CC BY
5
Алкаддур Самир, адъюнкт, sr115116sr@gmail. com, Россия, Пенза, Пензенский артиллерийский инженерный институт, филиал военной академии материально-технического обеспечения,
Голенко Александр Сергеевич, соискатель, [email protected], Россия, Пенза, Пензенский артиллерийский инженерный институт, филиал военной академии материально-технического обеспечения,
Воротилин Михаил Сергеевич, д-р техн. наук, профессор, проректор, Россия, Тула, Тульский государственный университет,
Ишков Антон Сергеевич, доцент, docent584@mail. ru, Россия, Пенза, Пензенский государственный университет
JUSTIFICATION OF A COMPLEX OF EVALUATING INDICATORS FOR THE EFFICIENCY OF WAR UNITS OF ASSAULT AND MULTI-PURPOSE Rocket-propelled grenades
F.A. Savchenko, A. Samir, A.S. Golenko, M.S. Vorotilin, A.S. Ishkov
The article presents an analysis of the use of RShG and RMG in local conflicts, which clearly shows that the weapons in question are effective fire weapons at short firing ranges both when conducting large-scale and when conducting combat operations in conditions of limited visibility in the mountains, populated areas, when the use of other anti-tank funds is difficult, and in some cases impossible. This fact presupposes the need to develop a set of evaluation indicators that take into account not only the combat characteristics of the samples, but also the possibility of their safe use in conditions of ever-increasing urbanization of combat operations, that is, evaluation indicators of the possibility of safe and effective use of weapons in conditions of significant shielding of the firing position. As a result, the proposed structure of evaluation indicators for the functioning of assault and multi-purpose rocket-propelled grenades is presented, which will allow for a comprehensive assessment of the effectiveness of the functioning of rocket-propelled grenades at various stages of their development.
Key words rocket-propelled grenade, rocket-propelled assault grenade (RSG), multi-purpose rocket-propelled grenades (RMG), excess pulse pressure, fortification structure (VFS), pulse shock load.
Savchenko Fedor Anatolyevich, doctor of technical sciences, professor, [email protected], Russia, Penza, Penza Artillery Engineering Institute, branch of the Military Academy of Logistics,
Alkaddour Samir, adjunct, sr115116sr@gmail. com, Russia, Penza, Penza Artillery Engineering Institute, branch of the Military Logistics Academy,
Golenko Alexander Sergeevich, adjunct, AGolenko@yandex. ru, Russia, Penza, Penza Artillery Engineering Institute, branch of the Military Academy of Logistics,
Vorotilin Mikhail Sergeyevich, doctor of technical sciences, professor, vice-rector, Russia, Tula, Tula State University,
Ishkov Anton Sergeevich, docent, docent584@mail. ru, Russia, Penza, Penza State University
УДК 681.3(007)
DOI: 10.24412/2071-6168-2024-4-122-123
ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА СИСТЕМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
А.В. Речинский, К.К. Семенов, В.А. Сушников, Л.В. Черненькая, А.В. Черненький
Рассмотрены основы построения систем имитационного моделирования, этапы развития и особенности реализации систем. Имитационное моделирование применяется как системообразующее и наиболее ответственное звено процесса принятия решения, поэтому используется совместно с другим программным обеспечением для принятия решений в информационных системах различного назначения. Введены базовые понятия, рассмотрены математические основы имитационного моделирования. Описаны основные этапы разработки, направления развития и особенности реализации имитационного моделирования. Особое внимание уделено рассмотрению инструментальных средств имитационного моделирования, приведены примеры их использования.
Ключевые слова: имитационное моделирование, принятие решений, метод Монте-Карло, дискретно-событийное моделирование, системная динамика, агентное моделирование, инструментальные средства.
Имитационное моделирование (от англ. simulation) - это распространенная разновидность моделирования, реализуемого с помощью набора математических инструментальных средств, специальных имитирующих компьютерных программ и технологий программирования, позволяющих посредством процессов-аналогов провести целенаправленное исследование структуры и функций реального сложного процесса [1, 2].
