CC BY
0
Список литературы
1. Шарангович С.Н. Многоволновые оптические системы передачи. СПб.: Лань, 2019. 120 с.
2. Соколов С.А. Волоконно-оптические линии связи и их защита от внешних влияний. СПб.: Инфра-Инженерия, 2019. 172 с.
Моргунов Алексей Яковлевич, канд. воен. наук, доцент, профессор, [email protected], Россия, Санкт-Петербург, Военная академия связи,
Комаров Евгений Владимирович, канд. воен. наук, доцент, [email protected], Россия, Санкт-Петербург, Военная академия связи,
Бурлаков Андрей Анатольевич, канд. воен. наук, доцент, burlakov38@gmail. com, Россия, Санкт-Петербург, Военная академия связи,
Муравьев Александр Иванович, преподаватель, [email protected], Россия, Санкт-Петербург, Военная академия связи
GENERAL APPROACHES TO PERFORMANCE ASSESSMENT FIBER-OPTIC TRANSMISSION SYSTEMS A.Ya. Morgunov, E. V. Komarov, A.A. Burlakov, A.I. Muravyev
The article discusses approaches to evaluating the effectiveness of fiber-optic transmission systems. It is shown that the approach to solving these problems is based on the use of methods developed for electric cables and communication lines on them, the theory of optical waveguides and modern provisions of the theory of efficiency of technical systems. It is concluded that it is necessary to develop a methodology for evaluating fiber-optic systems.
Key words: efficiency assessment, efficiency of functioning.
Morgunov Alexey Yakovlevich, candidate of military sciences, docent, professor, vchery@yandex. ru, Russia, St. Petersburg, Military Academy of Communications,
Komarov Evgeny Vladimrovich, candidate of military sciences, docent, komarovv53@mail. ru, Russia, St. Petersburg, Military Academy of Communications,
Burlakov Andrey Anatolyevich, candidate of military sciences, docent, burlakov38@gmail. com, Russia, St. Petersburg, Military Academy of Communications,
Muravyev Alexander Ivanovich, lecturer, muravjev.a1@yandex. ru, Russia, St. Petersburg, Military Academy of Communications
УДК 004
DOI: 10.24412/2071-6168-2024-10-334-335
ПРИМЕНЕНИЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ НА ПРЕДПРИЯТИИ НЕФТЕГАЗОВОГО СЕКТОРА
Д.А. Первухин, С.К. Нейрус, О.В. Афанасьева
В данной работе представлено исследование, направленное на использование имитационного моделирования в нефтегазовом секторе. В исследовании анализируется деятельность предприятия данной отрасли с целью создания имитационных моделей на основе реальных данных. Необходимо составить имитационную модель, которая будет описывать процесс бункеровки судов силами рассматриваемой компании. Результаты анализа используются для разработки методов, направленных на повышение эффективности деятельности компании нефтегазового сектора. В рассматриваемом проекте приводится имитационное моделирование в двух средах: GPSS World и Python. На обе программы был дан краткий обзор характеристик, их преимущества и недостатки, которые возникают при использовании того или иного обеспечения.
Ключевые слова: имитационное моделирование, системный анализ, логистика, бункеровка, GPSS World,
Python.
1. Введение. Не секрет, что системный анализ применим в огромном количестве разнообразных сфер, в том числе, мы можем воспользоваться его методами и в организации деятельности компании, главная функция которого заключается в своевременной заправке судов. В данном проекте приведено имитационное моделирование в двух средах. Это необходимо для осознания возможностей используемых программ. Построение модели в двух средах стало крепким подспорьем для выработки рекомендаций по улучшению деятельности компании.
Процесс, который должен быть промоделирован, включает в себя несколько переменных, будь то ограничении в количестве каналов - количество бункеровщиков, которыми располагает компания, или же время обслуживания одной заявки. Стоит отметить тот факт, что общее время обслуживания одной заявки составляется из прямого взаимодействия с судном для заправки, а также времени, за которое бункеровщик должен добраться до судна [1, 2].
