CC BY
18
DOI 10.25987/^ТО.2019.15.6.006 УДК 681.51.011
ИНТЕРАКТИВНЫЙ МЕТОД НЕЙРОУПРАВЛЕНИЯ ПРОЦЕССОМ ИЗМЕЛЬЧЕНИЯ ШИХТЫ В ЦЕМЕНТНОМ ПРОИЗВОДСТВЕ
Л.С. Казаринов, Дж.Р. Хасанов Южно-Уральский государственный университет (НИУ), г. Челябинск, Россия
Аннотация: предлагается интерактивный метод нейроуправления контуром измельчения шихты при производства цемента для полуавтоматических мельниц. При этом наиболее важными задачами этой системы являются обеспечение стабильного режима подачи и энергосбережение. Нейроуправление строится на основе обучения нейронной сети с учителем, в роли которого выступает опытный оператор мельницы, реализующий эффективное управление процессом измельчения. Нейроуправление рассчитывает оптимальные значения уставок для контуров распределенного управления на основе интерактивной вычислительной процедуры. Такой подход позволяет принимать эффективные решения по управлению процессом измельчения на основе согласования множества противоречивых технических условий. Основным преимуществом предлагаемого способа является то, что метод принятия решений по выбору значений управляющих факторов с учетом заданных технико-экономических ограничений позволяет оператору выбрать оптимальные параметры для загрузки мельницы по множеству противоречивых условий, что позволяет получить качественный продукт при минимизации потребляемых ресурсов. Разработанный на основе предложенного метода контроллер был проверен на модели контура измельчения для реальной мельницы. Результаты подтвердили эффективность предлагаемой системы диспетчерского управления, которая позволила увеличить производительность мельницы на 2,36% и одновременно снизить удельное энергопотребление на 2,29%
Ключевые слова: цемент, клинкер, нейронная сеть, шихта, процесс помола, оперативное управление
Введение
В цементной промышленности управление процессом измельчения в течение многих лет оставалось сложной проблемой из-за существующих неопределенностей моделей, не-линейностей, изменений параметров и их взаимозависимости.
На рис. 1 показана цементная шаровая мельница в замкнутом контуре с сепаратором. Внутри вращающейся мельницы поток подачи, состоящий из клинкера, шлака, гипса и других компонентов сырья, измельчается стальными шарами. С помощью элеватора продукт мельницы транспортируется в сепаратор, где в зависимости от регулируемой скорости и скорости воздушного потока он разделяется на поток отбракованных крупногабаритных частиц (крупка), который возвращается на вход мельницы для повторного измельчения, и поток мелкой фракции, который образует конечный продукт.
Готовый продукт
ДО)
Шаровая мельница
Рис. 1. Замкнутый контур измельчения
Помол цемента является высокоэнергоемкой операцией в цементной промышленности, поэтому требуется эффективный контроль для снижения удельных производственных затрат (кВт ч/т произведенного цемента) при сохранении качества продукта, то есть тонкости цемента на приемлемом уровне.
Существует нелинейная зависимость продукта мельницы от загрузки мельницы (количества материала внутри мельницы) и твердости измельченного материала, что может иногда вызывать нестабильность системы, перегруз мельницы и прерывание процесса измельчения.
Конкретные производственные затраты также зависят от загрузки мельницы. В совре-
© Казаринов Л.С., Хасанов Дж.Р., 2019
менной практике процессы измельчения все еще часто работают в ручном режиме или в ограниченных пределах с использованием простых моновариабельных контроллеров [1]. В течение последних 10 лет было предложено несколько подходов к управлению, включая методы линейного многопараметрического управления [2-4]. В последнее время исследовательские усилия были сосредоточены на контроллерах, которые могут предотвратить перегруз мельницы.
Линейные аппроксимации процесса измельчения являются стабильными и эффективными только вокруг номинальной рабочей точки. Существующие помехи (например, изменения в измельчаемости сырья) могут привести мельницу к новой рабочей точке, где контроллер не может стабилизировать установку.