122
Математические основы имитационного моделирования. В общем виде структуру имитационной модели можно представить следующим образом:
R = f(x[i], y[j]),
где R (Result) - результат действия системы; х[i] - переменные и параметры, которыми можно управлять; у[j] - переменные и параметры, которыми невозможно управлять; f - функциональная зависимость между k[í] и y[j], которая определяет R.
Математической основой имитационного моделирования является ряд предельных теорем:
1. Теорема Бернулли: при неограниченном увеличении числа опытов, частота появления события сводится к вероятности события.
2. Теорема Чебышева: при неограниченном количестве числа опытов среднее арифметическое наблюдаемых величин сходится к математическому ожиданию этих величин.
3. Центральная предельная теорема: закон распределения суммы случайных величин при неограниченном увеличении числа слагаемых стремится к нормальному закону распределения.
Метод Монте-Карло. В методе Монте-Карло предполагается воспроизведение в моделях случайных факторов, событий, величин, процессов [2, 3]. Получение выборок по методу Монте-Карло является основным принципом компьютерного моделирования систем, содержащих стохастические или вероятностные элементы.
Развитие имитационного моделирования. Можно выделить три основных направления развития имитационного моделирования:
1. Системная динамика: используется для моделирования сложных систем с динамическими взаимосвязями между переменными.
2. Дискретно-событийное (процессное) моделирование: применяется для моделирования событий, процессов и дискретных изменений в системе.
3. Агентное моделирование: позволяет моделировать взаимодействие индивидуальных агентов в системе.
Дальнейшее развитие методов имитационного моделирования непосредственно связано с развитием инструментальных средств.
Инструментальные средства имитационного моделирования и примеры применения. Исторически инструментальные средства имитационного моделирования можно разделились на два основных типа: языки имитационного моделирования и предметно-ориентированные программы моделирования.
В настоящее время инструментальные средства имитационного моделирования представлены очень широко, сделать полный анализ в рамках статьи не представляется возможным, поэтому далее рассмотрены некоторые системы и примеры их применения.
На ранней стадии применения методов имитационного моделирования возникали определенные трудности: применение имитационного моделирования было трудоемким и чаще использовались аналитические модели в виде компьютерных программ.
В середине 1970-х годах появились первые технологичные инструментальные средства имитационного моделирования, обладающие собственными языковыми средствами. Самое мощное из них - система GPSS (General Purpose Simulation System - система моделирования общего назначения) [4, 5]. Элементы систем в GPSS являются объектами, по этой причине язык GPSS относится к классу объектно-ориентированных. Объекты подразделяются на 7 категорий, каждой из которых соответствует один или несколько типов объектов [6, 7]. В процессе работы GPSS-программы накапливается статистика, автоматически выводимая по завершении процесса моделирования. Недостатком GPSS является отсутствие графической интерпретации, что затрудняет процесс разработки модели и снижает наглядность модели в целом.
MATLAB как язык программирования и пакет прикладный программ был разработан Кливом Моулером (англ. Cleve Moler). Первоначально MATLAB предназначался для проектирования систем управления, но быстро завоевал популярность при решении различных научных и технических задач [8, 9].
Среди систем имитационного моделирования следующего периода наиболее распространенными были системы SIMULA-67, GASP-IV и SLAM-II [10-12].
Пакет инженерных вычислений Scilab. Свободно распространяемый пакет Scilab является наиболее полной общедоступной альтернативой пакету MATLAB и предназначен для выполнения инженерных и научных вычислений. Scilab позволяет решать нелинейные уравнения, задачи линейной алгебры, оптимизации, интерполяции и аппроксимации, обыкновенные дифференциальные уравнения и системы, а также позволяет создавать и редактировать различные виды графиков и поверхностей [13]. Как и MATLAB, Scilab имеет собственный язык программирования для разработки сложных моделей и создания собственных команд и функций.
Основной элемент программы Scilab - переменные. В рамках имитационного моделирования Scilab часто применяется при исследовании динамики переходных процессов систем. Для этого в Scilab используется функция:
y = ode([type], y0, t0, t, func).