Имитационное моделирование стало необходимой частью исследования в наши дни, практически во всех сферах жизни применим этот метод. Использование имитационных моделей можно наблюдать в экономическом секторе, в повседневной жизни, в IT-секторе и промышленности. Каждый год появляются новые и совершенствуются старые методы, с помощью которых происходит имитационное моделирование.
Хоть GPSS был и остаётся довольно надёжным и качественным инструментом для проведения моделирования, необходимо обратиться к современным ПО. Именно при взаимодействии нескольких средств можно получить качественный результат исследования. Python сам по себе является отличным языком программирования, но с помощью нескольких популярных библиотек он становится мощной средой для имитационного моделирования. В данной работе была рассмотрена работа с библиотекой Simple. Это бесплатная система с открытым исходным кодом, написанная на Python, которая является очень качественным инструментом для моделирования систем.
2. Основная часть. GPSS World является надежным инструментом для моделирования различных систем, особенно в таких областях, как теория очередей и оптимизация промышленных процессов [3, 4]. Он позволяет пользователям заранее моделировать процессы, что дает им возможность вносить коррективы и сокращать неэффективность или потери, когда эти системы применяются на практике.
Ранее было проведено моделирование в этой среде. Вот основные условия поставленной задачи, отображённые в таблице 1.
Таблица 1
Исходные данные
Tw к n, ед. tproc Закон распределения
7 7 3 0,2 - 0,6 Равномерный
Как и было сказано ранее в данную СМО приходят заявки на бункеровку судов. Они генерируются по 7 единиц в сутки. Потом проводится обязательная проверка, есть ли незанятое устройство, которое будет обрабатывать заявку, то есть это свободное бункеровочное судно [5, 6]. Если так получится, что все бункеровщики заняты, тогда заявка отправляется на выход из системы, в другом же случае заявка попадает на один из трех каналов обслуживания. В конце, после обработки на одном из этих трёх каналов, заявка идёт на выход. Ниже на рисунке 1 представлен листинг работы в GPSS World.
ВПМК STORAGE 3
GENERATE [EXPONENTIAL<1,0,1/7) ) GATE SNF BUNK,VIHOD ENTER BONK
SOVANCE [UNIFORM {2r0.2,0.6} ) LEAVE BUNK TERMINATE 0 VTHOD TERMINATE 0
GENERATE 7 TERMINATE 1
Pitc. 1. Тело программы в GPSS World Отчёт после выполнения данного кода представлен на рисунке 2.
START TIME 0.000
END TIME 7.000
BLOCKS 5
FACILITIES
0
STORAGES 1
NAME
BUNK VIHOD
VALUE 10000.000 7 . 000
LOC 1 2
3
4
5
6 7
BLOCK TYPE
GENERATE
GATE
ENTER
ADVANCE
LEAVE
TERMINATE
TERMINATE
GENERATE
TERMINATE
ENTRY COUNT CURRENT COUNT RETRY
47 47 31 31 31 31 16 1 1
STORAGE BUNK
CAP. REM. MIN. MAX. ENTRIES AVL. AVE.C. UTIL. RETRY DELAY
3 3 0 3 31 1 1.780 0.S93 0 0
FEC SN PRI BDT ASSEM CURRENT NEXT PARAMETER
49 0 7.014 49 0 1
50 0 14.000 SO 0 S
Puc. 2. Отчёт e GPSS World
Таким образом можно увидеть, что работа в данной среде имеет большие преимущества в лёгкости использования, однако глубина и качества имитационного моделирования будет значительно лучше при работе в Python. На текущий момент продолжение работы в среде GPSS не представляется наиболее актуальным и приемлемым вариантом. С темпами технического прогресса появились новые программные решения, которые предлагают большую гибкость и расширенные возможности [7-9]. Хотя GPSS доказала свою эффективность, современное программ-
ное обеспечение, такое как Python, которое было использовано для этой работы, дает дополнительные преимущества. Python упрощает процесс моделирования и предлагает более продвинутые инструменты для визуализации и оптимизации сложных систем. Он также хорошо сочетается с другими цифровыми инструментами, что упрощает проведение более детального анализа, отвечающего требованиям современного бизнеса [10, 11].
