Науковий вісник НГУ

Методика оцінки стану енергоблоків електростанцій із використанням моделей цифрових двійників

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2026

Останнє оновлення: 25 квітня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1341

Authors:

В. В. Прохорова, orcid.org/0000-0003-2552-2131, Харківський національний університет імені В. Н. Каразіна, м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

П. Ф. Буданов*, orcid.org/0000-0002-1542-9390, Харківський національний університет імені В. Н. Каразіна, м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

К. Ю. Бровко, orcid.org/0000-0002-9669-9316, Харківський національний університет імені В. Н. Каразіна, м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. Є. Мельников, orcid.org/0000-0001-6427-6805, Товариство з обмеженою відповідальністю «Екватор Сан Енерджі», м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І. Г. Кирисов, orcid.org/0000-0003-2228-9936, Харківський національний університет імені В. Н. Каразіна, м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (2): 084 - 094

https://doi.org/10.33271/nvngu/2026-2/084

Abstract:

Мета. Підвищення рівня діагностики технічного стану енергоблоків атомних електростанцій шляхом удосконалення методики безперервного моніторингу й прогнозування залишкового ресурсу технологічного обладнання із застосуванням моделей цифрових двійників, побудованих на основі методів фрактально-кластерного аналізу.

Методика. У процесі дослідження використані методи: фрактально-кластерний (для кластеризації даних від датчиків контролю технологічних параметрів); системно-структурний підхід (для побудови системи управління: електростанція, енергоблок, параметри технологічного процесу); імітаційного моделювання (для моделювання цифрових двійників на базі графових структур та ієрархічних моделей даних).

Результати. Запропонована удосконалена методика безперервного моніторингу, контролю, діагностики оцінки та прогнозування стану залишкового ресурсу технологічного обладнання енергоблоків атомних електростанцій із застосуванням моделей цифрових двійників. При цьому враховано значення інтегрованого індексу кількісної оцінки технічного стану й час досягнення втрати функціональної придатності технологічного обладнання енергоблоку атомної електростанції.

Наукова новизна. На відміну від традиційних методик оцінки стану енергоблоку атомної електростанції, запропонована методика оцінює стан технологічного обладнання енергоблоків із використанням моделей цифрових двійників. Вона дозволяє враховувати багаторівневий і нелінійний характер процесу деградації та скорочення залишкового ресурсу обладнання. Сформована система критеріїв і показників інтегрованого індексу технічного стану на основі фрактальних і часових характеристик. Це дозволяє оперативно (у режимі реального часу) реагувати на ранні прояви дефектів і підвищити точність довгострокового прогнозування ресурсу технологічного обладнання енергоблоку атомної електростанції.

Практична значимість. Запропонована методика безперервного моніторингу стану технологічного обладнання енергоблоків АЕС із використанням моделей цифрових двійників забезпечує своєчасне виявлення дефектів. Вона підвищує надійність і безпеку, оптимізує графіки технічного обслуговування й скорочує час діагностування ризиків аварійних ситуацій. Такий підхід може стати основою для створення інтелектуальних систем безперервного моніторингу й управління життєвим циклом енергетичного обладнання.

Ключові слова: моніторинг технічного стану, фрактальний аналіз, цифровий двійник, атомна електростанція

References.

1. Pylypenko, H., Fedorova, N., Lytvynenko, N., & Pylypenko, Yu. (2025). Breakthrough technologies of social transformations: devising an identification methodology. Eastern-European Journal of Enterprise Technologies, 2(13(134)), 15-27. https://doi.org/10.15587/1729-4061.2025.326555

2. Chen, F., Huang, Q., Song, M., Liu, X., Zeng, W., Song, H., & Cheng, K. (2025). A study on the development of digital model of digital twin in nuclear power plant based on a hybrid physics and data-driven approach. Applied Thermal Engineering, 271, 126289. https://doi.org/10.1016/j.applthermaleng.2025.126289