Пример построения графика переходных процессов в среде Scilab. В качестве примера рассмотрим RLC-цепь, входом которой является падение напряжения на всей цепи и, а выходом - заряд конденсатора q [13]. Система линейных дифференциальных уравнений, описывающая данную систему, имеет вид:
d4 _ ;. di R . 1 ,1
тт — (> — = —i--q +- и.
dt dt L LC L
В качестве входного воздействия возьмём функцию:
u(t) — sin 4t, te [0; 5],
в качестве начальных условий - вектор:
У(0) — (i(0); q(0))T — (0;0)r,
в качестве параметров системы - значения:
R — 2, L — 0.35, С — 0.25.
Вектор решения уравнения, задаваемого функцией F, на интервале T для вектора начальных условий y0 при начальной отметке времени t0 определяется функцией ode(y0, t0, T, F). Далее с помощью функции pLot2d1 строится график решения. Результат работы программы представлен на рисунке 1.
Рис. 1. Переходный процесс RLC-цепи, построенный средствами пакета Scilab
Пакет Scilab широко используется для решения различных технических задач [14, 15].
Система компьютерной алгебры Maxima. Maxima - свободная полнофункциональная система компьютерной алгебры [16]. Данная система предназначена для проведения численных расчетов высокой точности. Разработана в начале 60-х в Массачусетском технологическом институте (MIT). Работу над Maxima с 1982 по 2001 год вел Уильям Шелтер, в 1998 году он получил разрешение на публикацию исходного кода под лицензией GPL. После 2001 года была сформирована группа разработчиков, работающая над поддержкой и распространением Maxima.
Maxima предоставляет возможность работы с математическими моделями как посредством стандартного функционала графического интерфейса пользователя (например, XMaxima), так и с помощью собственного языка программирования, имеющего схожий синтаксис с языками Scilab и MATLAB.
Пример построения модели Лотки-Вольтерры (модели динамики популяций) в среде Maxima. Модель Лотки-Вольтерры [16] описывает динамику численности популяции, включающей переменное количество жертв x(t) и переменное количество хищников y(t). Соответствующая система уравнений имеет вид:
х = (а — Ру)х; У = (—Y + Sx)y,
где а, р, у, S - коэффициенты, отражающие взаимодействия между видами.
Программа Maxima, предназначенная для решения данной системы, позволяет получить график, представленный на рисунке 2.
t
Рис. 2. График динамики количества жертв x(t) и хищников y(t) в популяции, построенный в среде Maxima
В настоящее время система Maxima находит применение при построении математических моделей.
Система имитационного моделирования BFG (Business, Finance, Government). BFG Simulation (ранее BFG CMT) - это одна из систем имитационного моделирования, разработанная для создания дискретных событийных моделей систем и проведения исследований их работы.
Система BFG Simulation разработана компанией BFG, основанной в 1989 году. BFG Simulation была внедрена в различных отраслях, включая производство, логистику, транспорт, здравоохранение и другие. В последние десятилетия она прошла ряд обновлений и модернизаций, чтобы соответствовать современным требованиям имитационного моделирования.
BFG Simulation представляет собой интегрированную среду для разработки, визуализации и анализа дискретных событийных моделей. Система позволяет моделировать разнообразные системы, включая производственные линии, склады, медицинские учреждения, аэропорты и другие.
Система включает следующие основные компоненты:
- редактор моделей: BFG Simulation предоставляет графический редактор, который позволяет пользователям создавать модели системы, определять сущности, события и ресурсы, а также задавать правила для взаимодействия между ними;
- среда выполнения: после создания модели она может быть запущена в среде выполнения, где имитируются события, происходящие в реальной системе. BFG Simulation предоставляет инструменты для контроля и мониторинга имитации;
- визуализация: система предоставляет возможности визуализации, позволяя пользователям наблюдать работу модели в реальном времени, а также анализировать результаты имитации с помощью графиков и отчетов;
- анализ и оптимизация: BFG Simulation позволяет проводить различные эксперименты и анализировать результаты, чтобы оптимизировать работу системы, выявлять слабые места и принимать решения о внесении улучшений.