В постоянно меняющемся мире важно внедрять технологии, которые не только отвечают текущим потребностям, но и способны адаптироваться к будущим вызовам. Хотя GPSS был отличным ресурсом, гибкость и расширенные возможности Python делают его более подходящим для работы со сложными современными проектами [12, 13].
3. Имитационная модель в PYTHON. Перейдём к практическому рассмотрению задачи непосредственно в Python [14-16]. Необходимо составить имитационную модель для компании, которая специализируется на поставке топлива судам в открытом море. Данный процесс заправки называется бункеровкой. На текущий момент времени компания располагает скромным флотом из трёх бункеровщиков, время бункеровки которых составляет в среднем от 5 до 14 часов. Стоит отметить, что в данное время было высчитано экспериментальным путём на основе наблюдений компании. Оно складывается из нескольких параметров, в том числе непосредственный процесс заправки топливом судна, время пути до клиента. За одни сутки в систему поступает заявки на бункеровку от 8 до 12 кораблей за одни лишь сутки.
Составим код имитационной модели, в которой будет симулироваться работа компании с учетом поступления заявок, времени обслуживания, числа бункеровщиков и отказов в случае занятости всех бункеровщиков [1719]. Моделирование будем проводить на протяжении недели. Каждый шаг в коде подписан, за что отвечает и какую роль играет [20, 21].
Стоит отметить, что необходимо подключить библиотеку Simpy, которая служит для создания дискретных событийных симуляций в Python.
По завершению моделирования необходимо получить статистику: Общее время симуляции, сколько всего поступило заявок, сколько обработано заявок, скольким суднам было отказано в обслуживании. Также нужно знать среднее количество заявок на бункеровку за день, коэффициент загруженности бункеровочного флота и количество заявок, находящихся в процессе обслуживания на момент окончания моделирования.
NUM_BUNKER_SHIPS - количество бункеровщиков (ресурсов), которые могут одновременно обслуживать корабли. В нашем случае их 3.
NUM_DAYS - количество дней, в течение которых мы будем симулировать работу (7 дней). HOURS_IN_DAY - количество часов в одном дне (24 часа).
MIN_REQUESTS_PER_DAY и MAX_REQUESTS_PER_DAY - минимальное и максимальное количество заявок на бункеровку, поступающих за один день.
MtN_SERVICE_TIME и MAX_SERVICE_TIME - минимальное и максимальное время обслуживания одного корабля.
SIM_TIME - общее время симуляции в часах (7 дней по 24 часа, итого 168 часов) Переменные, которые используются для хранения статистических данных: total_requests — общее количество поступивших заявок.
processed_requests — количество обработанных (успешно выполненных) заявок.
denied_requests — количество заявок, которым было отказано в обслуживании.
env - это объект окружения симуляции, который отслеживает время и управляет процессами.
name - имя корабля, который в данный момент обслуживается.
bunkers - ресурс, представляющий собой бункеровщики.
Функция random.umform(MIN_SERV[CE_TIME, MAX_SERVICE_TIME) была задействована, чтобы задать случайное время обслуживания корабля в пределах от 8 до 12 часов.
yield env.timeout(service_time) — это команда, которая "замораживает" процесс на время обслуживания. Симуляция продолжает работать, но данный процесс приостанавливается на service_time часов.
После окончания времени обслуживания процесс возобновляется, увеличивая счётчик processed_requests, и выводится сообщение о завершении обслуживания.