3. Qi, F., Li, W., Liu, Z., Li, Q., Li, Y., Huang, Y., Zhao, B., Zhang, Y., & Li, C. (2022). Gradient percolation of fission gases in nuclear fuel pellet. Journal of Nuclear Materials, 571, 153993. https://doi.org/10.1016/j.jnucmat.2022.153993

4. Chen, M., Liu, H., Zhao, W., Zhang, Y., Yu, W., Peng, Q., Wang, S., & Lin, L. (2025). Development of the environmental assisted fatigue assessment method for nuclear plants in digital twin. Nuclear Engineering and Technology, 57(6), 103402. https://doi.org/10.1016/j.net.2024.103402

5. Daniell, J., Kobayashi, K., Alajo, A., & Alam, S. B. (2025). Digital twin-centered hybrid data-driven multi-stage deep learning framework for enhanced nuclear reactor power prediction. Energy and AI, 19, 100450. https://doi.org/10.1016/j.egyai.2024.100450

6. Prokhorova, V., Budanov, M., & Budanov, P. (2024). Devising an integrated methodology for energy safety assessment at an industrial power-generating enterprise. Eastern-European Journal of Enterprise Technologies, 4(13(130)), 118-131. https://doi.org/10.15587/1729-4061.2024.308056

7. Ren, S., Kong, C., Gu, Y., Gu, S., Zeng, S., Li, G., Yang, T., & Zhao, Y. (2022). Measurement pitting morphology characteristic of corroded steel surface and fractal reconstruction model. Measurement, 190, 110678. https://doi.org/10.1016/j.measurement.2021.110678

8. Prokhorova, V., Budanov, O., Budanov, P., & Slastianykova, K. (2025). Comprehensive methodology for estimating information safety at enterprises of electroenergy system under the conditions of digital coherence. Eastern-European Journal of Enterprise Technologies, 2(13(134)), 27-37. https://doi.org/10.15587/1729-4061.2025.327159

9. Budanov, P., Brovko, K., Melnykov, V., Yakymchuk, M., Kononov, V., Kyrysov, I., …, & Khomiak, E. (2025). Construction of an information model of the digital twin of the technological process in a power unit at a nuclear power plant. Eastern-European Journal of Enterprise Technologies, 4(9(136)), 39-49. https://doi.org/10.15587/1729-4061.2025.335712

10.      Ferriol-Galmes, M., Suarez-Varela, J., Paillisse, J., Shi, X., Xiao, S., Cheng, X., Barlet-Ros, P., & Cabellos-Aparicio, A. (2022). Building a digital twin for network optimization using Graph Neural Networks. Computer Networks, 217, 109329. https://doi.org/10.1016/j.comnet.2022.109329

11.      Prokhorova, V., Budanov, O., Budanov, P., & Slastianykova, K. (2025). Devising a methodology for estimating the information potential of energy enterprises under the conditions of digital coherency. Eastern-European Journal of Enterprise Technologies, 3(13(135)), 6-16. https://doi.org/10.15587/1729-4061.2025.332324

12.      Kochunas, B., & Huan, X. (2021). Digital twin concepts with uncertainty for nuclear power applications. Energies, 14(14), 4235. https://doi.org/10.3390/en14144235

13.      Prantikos, K., Tsoukalas, L. H., & Heifetz, A. (2022). Physics-Informed Neural Network solution of Point Kinetics Equations for a nuclear reactor digital twin. Energies, 15(20), 7697. https://doi.org/10.3390/en15207697

14.      Hossain, R., Ahmed, F., Kobayashi, K., Koric, S., Abueidda, D., & Alam, S. B. (2025). Virtual sensing-enabled digital twin framework for real-time monitoring of nuclear systems leveraging deep neural operators. Materials Degradation, 9(1), 21. https://doi.org/10.48550/arXiv.2410.13762