Система BFG Simulation обеспечивает удобную и гибкую среду моделирования, где пользователи могут визуализировать и анализировать работу системы, проводить тестирование различных сценариев и оценивать производительность системы при разных условиях. BFG Simulation поддерживает создание разнообразных моделей событийных систем, включая динамические изменения, случайные события и множество других параметров.
Примеры использования модели с системой BFG Simulation
Система BFG Simulation, как инструмент имитационного моделирования, может применяться в различных сферах для решения разнообразных задач. Рассмотрим некоторые примеры использования моделей с этой системой:
1. Производственные линии: моделирование производственных линий позволяет оптимизировать рабочие процессы, улучшить управление запасами, определить оптимальное распределение ресурсов и управлять производственными изменениями.
2. Склады и логистика: BFG Simulation может использоваться для оптимизации работы складов, управления инвентарем, маршрутизации и управления логистическими сетями. Моделирование позволяет исследовать варианты складского управления и предсказать потребности в складском пространстве.
3. Здравоохранение: в медицинской сфере система BFG Simulation позволяет оптимизировать рабочие процессы больниц, клиник и лабораторий, прогнозировать потоки пациентов, планировать ресурсы и оценивать воздействие изменений в здравоохранении.
4. Транспорт и транспортные сети: система позволяет моделировать движение транспортных средств, управлять транспортными системами и оптимизировать маршруты, чтобы снизить задержки и повысить эффективность.
5. Энергетика и производство: моделирование энергетических систем и производственных предприятий позволяет оптимизировать использование ресурсов, управлять производственными процессами и планировать обслуживание оборудования.
Перечисленные примеры демонстрируют, как BFG Simulation может быть применена для оптимизации бизнес-процессов, принятия решений и улучшения эффективности в различных отраслях и областях деятельности. Моделирование в BFG Simulation позволяет прогнозировать результаты изменений и тестировать различные стратегии без необходимости проведения реальных экспериментов.
К распространенным в настоящее время проблемно-ориентированным системам имитационного моделирования в области дискретных процессов преобразования относятся системы AnyLogic, Arena, ARIS, ReThink.
AnyLogic - система для имитационного моделирования, разработанная российской одноименной компанией и основанная на современных информационных технологиях, таких как объектно-ориентированный подход, элементы стандарта UML, язык программирования Java и современный графический интерфейс [17].
AnyLogic поддерживает комбинацию трех основных методов имитационного моделирования в рамках одной модели. AnyLogic позволяет разрабатывать, документировать и анализировать модели, а также выполнять компьютерные эксперименты с ними, включая анализ чувствительности и оптимизацию параметров модели. Данное программное обеспечение интегрировано с AnyLogic Cloud, позволяя пользователям анализировать имитационные модели онлайн.
Пример использования системы AnyLogic для построения имитационной модели. Рассмотрим задачу моделирования очереди в банке. Необходимо понять, какие факторы могут влиять на время ожидания клиентов и эффективность обслуживания.
Алгоритм построения модели с использованием AnyLogic:
1. Создание новой модели:
а) запустить AnyLogic и создать новую модель проекта;
б) выбрать тип моделирования, например, дискретно-событийное моделирование.
2. Создание агентов и ресурсов:
а) создать агентов, представляющих клиентов банка и имеющих такие атрибуты, как время прихода, продолжительность обслуживания и другие характеристики;
б) создать ресурсы, представляющие банковских сотрудников, указать скорость обслуживания.
3. Моделирование процесса:
а) создать процессный блок, представляющий рабочий день в банке и определяющий, как клиенты приходят, ожидают и обслуживаются;
б) внутри процессного блока определить логику прихода клиентов и распределения их по ресурсам;
в) добавить элементы, отслеживающие время ожидания клиентов и другие статистические показатели.
4. Сбор данных:
а) добавить элементы для сбора данных о времени ожидания клиентов, количестве клиентов в очереди и других метриках;
б) провести сбор данные.
5. Запуск и анализ:
а) запустить имитацию моделирования и наблюдать, как меняются метрики во времени.