Полный код программы представлен ниже: import simpy import random
# Параметры симуляции
NUM_BUNKER_SHIPS = 4 # Количество бункеровщиков NUM_DAYS = 7 # Количество дней симуляции HOURS_IN_DAY = 24 # Количество часов в дне
MIN_REQUESTS_PER_DAY = 8 # Минимальное количество заявок в день MAX_REQUESTS_PER_DAY = 12 # Максимальное количество заявок в день MIN_SERVICE_TIME = 12 # Минимальное время обслуживания (часов) MAX_SERVICE_TIME = 16 # Максимальное время обслуживания (часов) SIM_TIME = NUM_DAYS * HOURS_IN_DAY # Общее время симуляции
# Статистика total_requests = 0 processed_requests = 0 denied_requests = 0
total_daily_requests = 0 # Переменная для подсчета заявок за каждый день in_process_requests = 0 # Количество заявок, находящихся в процессе обслуживания total_bunker_usage_time = 0 # Время использования бункеровщиков
bunker_usage_per_day = [] # Список для хранения ежедневного использования бункеровщиков
# Процесс бункеровки
def bunkering_process(env, name, bunkers):
global processed_requests, in_process_requests, total_bunker_usage_time
service_time = random.uniform(MIN_SERVICE_TIME, MAX_SERVICE_TIME)
# Увеличиваем счётчик заявок в процессе in_process_requests += 1
# Засекаем время начала использования бункеровщика start_time = env.now
yield env.timeout(service_time)
# Когда процесс завершён, уменьшаем счётчик in_process_requests -= 1 processed_requests += 1
# Добавляем время использования бункеровщика total_bunker_usage_time += (env.now - start_time)
# Процесс поступления заявок на бункеровку def ship_request(env, bunkers, ship_id):
global total_requests, denied_requests total_requests += 1
if len(bunkers. queue) < NUM_BUNKER_SHIPS: with bunkers.request() as request: yield request
yield env.process(bunkering_process(env, ГКорабль {ship_id}", bunkers))
else:
denied_requests += 1
# Процесс симуляции поступления заявок def ship_arrival(env, bunkers):
global total_daily_requests # Чтобы обновлять статистику по заявкам за день ship_id = 1
for day in range(NUM_DAYS):
# Генерируем случайное количество заявок для текущего дня
requests_today = random.randint(MIN_REQUESTS_PER_DAY, MAX_REQUESTS_PER_DAY) total_daily_requests += requests_today # Добавляем к общему количеству заявок за все дни
# Вычисляем интервал времени между заявками для текущего дня inter_arrival_time = HOURS_IN_DAY / requests_today
for _ in range(requests_today): yield env.timeout(inter_arrival_time) env.process(ship_request(env, bunkers, ship_id)) ship_id += 1
# Добавляем среднюю занятость бункеровщиков за день daily_bunker_usage = bunkers.count / NUM_BUNKER_SHIPS bunker_usage_per_day.append(daily_bunker_usage)
# Основной код симуляции def run_simulation():
global total_requests, processed_requests, denied_requests, total_daily_requests, in_process_requests, to-tal_bunker_usage_time, bunker_usage_per_day
# Создаем окружение симуляции env = simpy.Environment()
# Создаем ресурс - бункеровщики
bunkers = simpy.Resource(env, capacity=NUM_BUNKER_SHIPS)
# Запускаем процесс поступления заявок env.process(ship_arrival(env, bunkers))
# Запускаем симуляцию env.run(until=SIM_TIME)
# Вычисляем среднее количество заявок в день avg_requests_per_day = total_daily_requests / NUM_DAYS
# Рассчитываем среднее использование бункеровщиков в день avg_bunker_usage_per_day = sum(bunker_usage_per_day) / NUM_DAYS
# Выводим результаты print("\nСтатистика симуляции") print()
print(f'Общее время симуляции: {SIM_TIME} часов") р^^Всего поступило заявок: {total_requests}") print(f'"Всего обработано заявок: {processed_requests}") р^^Всего отказано в обслуживании: {denied_requests}") print(f'"Среднее количество заявок за день: {avg_requests_per_day: .2f}")
print(f'Коэффициент загруженности бункеровочного флота: {avg_bunker_usage_per_day:.2f}") рт^ГКоличество заявок, находящихся в процессе обслуживания на конец симуляции: {in_process_requests}")
# Запуск симуляции
if name_== "_main_":
run_simulation()После запуска программа: необходимо обратится к результатам моделирования, отображённым на рисунке 3.