15.      Karnik, N., Abdo, M. G., Estrada-Perez, C. E., Yoo, J. S., Cogliati, J. J., Skifton, R. S., & Manohar, K. (2024). Constrained optimization of sensor placement for nuclear digital twins. IEEE Sensors Journal, 24(9), 15501-15516. https://doi.org/10.1109/JSEN.2024.3368875

16.      Stewart, R., Treviño, E., Shields, A., Heaps, K., Darrington, J., Williams, Q., …, & Ritter, C. (2025). The AGN-201 digital twin: A test bed for remotely monitoring nuclear reactors. Annals of Nuclear Energy, 213, 111041. https://doi.org/10.1016/j.anucene.2024.111041

17.      Prokhorova, V., Budanov, O., Budanov, M., & Slastianykova, K. (2025). Building a consolidated model of digital coherence for managing the information potential at power enterprises. Eastern-European Journal of Enterprise Technologies, 4(13(136)), 58-69. https://doi.org/10.15587/1729-4061.202

18.      Nguyen, T. N., Ponciroli, R., Bruck, P., Esselman, T. C., Rigatti, J. A., & Vilim, R. B. (2022). A digital twin approach to system-level fault detection and diagnosis for improved equipment health monitoring. Annals of Nuclear Energy, 170, 109002. https://doi.org/10.1016/j.anucene.2022.109002

19.      Moaveninejad, S., D’Onofrio, V., Tecchio, F., Ferracuti, F., Iarlori, S., Monteriù, A., & Porcaro, C. (2024). Fractal dimension as a discriminative feature for high accuracy classification in motor imagery EEG-based brain-computer interface. Computer Methods and Programs in Biomedicine, 244, 107944. https://doi.org/10.1016/j.cmpb.2023.107944

20.      Tang, J., Feng, L., Li, Y., Liu, J., & Liu, X. (2016). Fractal and pore structure analysis of Shengli lignite during drying process. Powder Technology, 303, 251-259. https://doi.org/10.1016/j.powtec.2016.09.042

21.      Khadersab, A., & Shivakumar, S. (2018). Vibration analysis techniques for rotating machinery and its effect on bearing faults. Procedia Manufacturing, 20, 247-252. https://doi.org/10.1016/j.promfg.2018.02.036

22.      Chen, B., Li, Y., Zeng, N., & He, W. (2019). Fractal lifting wavelets for machine fault diagnosis. IEEE Access, 7, 50912-50932. https://doi.org/10.1109/ACCESS.2019.2908213

23.      Ansari, M. Y., Ahmad, A., Khan, S. S., Bhushan, G., & Mainuddin (2020). Spatiotemporal clustering: A review. Artificial Intelligence Review, 53(4), 2381-2423. https://doi.org/10.1007/s10462-019-09736-1

24.      Ríos, J., Staudter, G., Weber, M., Anderl, R., & Bernard, A. (2020). Uncertainty of data and the digital twin: A review. International Journal of Product Lifecycle Management, 12(4), 329-358. https://doi.org/10.1504/IJPLM.2020.112778

25.      Kareem, B., & Jewo, A. O. (2015). Development of a model for failure prediction on critical equipment in the petrochemical industry. Engineering Failure Analysis, 56, 338-347. https://doi.org/10.1016/j.engfailanal.2015.01.006

26.      Pylypenko, Yu., Pylypenko, H., Lytvynenko, N., Tryfonova, O., & Prushkivska, E. (2019). Pathway of the institutional development: practice of liberal transformation in Ukraine and Belarus. Naukovui Visnyk Natsionalnoho Hirnychoho Universytetu, (4), 120-127. https://doi.org/10.29202/nvngu/2019-4/20

27.      Yu, X., Xu, S., & Ashton, M. (2023). Antecedents and outcomes of artificial intelligence adoption and application in the workplace: the socio-technical system theory perspective. Information Technology & People, 36(1), 454-474. https://doi.org/10.1108/ITP-04-2021-0254

• < Попередня
• Наступна >