б) проанализировать результаты, чтобы понять, какие факторы влияют на эффективность обслуживания в
банке.
6. Оптимизация:
а) использовать AnyLogic для проведения оптимизации модели, изменяя параметры, такие как количество сотрудников или время их работы;
б) оценить, какие изменения могут улучшить обслуживание клиентов.
Это всего лишь простой пример использования AnyLogic для моделирования банковской очереди. В реальности AnyLogic позволяет создавать сложные модели для точных прогнозов и анализа.
Plant Simulation - это программное решение, созданное для имитационного моделирования систем и процессов в различных отраслях промышленности. Plant Simulation предоставляет возможность создания виртуальных моделей, которые позволяют оптимизировать различные аспекты управления и планирования, включая логистику, управление ресурсами и управление производством.
Plant Simulation появился в 1986 году, когда Fraunhofer Society for Factory Operation and Automation разработала программу SIMPLE Mac для компьютеров Apple Macintosh. В последующие годы продукт прошел несколько преобразований и переименований, пока не стал частью портфеля продуктов Siemens PLM Software. Эта история развития подчеркивает долгосрочное и постоянное совершенствование решения.
Plant Simulation предоставляет возможность создания пользовательских библиотек объектов и иерархических моделей. Plant Simulation широко применяется в различных отраслях, включая автомобилестроение, машиностроение, авиацию, судостроение, логистику и другие, используется в образовательных учреждениях и исследовательских организациях [18]. Plant Simulation позволяет предприятиям оптимизировать свои операции и улучшить эффективность производства, предоставляя возможность проводить виртуальные эксперименты и анализировать различные сценарии до внедрения изменений в реальном мире.
Пример использования системы Plant Simulation и построения модели. Предположим, у нас есть производственное предприятие, которое занимается производством автомобилей, и мы хотим использовать Plant Simulation для оптимизации производственных процессов и повышения производительности линии сборки автомобилей. Рассмотрим алгоритм работы.
1. Создание модели:
а) создание структуры: в Plant Simulation создаем структуру линии сборки автомобилей; добавляем объекты, представляющие станции, где выполняются определенные этапы сборки, такие как установка двигателя, установка колес, окраска и т.д.; добавляем объекты, представляющие транспортные средства для перемещения автомобилей между станциями;
б) определение параметров: для каждой станции определяем параметры, такие как время обработки, время переналадки и производительность;
c) определение потока материалов: определяем поток материалов, то есть, какие детали и в каком порядке передаются между станциями, например, поставка деталей на склад и распределение по заказам для каждого автомобиля;
д) настройка событий: настраиваем события, такие как аварийные ситуации или остановки оборудования, чтобы учитывать реалистичные сценарии.
3. Запуск моделирования: после того, как модель создана, запускаем имитацию процесса производства. Plant Simulation будет имитировать движение автомобилей через линию сборки, учитывая заданные параметры и события.
4. Анализ и оптимизация: анализируем результаты моделирования, включая производительность, время производства, степень использования оборудования и другие показатели. Если обнаружим, что производственные процессы не оптимальны, можем внести изменения в модель и провести новое моделирование.
5. Внедрение изменений: на основе результатов моделирования можем принимать решения о внедрении изменений в реальном производстве, например, можем изменить последовательность операций, увеличить производительность оборудования или улучшить управление запасами деталей.
Это всего лишь один пример использования Plant Simulation. Система может быть применена для решения множества задач в различных отраслях, включая логистику, производство, транспорт и другие. Моделирование позволяет предприятиям экономить время и ресурсы, исследуя различные сценарии до реальной реализации изменений.
JModelica.org - это расширяемая платформа с открытым исходным кодом на базе Modelica и FMI для оптимизации, моделирования и анализа сложных динамических систем [19]. Основная цель - создание жизнеспособной платформы с открытым исходным кодом для моделирования и оптимизации моделей. Modelica предлагает гибкую платформу, служащую виртуальной лабораторией для разработки и исследования алгоритмов. JModelica.org предоставляет платформу для передачи технологий, исследования процессов, включая производственные, и распространения самых современных алгоритмов.
