также позволяет исследовать влияние состава сырья на выход продуктов реакции.

Известно, что скорость химической реакции зависит от температуры, поэтому, чтобы

исследовать влияние температуры на ход процесса, необходимо в кинетической модели
(2.73) константу скорости химической реакции выразить по уравнению Аррениуса (2.70).

Рис. 2.9. Изменение концентрации реагирующих веществ с течением времени

 Рис. 2.10. зависимость степени превращения исходного вещества от
температуры

ЛЕКЦИЯ 13

Задача оптимизации процессов химической технологии. Постановка задачи. Основные

понятия.

В конечном счете, целью моделирования ХТП является его лучшая

реализация или его оптимизация. Человек всегда старался организовать
свою деятельность так, чтобы результаты ее были наилучшими. Раньше
задачи оптимизации отдельных производств решались изолированно
друг от друга. И часто вопрос об оптимальном варианте производства
решался интуитивно на основании опыта исследователя,
проектировщика, технолога.

Частично это можно объяснить большой сложностью технологических

процессов, множеством взаимосвязей в каждом процессе. Т. к. для
эффективного решения задачи оптимизации необходимо оценить
влияние всех этих факторов и сравнить громадное количество
возможных вариантов организации технологии. На основании
традиционных методов такая оценка отсутствовала, и оптимизация была
неэффективной. И часто на стадии разработки выбирался далеко не
самый лучший результат, и после пуска производства начинались
переделки и поиски путей улучшения процессов. Только с развитием
кибернетики и появлением быстродействующих ЭВМ начала
формироваться оптимизация, как научное направление, с едиными
методами, которые могут применяться в различных областях техники.
Оптимизация – это целенаправленная деятельность людей, которая
заключается в получении наилучших результатов при соответствующих
условиях. Оптимизация заключается в нахождении оптимума
рассматриваемой функции или оптимальных условий проведения
технологического процесса. Для оценки оптимума необходимо, прежде
всего, выбрать критерий оптимизации. Критерием оптимальности
(оптимизации) называется количественная оценка оптимизируемого
качества объекта. Это главный признак, по которому судят о том,
насколько хорошо функционирует данная система, работает данный
процесс. В зависимости от конкретных условий в качестве критерия
оптимальности можно выбрать технологический критерий (например,
максимальный выход продукции с единицы объема аппарата), а также
экономический критерий (например, минимальная стоимость продукта
при заданной производительности). Требования к критерию
оптимальности 1. Критерий оптимальности должен быть единственным.
2. Критерий оптимальности должен выражаться числом. Оптимизация по
критерию красоты не может быть. На основании выбранного критерия
оптимальности составляется целевая функция (функция выгоды),
которая представляет собой зависимость критерия оптимальности от
параметров, влияющих на его значение. Т. е. целевая функция – это тот
же критерий оптимальности, но рассматриваемый как функция входных
параметров. F=F(x 1, x 2, …. , xn; u 1…, um) Контролируются, но не
регулируются. (Ø , состав сырья) Управляющие факторы
(контролируемые и регулируемые, Т 0) Чем > или меньше F тем лучше
Оптимизирующие параметры- это те из входных параметров системы,
которые в процессе оптимизации относят к управляющим и которые
применяются для оптимизации процесса. Ограничения - это условия,
которые необходимо соблюдать независимо от того, как их соблюдение
повлияет на величину критерия оптимальности. Примеры возможных
ограничений: • • По количеству и качеству сырья и продукции. По
условиям технологии: а) например, в качестве управляющего параметра
выбрана t 0. Она не может быть выше той, при которой портится
катализатор. б) не можем менять размер аппарата. По экономическим
соображениям (капитальные затраты не должны превышать выделенной
суммы). • По вопросам охраны труда и окружающей среды. По
математическим признакам ограничения разделяют на: ограничения типа
равенств, которые устанавливают определенные значения того или
иного фактора xi=ai (например, задаются значения по составу сырья,
размеры аппарата и т. д. ) ограничения типа неравенств, которые
пределы изменения параметров процесса. определяют Например: fi ai
(производительность не ниже заданной). al fl bl (температура в
пределах); fk bk (t 0 не выше той, которая выдержит материал)
Постановка задачи оптимизации состоит в следующем: 1. Необходимо
создать математическую модель объекта оптимизации. 2. Выбрать
критерий оптимальности, оптимизирующие параметры и сформировать
функцию цели. 3. Установить возможные ограничения, которые должны
накладываться на переменные. 4. Выбрать метод оптимизации, который
позволит найти экстремальное значение искомых величин.