«й» 111 X
С: \Users\sneyrus\PycharmProjects\pythonProject\venv\Scripts\python.ехе С: \Users\sneyrus\PycharmProjects\pythonPro;ject\lll.ру
_ Статистика симуляции
— Общее время симуляции: 168 часов w Всего поступило заявок: 68 g Всего обработано заявок: 33
Всего отказано в обслуживании: 29
Среднее количество заявок за день: 9.71
Коэффициент загруженности бункеровочного флота: 1.99
Количество заявок, находящихся в процессе обслуживания на конец симуляции: 3 Process finished with exit code 3
Рис. 3. Результат выполнения моделирования в Python при 3 бункеровщиках
Как видно из данного отчёта, хоть процент загруженности мощностей по бункеровке критично приблизился к максимальному значению, количество судов, которым было отказано в обслуживании достаточно велико. Данный факт напрямую влияет на прибыль компании. Исходя из этих данных, рекомендуется к приобретению ещё одно бункеровочное судно. Проведём же исследование при четырёх бункеровщиках и выведем отчёт (Рисунок 4).
•81 111 х
С:\Users\sneyrus\PycharmPrajects\pythonPraject\venv\Scripts\python.ехе С:\Users\sneyrus\PycharinProjects\pythonProject\lll.ру
_ Статистика симуляции
— Общее время симуляции: 168 часов # Всего поступило заявок: 68 f Всего обработано заявок: (*(*
Всего отказано в обслуживании: 17
Среднее количество заявок за день: 9.86
Коэффициент загруженности бункеровочного флота: 6.86
Количество заявок, находящихся в процессе обслуживания на конец симуляции: 4 Process finished with exit code 6
Рис. 4. Результат выполнения моделирования в Python при 4 бункеровщиках
Отчёт показывает, что за тот же промежуток времени, с одинаковым количеством заявок, процент загруженности снизился, количество потерянных клиентов значительно уменьшилось.
4. Обсуждение результатов. В данной работе была построена имитационная модель в двух средах. Сначала в GPSS World, это дало прочную основу для понимания построения процессов. Потом был задействован Python, с помощью его возможностей было проведено ещё одно моделирование [22-24]. Результаты, полученные в данном исследовании, вносят небольшой вклад в общую базу знаний, накопленную по данной теме, расширяют понимание возможности применения моделирования для конкретной рассматриваемой отрасли.
Рассмотрение тех или иных отделов помогает визуализировать реальную работу и функционирование отдела предприятия. Это поможет в дальнейшем сделать более глубокий анализ, рассмотреть сильные и слабые стороны отделов, что приведет к пониманию того, какие показатели и улучшения возможны для повышения производительности.
Актуальность данной работы заключается в разработке имитационной модели функционирования логистической компании нефтегазовой отрасли, занимающейся организацией бункеровки и работы с поступающими заявками. Также демонстрируется разработка новых методов, технологий и устройств на уровне изобретений и полезных моделей) эффективный подход к анализу работы предприятия, который базируется на различных имеющихся факторах и показателях. Такой подход к анализу основан исключительно на числовых показателях, что позволяет проводить его беспристрастно и повышает точность получаемых выводов [25, 26].
5. Заключение. Сочетание нескольких программ для осуществления имитационного моделирования позволяет удостовериться в качестве проводимого исследования. Python обладает широким спектром возможностей, которые отвечают современным требованиям.
Имитационное моделирование показало необходимость в приобретении ещё одного канала обслуживания, поскольку пропускная способность трёх не позволяет обслужить достаточное количество заявок. Именно поэтому покупка нового бункеровщика является необходимым шагом на пути к совершенствованию функционирования компании. При текущих данных, флот компании работает на износ, но даже при этом теряет большое количество заказов, а, следовательно, недополучает прибыль.