Ключевыми компонентами платформы являются:
- компилятор Modelica для перевода исходного кода Modelica в C или XML-код и генерации моделей, совместимых со стандартом функционального интерфейса макета;
- пакет на Python для моделирования динамических моделей, Assimulo, предоставляющий интерфейсы для нескольких современных интеграторов и используется в качестве механизма моделирования в JModelica.org;
- алгоритмы для решения крупномасштабных задач динамической оптимизации, реализующие локальные методы коллокации на конечных элементах и псевдоспектральные методы коллокации;
- пакет Python для взаимодействия с пользователем, обесепчивающий доступ ко всем частям платформы, включая компиляцию и загрузку моделей, моделирование и оптимизацию.
Для моделирования физических систем JModelica.org поддерживает язык моделирования Modelica, предоставляющий высокоуровневые описания гибридных динамических систем и использующий в качестве основы для различных видов вычислений в JModelica.org.
Платформа продвигает открытые интерфейсы для интеграции с цифровыми пакетами. Примерами пакетов, интегрированных в платформу JModelica.org, являются ODE / DAE и рекламный пакет CasADi.
JModelica.org соответствует стандарту Functional Mock-up Interface (FMI), а функциональные макетные модули (FMU), созданные JModelica.org или другим инструментом, совместимым с FMI, могут быть смоделированы в среде Python. JModelica.org продолжает развиваться.
В 2019 году компания Modelon решила перенести исходный код JModelica.org с открытого на закрытый. Последняя версия с открытым исходным кодом доступна для скачивания по запросу. Assimulo, PyFMI и библиотека FMI доступны на GitHub.
Примеры моделирования в JModelica.org представлены на рисунках 3 и 4.
engine
Рис 3. Пример моделирования двигателя в JModettca.org
EngineV6
— Engine Speed
0.0 0.2 0.4 0.6 0.8 1,0 1.2
Time [s]
Рис. 4. Графики моделируемой системы двигателя в JModettca.org
OpenModelica - программное обеспечение для моделирования, симуляции, оптимизации и анализа сложных динамических систем. Основано на языке Modelica. Вычислительные способности максимально приближают OpenModelica к таким средам, как Matlab Simulink и Scilab.
Пример моделирования системы жидкостного охлаждения в среде OpenModelica представлен на рисунке
5 [20].
||са1сэркГСсг!
Рис. 5. Моделируемая система в Ореп \/о<1еИса
Рынок систем имитационного моделирования очень неоднородный и постоянно развивается. Расширяются и области применения систем имитационного моделирования [21, 22], что в свою очередь стимулирует развитие инструментальных средств.
Заключение. Рассмотрены основы построения, этапы развития и особенности реализации имитационного моделирования. Особое внимание в статье уделено анализу инструментальных средств систем имитационного моделирования. Огромное разнообразие современных инструментальных средств имитационного моделирования не позволило провести полный анализ всех систем, рассмотрены некоторые системы и примеры их применения. В настоящее время имитационное моделирование широко применяется для моделирования систем в разных предметных областях и используется совместно с другим программным обеспечением для принятия решений в информационных системах различного назначения.
Список литературы
1. Кобелев Н.Б. Основы имитационного моделирования сложных экономических систем. М.: Дело, 2003.
336 с.
2. Шрейдер Ю.А. (ред.) Метод статистических испытаний (метод Монте-Карло) / Авторы глав Н.П. Бу-сленко, Д.И. Голенко, И.М. Соболь, В. Г. Срагович, Ю. А. Шрейдер. М.: ГИФМЛ, 1962. 334 с.
3. Клейнрок Л. Теория массового обслуживания / И.И. Грушко; ред. В.И. Нейман. М.: Машиностроение, 1979. 432 с.
4. Томашевский В.М. Имитационное моделирование в среде GPSS / Томашевский В., Жданова E. Имитационное моделирование в среде GPSS. М.: Бестселлер, 2003. 416 с.
5. Кудрявцев Е. GPSS World. Основы имитационного моделирования различных систем. М.: ДМК Пресс, 2004. 320 с.
