ПОСТРОЕНИЕ АНАЛИТИЧЕСКИХ МОДЕЛЕЙ РАЗЛИЧНЫХ ФИЗИКО-ХИМИЧЕСКИХ СИСТЕМ МЕТОДАМИ DATA SCIENCE И МАТЕМАТИЧЕСКОГО ПРОТОТИПИРОВАНИЯ ЭНЕРГЕТИЧЕСКИХ ПРОЦЕССОВ

Актуальность и цели. Построение математических моделей систем различной физической и химической природы является важнейшим этапом разработки методик проектирования и эксплуатации упомянутых систем. В настоящее время существуют методы Data Science, посвященные сбору и обработке данных с последующим построением математических моделей. Для построения упомянутых моделей необходимо задать их класс. Основными требованиями к математическим моделям систем различной физической и химической природы являются их точность и адекватность (не противоречивость физическим и химическим законам). Для построения класса удовлетворяющих упомянутым требованиям математических моделей систем был предложен в рамках механики, электродинамики и современной неравновесной термодинамики метод математического прототипирования энергетических процессов. В соответствии с упомянутым методом могут быть получены в виде системы дифференциальных уравнений полные математические модели различных физических и химических систем с точностью до экспериментально исследуемых постоянных коэффициентов. Затем полученные полные модели преобразовываются в упрощенные аналитические модели с точностью до постоянных коэффициентов, которые обучаются на экспериментальных данных. Методике построения моделей, применимых для решения практических задач, на базе методов Data Science и метода математического прототипирования энергетических процессов посвящена настоящая работа. Материалы и методы. Синтез в виде дифференциальных уравнений полной модели динамики физических и химических процессов осуществляется на базе метода математического прототипирования энергетических процессов и методов динамического программирования. Построение упрощенных аналитических моделей, применимых для решения практических задач, осуществляется путем вычислительного эксперимента на базе полной модели с дальнейшим применением методов идентификации, символьной регрессии, машинного обучения. Результаты. Предложенная методика позволяет строить точные и адекватные модели, применимые для решения практических задач в приемлемые сроки. Выводы. Предложенная методика построения математических моделей может быть положена в основу программно-технологической платформы цифровых двойников, потребляющей приемлемые вычислительные ресурсы