В ходе изучения работы профильными специалистами предприятия был сделан вывод о том, что представленный в работе материал непосредственно влияет на аспекты деятельности предприятия по рассматриваемому вопросу. Результаты носят прикладной характер и будут учтены в практической деятельности предприятия.
6. Вклад авторов. Первухин Д.А., д.т.н. - разработка методологии проведения исследования, разработка концептуальной модели исследования
Нейрус С.К., аспирант. - адаптация методов системного анализа для целей исследования, составление кода программы в GPSS World и Python
Афанасьева О.В., к.т.н. - отбор и корректировка используемых в работе методологий, составление кода программы в Python.
Список литературы
1. Fuentes G., Wallace S., Adland R. The effects of waiting times on the bunkering decision for tramp ships // Maritime Transport Research. 2024. Vol. 6. DOI: 10.1016/j.martra.2024.100106.
2. Liu B., Li Z.-C., Wang Y. A branch-and-price heuristic algorithm for the bunkering operation problem of a liquefied natural gas bunkering station in the inland waterways // Transportation Research Part B: Methodological. 2023. Vol. 167. P. 145-170. DOI: 10.1016/j.trb.2022.11.011.
3. Paredis R., Van Mierlo S., Vangheluwe H. Translating process interaction world view models to DEVS: GPSS to (Python (P)) DEVS // In 2020 Winter Simulation Conference (WSC). 2020. P. 2221-2232. DOI: 10.1109/WSC48552.2020.9383952.
4. Devyatkov V.V., Gabalin A.V. Investigation of Business Processes Involving Queues Using Simulation Modeling // In 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). 2020. P. 217-220. DOI: 10.1109/SUMMA50634.2020.9280672.
5. El Noshokaty, S. Shipping optimisation systems for liner: en-route bunkering, port late arrival, and tide restricted sailing // International Journal of Shipping and Transport Logistics. 2023. Vol. 16. P. 154. DOI: 10.1504/IJSTL.2023.128573.
6. Vlasiev, M.V., Demeshko, G.F. LNG bunkering tankers in marine ports: validation of demand in numbers // Transactions of the Krylov State Research Centre. 2022. Vol. 2. P. 89-98. DOI: 10.24937/2542-2324-2022-2-400-89-98.
7. Watanabe E., Shibasaki R. Extraction of Bunkering Services from Automatic Identification System Data and Their International Comparisons // Sustainability. 2023. Vol. 15, № 24. P. 16711. DOI: 10.3390/su152416711.
8. Martirosyan A.V., Kukharova T.V., Fedorov M.S. Research of the hydrogeological objects' connection peculiarities // Proceedings of 2021 4th International Conference on Control in Technical Systems, CTS 2021. 2021. P. 34-38. DOI: 10.1109/CTS53513.2021.9562910.
9. Рогулин Р.С., Рогулин Н.С., Говоров В.Р. Комплексная оптимизационная модель процессов складирования и транспортировки товаров лесной промышленности // Вестник Челябинского государственного университета. 2020. № 2 (436). С. 238-245. DOI: 10.24411/1994-2796-2020-10224.
10. Haque K., Homoud L., Zhuang X., Elnour M., Goulart A., Davis K. On Graph Theory vs. Time-Domain Discrete Event Simulation for Topology-Informed Assessment of Power Grid Cyber Risk // arXiv. 2024. DOI: 10.48550/arXiv.2409.04590.
11. Кузнецов И.С., Зиновьев В.В., Николаев П.И., Стародубов А.Н. Компьютерная система имитационного моделирования для оптимизации параметров экскаваторно-автомобильных комплексов // Горный информационно-аналитический бюллетень. 2022. № 6-1. С. 304-316. DOI: 10.25018/0236 1493 2022 61 0 304.