6. Худякова Е.В., Липатов А.А. Имитационное моделирование процессов и систем в АПК: Учебник. М: ИКЦ «Колосс», 2021. 256 с.
7. Боев В.Д. Моделирование систем. Инструментальные средства GPSS World: учеб. пособие. СПб.: БХВ-Петербург, 2004. 368 с.
8. Cleve Moler. The Origins of MATLAB // MathWorks.com. 2004. [Электронный ресурс] URL: http://www.mathworks.com/companv/newsletters/news notes/clevescorner/dec04.html (дата обращения: 10.02.2024).
9. Cleve Moler. The Growth of MATLAB® and The MathWorks over Two Decades // MathWorks.com. 2006. [Электронный ресурс] URL: http://www.mathworks.com (дата обращения: 10.02.2024).
10. Н.Н. Лычкина, Современные технологии имитационного моделирования и их применение в информационных бизнес-системах // «Новые информационные технологии». Тезисы докладов XV Международной студенческой школы-семинара. М.: МИЭМ, 2006. C. 64-73.
11. James J. Swain Simulation Software Survey // The Institute for Operations Research and the Management Sciences (INFORMS). 2010. [Электронный ресмурс] URL: http://www.orms-today.org/surveys/Simulation/Simulation.html (дата обращения: 10.02.2024).
12. Речинский А.В., Станкевич Л.А., Черненькая Л.В. Экспертные системы. Архитектура и примеры реализации: учебное пособие / Санкт-Петербургский политехнический университет Петра Великого. Санкт-Петербург, Издательство: ПОЛИТЕХ-ПРЕСС, 2022. 162 с.
13. Андриевский А.Б., Андриевский Б.Р., Капитонов А.А., Фрадков А.Л. Решение инженерных задач в среде Scilab. Учебное пособие. СПб. НИУ ИТМО, 2013. 97 с.
14. Алексеев Е.Р., Чеснокова О.В., Рудченко Е.А. Scilab: Решение инженерных и математических задач. М.: ALT Linux; БИНОМ. Лаборатория знаний, 2008. 269 с.
15. Данилов С.Н. Scicos пакет Scilab для моделирования динамических систем: учебное пособие. Тамбов: ТГТУ, 2011. 74 с.
16. Стахин Н.А. Основы работы с системой аналитических (символьных) вычислений Maxima. (ПО для решения задач аналитических (символьных) вычислений): учебное пособие. Москва: 2008. 86 с.
17. Киселева М.В. Имитационное моделирование систем в среде AnyLogic: учебно-методическое пособие. Екатеринбург: УГТУ - УПИ, 2009. 88 с.
18. Абрамова И.Г. Имитационное моделирование организации производственных процессов машиностроительных предприятий в инструментальной среде Temomatix Plant Simulation: лабораторный практикум / И.Г. Абрамова, Н.Д. Проничев, Д.А. Абрамов, Т.Н. Коротенкова. Самара: Изд-во Самар. гос. аэрокосм. ун-та, 2014. 80 с.
19. Peter Fritzson Introduction to Modeling and Simulation of Technical and Physical Systems with Modelica. John Wiley & Sons Limited, 2018. 227 с.
20. Денисов А.В., Кирбижекова В.В, Ермиенко И.Ю. Применение среды Openmodelica для моделирования системы жидкостного охлаждения. Самара: СГАУ. 227 с.
21. Алгазинов Э.К. Анализ и компьютерное моделирование информационных процессов и систем / Э. К. Алгазинов, А. А. Сирота. М.: Диалог-МИФИ, 2009. 416 с.
22. Каталевский Ю.К. Основы имитационного моделирования и системного анализа в управлении. Москва: ДЕЛО РАНХиГС, 2015. 485 с.