В недавнем исследовании [5] была разработана упрощенная нелинейная модель схемы измельчения, которая способна реалистично воспроизвести явление закупоривания, и представлен контроллер обратной связи по состоянию на основе стратегии нелинейного прогнозирующего управления. Хотя предлагаемая система имеет большую область стабильности по сравнению с линейными контроллерами, риск забивания не был полностью исключен. В более поздней работе [7] при помощи модели контура измельчения, представленной в [6], предложен надежный нелинейный контроллер с обратной связью по состоянию, который способен предотвратить перегруз мельницы.
Методы управления с использованием классических контроллеров, предложенные в [1-7], могут быть эффективными, только если взаимосвязи между переменными правильно определены и смоделированы. Хорошо известно, что измельчение материала зависит от многих факторов мельницы: скорости, распределения размера шари, измельчаемости материала и гранулометрии. Из-за внутренней сложности процесса разработка точной модели контура измельчения цемента является непростой задачей, и, как указано в [4, 5], динамическое моделирование процессов измельчения все еще остается открытой областью.
Большинство заводов по переработке полезных ископаемых имеют распределенные системы управления для своего основного уровня управления, но эти системы управления должны эксплуатироваться квалифицированными и хорошо осведомленными операторами для запуска схемы измельчения при за-
данных параметрах. Управление контуром измельчения доставляет больше проблем операторам диспетчерского пункта из-за его нелинейного и сложного поведения [8]. Чтобы справиться с проблемами в работе или стабилизировать/оптимизировать схему, операторы должны ответить на следующие вопросы для каждого управляющего действия:
• Какая манипулирующая переменная должна быть изменена?
• Каким должно быть значение новой уставки?
• Когда оператор должен изменить заданное значение?
Следующие проблемы также будут возникать, когда заданные значения рассчитываются и вставляются в распределенные системы управления операторами вручную:
• заданные значения, определенные операторами, необязательно являются оптимальными, поскольку операторы всегда беспокоятся о состоянии перегрузки мельницы/контура. Таким образом, они поддерживают скорость подачи мельницы ниже расчетного значения;
• поскольку изменения в заданных значениях являются ступенчатыми (не сглаживают непрерывные значения), колебания значений процесса будут неизбежны;
• ошибки в выборе правильной управляющей переменной и задержки во времени реакции операторов нельзя игнорировать;
• в зависимости от уровня знаний и опыта различных операторов, они могут по-разному контролировать контур измельчения, даже в одной и той же ситуации;
Автоматические расчеты заданных значений с помощью современных систем управления могут исправить проблемы традиционных систем, распределенных систем управления при ручных вычислениях и выборе манипулирующих переменных. Существуют различные типы продвинутых систем управления, таких как многопараметрическое управление, основанное на модели и прогнозировании управления, адаптивное управление и стратегии управления на основе искусственного интеллекта (ИИ), такие как нечеткая логика, нейронная сеть, генетический алгоритм или их комбинация.
Существует несколько публикаций, связанных со стратегиями, основанными на знаниях, и системами управления с использованием нечеткой логики для применения в измельчении материалов. Но на самом деле существует несколько публикаций в области нечетких систем управления для контуров мельниц.
Краткий обзор статей в области нечетких систем управления для контуров измельчения
Авторы [9] представили нечеткую экспертную систему для управления скоростью сепаратора в контуре измельчения цементной промышленности. В работе [10] предложена модель прогнозирующего контроллера для контура измельчения в шаровой мельнице для управления взаимодействиями между входными и выходными переменными. В работе [11] использовали генетический алгоритм для оптимизации параметров нечеткого контроллера в MATLAB/Simulink. В работе [12] предложили теоретически улучшенную стратегию энергосбережения и снижения загрязнения в контурах измельчения в шаровой мельнице. Автор [13] разработал интеллектуальный метод развязки для управления шаровой мельницей. Нелинейности управляются с помощью подхода нейронной сети. Авторы [14] предложили оптимизированную систему управления на основе искусственного интеллекта для контуров измельчения в шаровой мельнице, которая была испытана в Китае. В работе [15] описана теоретическая архитектура системы управления цементным чистовым шлифованием. Предложенная система управления настраивает подачу свежего сырья на основе четырех входных переменных в нечеткий контроллер.