12. Pershin I.M., Papush E.G., Kukharova T.V., Utkin V.A. Modeling of distributed control system for network of mineral water wells // Water. 2023. Vol. 15, № 12. P. 2289. DOI: 10.3390/w15122289.
13. Хомутов С.О., Сташко В.И., Серебряков Н.А. Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331, № 6. С. 128-140. DOI: 10.18799/24131830/2020/6/2682.
14. Omaran S.M., Al-Zuheriy A.S.J. Integrating Building Information Modeling and Virtual Reality to Develop Real-time Suitable Cost Estimates using Building Visualization // International Journal of Engineering. 2023. Vol. 36, № 5. P. 858-869. DOI: 10.5829/IJE.2023.36.05B.03.
15. Cherepovitsyn, A., Tsvetkova, A., Komendantova, N. Approaches to assessing the strategic sustainability of high-risk offshore oil and gas projects // Journal of Marine Science and Engineering. 2020. Vol. 8, № 12. P. 995. DOI: 10.3390/jmse8120995.
16. Karanjkar N., Joshi S. A Python-Based Mixed Discrete-Continuous Simulation Framework for Digital Twins // Advances in Simulation of Distributed and Networked Systems. 2023. P. 121-132. DOI: 10.1007/978-3-031-23149-0 11.
17. Badika E., Zyryanov D., Babchinetsky S. Using the python programming language in simulation modeling // Chronos. 2022. Vol. 7. P. 18-23. DOI: 10.52013/2658-7556-68-6-7.
18. Souza P., Ferreto T., Calheiros, R. EdgeSimPy: Python-based modeling and simulation of edge computing resource management policies // Future Generation Computer Systems. 2023. Vol. 148. DOI: 10.1016/j.future.2023.06.013.
19. Фунг В.К., Богатырев В.А., Кармановский Н.С., Лэ В.Х. Оценка вероятностно-временных характеристик компьютерной системы с контейнерной виртуализацией // Журнал. 2024. DOI: 10.175 86/2226-1494-2024-24-2249-255.
20. Вакушин, А. А., Клебанов, Б. И. Применение больших языковых моделей в имитационном моделировании // Инженерный вестник Дона. 2024. № 2 (110). С. 52.
21. Pinho T.M., Coelho J., Cunha J. Forest-based supply chain modelling using the SimPy simulation framework // IFAC-PapersOnLine. 2016. Vol. 49. P. 90-95. DOI: 10.1016/j.ifacol.2016.03.016.
22. Ilyushin Y.V., Kapostey E.I. Developing a comprehensive mathematical model for aluminium production in a soderberg electrolyser // Energies. 2023. Vol. 16, № 17. P. 6313. DOI: 10.3390/en16176313.
23. Тарасов В.Н., Бахарева Н.Ф. Управление характеристиками системы массового обслуживания через сдвиг законов распределений // Информационно-управляющие системы. 2023. № 5 (126). С. 55-63. DOI: 10.31799/1684-8853-2023-5-55-63.
24. Vasileva M.A., Feit S. Multiphysical model of heterogenous flow moving along а channel of variable cross-section // Journal of Mining Institute. 2017. Vol. 227. P. 558. DOI: 10.25515/pmi.2017.5.558.
25. Eremeeva A.M., Ilyushin Y.V. Automation of the control system for drying grain crops of the technological process for obtaining biodiesel fuels // Scientific Reports. 2023. Vol. 13, № 1. P. 14956. DOI: 10.1038/s41598-023-41962-0.
26. Razmanova S.V., Andrukhova O.V. Oilfield service companies as part of economy digitalization: assessment of the prospects for innovative development // Journal of Mining Institute. 2020. Vol. 244. P. 482-492. DOI: 10.31897/pmi.2020.4.11.