Речинский Александр Витальевич, канд. техн. наук, проректор по экономике и финансам, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Семенов Константин Константинович, канд. техн. наук, доцент, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Сушников Виктор Александрович, канд. техн. наук, доцент, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Черненькая Людмила Васильевна, д-р техн. наук, профессор, старший научый сотрудник, [email protected], Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Черненький Андрей Владимирович, доцент, канд. экон. наук, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого
TOOLS OF SIMULATION MODELING SYSTEMS A.V. Rechinskiy, K.K. Semenov, V.A. Sushnikov, L.V. Chernenkaya, A.V. Chernenkii
The basics of building simulation modeling systems, the stages of development, and the features of system implementation are discussed. Simulation modeling is a crucial and most responsible component in the decision-making process and is used in combination with other software to make decisions in information systems for different purposes. The basic concepts are presented, along with the mathematical foundations of simulation modeling, and the main stages in their development are described. The directions for development and the implementation features of simulation modeling are also discussed. Special emphasis is placed on the discussion of simulation tools and examples of their usage.
Key words: expert system, knowledge base, decision-making, quality, consulting expert system.
Rechinskiy Alexander Vitalievich, candidate of technical sciences, vice-rector on economy and finances, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Semenov Konstantin Konstantinovich, candidate of technical sciences, docent, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Sushnikov Viktor Alexandrovich, candidate of technical sciences, docent, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkaya Liudmila Vasilievna, doctor of technical science, professor, [email protected]. ru, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkii Andrei Vladimirovich, candidate of economic sciences, docent, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
УДК 623.4
DOI: 10.24412/2071-6168-2024-4-129-130
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ УМЕНЬШЕНИЯ ТЕМПЕРАТУРНОГО ГРАДИЕНТА СТВОЛА СТРЕЛКОВОГО ОРУЖИЯ ЗА СЧЕТ ОПТИМИЗАЦИИ СОСТАВА СФЕРИЧЕСКОГО ПОРОХА
Ф.А. Савченко, Д.В. Бакланов, Е.И. Минаков, А.С. Ишков
Суть исследования заключалась в определении необходимой навески в сферическом порохе добавки фторида графена, которые были проведены с помощью манометрической бомбы. В результате определены массовые характеристики компонентов при условии сохранения коволюма и силы пороха для боевого патрона, проанализированы и изучены химический состав и микроструктуры фторированного графена. Результаты показали, что добавление небольшого количества фторированного графена в пороховую навеску или на внутреннюю стенку композитной гильзы значительно улучшало ее прочность на растяжение, блокировало проникновение коррозионного агента по всей плоскости стенки стали.
Ключевые слова: фторид графена, супергидрогфобность, крешерный метод, манометрическая бомба, сила пороха.
Известные экспериментальные исследования [1] показали, что добавка фторида графена в пороховую навеску приводит к снижению температуры горения пороха и может повлиять на снижение разгарно-эрозионного разрушения канала ствола и патронника при стрельбе. Между тем отмечается, что фторированный графен оказывает значительное влияние на механические свойства, стали и долгосрочную коррозийную стойкость, а также приводит к появлению такого свойства пластика как гидрофобность. При этом производительность покрытия будет ухудшаться с увеличением объема фтора.
Фторированный графен является новым производным графена. По сравнению с простым графеном, фторированный графен обладает низкой поверхностной энергией, высокой химической стабильностью, высокой устойчивостью к трению и отличными изоляционными свойствами благодаря ковалентной связи С-F, образованной на поверхности графена с режимом гибридизации атомов углерода, измененным sp2 на sp3 [2,3]. Min, C. [4] утверждает, что добавление фторированного графена в смазочное масло может значительно увеличить износостойкость и несущую способность смазочного масла. Bharathidasan, T. [5] успешно изготовил порошковое покрытие из оксида графена с фторированным графеном и льдом с углом контакта 173,70. Yang, Z. [6] изготовил пленку фторида графена на поверхности эпоксидного покрытия, что сделало поверхность супергидрофобной. Согласно ограниченным отчетам [7], добавка фторированного графена может значительно улучшить долгосрочную коррозионную и прочностную стойкость покрытия, и количество добавки фтора является важным фактором.
Для проведения исследований с помощью манометрической бомбы, подготовки к проведению сжигания пороховой навески составлен план проведения эксперимента, представленный на рис. 1.
129