Первухин Дмитрий Анатольевич, д-р техн. наук, профессор, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский горный университет императрицы Екатерины II, https://orcid. org/0000-0003-3547-2932,
Нейрус Семен Константинович, аспирант, samneyrus3@gmail. com, Россия, Санкт-Петербург, Санкт-Петербургский горный университет императрицы Екатерины II, https://orcid.org/0000-0001 -7530-1332
Афанасьева Ольга Владимировна, канд. техн. наук, доцент, ovaf72@guap. ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный университет аэрокосмического приборостроения, https://orcid.org/0000-0003-3169-4781
APPLICATION OF SIMULATION MODELING IN THE ENTERPRISE OIL AND GAS SECTOR D.A. Pervukhin, S.K. Neyrus, O. V. Afanasyeva
This paper presents a study aimed at using simulation modeling in the oil and gas sector. The study analyzes the activities of the company in this industry in order to create simulation models based on real data. It is necessary to make a simulation model that will describe the process of ship bunkering by the company under consideration. The results of the analysis are used to develop methods aimed at improving the efficiency of the oil and gas sector company. In the project under consideration, simulation modeling in two environments: GPSS World and Python. Both programs were given a brief overview of their characteristics, their advantages and disadvantages that arise when using one or the other software.
Key words: simulation modeling, system analysis, logistics, bunkering, GPSS World, Python.
Pervukhin Dmitry Anatolyevich, doctor of technical sciences, professor, pervukhin_da@pers. spmi. ru, Russia, St. Petersburg, St. Petersburg Mining University of Empress Catherine II, https://orcid. org/0000-0003-3547-2932,
Neurus Semyon Konstantinovich, postgraduate, [email protected], Russia, St. Petersburg, St. Petersburg Mining University of Empress Catherine II, https://orcid.org/0000-0001-7530-1332,
Afanasyeva Olga Vladimirovna, candidate of technical sciences, docent, ovaf72@guap. ru, Russia, St. Petersburg, St. Petersburg State University of Aerospace Instrumentation, https://orcid.org/0000-0003-3169-4781
УДК 624.046.2
Б01: 10.24412/2071-6168-2024-10-340-341
МЕТОД ОЦЕНКИ НЕСУЩЕЙ СПОСОБНОСТИ КОНСТРУКЦИЙ
С.Ш. Саая, К.В. Кенден
Приведено описание метода определения коэффициента запаса несущей способности деталей машин при расчете их по предельным состояниям. Целью данного исследования является обоснование оптимальных параметров несущей конструкции деталей машины. Предметом исследования является теория прочности несущей конструкции деталей машин. Дана схема реализации метода, позволяющая автоматизировать расчеты.
Ключевые слова: конструкции, нагрузки, напряжения, оценка, метод, запас прочности.
Введение. Числовой характеристикой способности конструкции выдерживать воздействие силовых нагрузок без разрушения является коэффициент запаса несущей способности. При постоянных прочностных характеристиках материала конструкции коэффициент запаса несущей способности зависит от характеристики воздействия [1, 2]
Совокупное воздействие нагрузок, произвольно ориентированных в пространстве, при расчетах эпюр напряжений сводится к системе трех проекций на оси координат равнодействующего вектора сил (Рх, Ру, Рг) и трех моментов (Мх, Му, Мг) относительно осей координат (рисунок 1).
Рх — вызывает напряжения сжатия-растяжения а1 = ± —;
?0
та ру*0 'У
Ру— вызывает напряжения сдвига г1 = —-;
12-'Ьу
т> ^У 2
Рг— вызывает напряжения сдвига т2 = —^—;
-Ц я Мг
Мх — вызывает напряжения кручения т3 = —;
Л „ г- МУ2
Му— вызывает напряжения изгиба а2 = ;
1У
Мг —вызывает напряжения изгиба а3 = ;
В точках сечения напряжения могут суммироваться и могут взаимопогашаться [3].
Объекты и методы исследования
При одновременном действии нормальных и касательных напряжений, в случае расчета по допускаемым напряжениям, напряженное состояние конструкции оценивается по эквивалентным напряжениям, вычисленным на основе теории прочности. Критерием опасного состояния в этом случае является равенство эквивалентных напряжений допускаемым.