Принимая во внимание вышеупомянутые характеристики контура измельчения цемента и анализируя выше представленные работы, предлагается интерактивный выбор решений при оперативном нейроуправлении. Основным преимуществом данного способа является то, что метод принятия решений по выбору значений управляющих факторов с учетом заданных технико-экономических ограничений позволяет оператору выбрать оптимальные параметры для загрузки мельницы по множеству противоречивых условий, что позволяет получить качественный продукт при минимизации потребляемых ресурсов.
Оперативное нейроуправление контуром измельчения шихты
Рассматриваемое оперативное нейро-управление контуром измельчения моделируется в работе среды MATLAB/Simulink с использованием встроенного пакета Neural Network и набора инструментов. Предлагаемый метод очень удобен для пользователя, и опера-
торы могут видеть результаты с помощью графиков для лучшего управление системой. Основная цель оперативного нейроуправления контура измельчения - максимально приблизить установку к проектным значениям путем расчета оптимальных заданных значений в соответствии со свойствами подачи и условиями работы мельницы. Большинство преимуществ оперативного нейроуправления контура измельчения перед человеческими стратегиями контроля:
1) оперативное нейроуправление может контролировать несколько параметров одновременно, в то время как оператор диспетчерской не может контролировать несколько параметров в такое короткое время и обрабатывать переменные одновременно;
2) оперативное нейроуправление обновляется каждый час в соответствии с рабочими данными мельницы (ввод переменных в контроллер). Таким образом, контур измельчения будет иметь плавную кривую для каждой выходной (манипулирующей) переменной (то есть скорости подачи, скорости крупки, удельный расход электроэнергии, тонкость по Блей-ну и мощность двигателя мельницы);
3) оперативное нейроуправление поддерживает производительность мельницы очень близко к ее проектным значениям (с точки зрения пропускной способности) посредством оперативного мониторинга его рабочего состояния. Но люди-операторы всегда беспокоятся о состоянии перегрузки мельницы, поэтому они обычно эксплуатируют мельницу ниже ее оптимальных проектных значений.
Интерактивный метод нейроуправления контуром измельчения
Схема предлагаемого метода нейроуправ-ления изображена на рис. 2. Данные собираются каждый час с помощью измерительных приборов (который регулируется в зависимости от колебаний рабочего состояния мельницы), и нейронная сеть использует эти данные для оценки рабочего состояния мельницы и, если требуется какое-либо контрольное действие, нейросеть определяет того, какую уставку следует изменить и определяет значения изменений. Рассчитанные уставки вводятся в контроллер. Следовательно, мельница будет работать в более стабильном состоянии при сохранении максимальной производительности. Основными целями оперативного нейроуправления являются стабилизация ра-
боты мельницы, максимизация производительности мельницы, снижение удельного энергопотребления, корректировка содержания твердого сырья в требуемом интервале и недопущение ошибок персонала.
Нейроуправление строится на основе обучения нейронной сети с учителем, в роли которого выступает опытный оператор мельницы, реализующий эффективное управление процессом измельчения. Контроллер, построенный на основе нейронной сети, должен работать в реальном времени и отражать теку-
щее состояние процесса измельчения. Выбор решений при решении задачи оперативного управления с использованием нейронной сети относится к классу многокритериальных задач. В предыдущий работе [16] предложен метод принятия решений, исходя из множества допустимых технических условий, накладываемых на процесс измельчения. Контроллер на основе нейронной сети был настроен с использованием данных, полученных в течение месяца (таблица) на заводе ООО «Дюккерхофф Корки-но Цемент».
Рис. 2. Схема интерактивного метода нейроуправления контуром измельчения шихты в цементном производстве Пример данных измельчения, собранных за день
День/ время, ч:мин Подача (Б0), т/час Отклонено (крупка) (Б2), т / час Удельный расход электроэнергии кВт*ч/т Блейн, см2 / г Звук мельницы, дБ Мощность двигателя мельницы,%
1/8:00 25,5 12,9 28 3820 82 79,3
1/9:00 26 11 28,1 3840 83,3 79,1
1/10:00 25,5 12,7 28,3 3885 81,9 79,3
1/11:00 26,5 12,3 28 3850 82,7 79,3
1/12:30 32,6 15 28,1 3660 86,1 74
1/13:00 34 17 29 3835 85 75,9
1/14:00 33,6 18 29,4 4105 85,7 76,1
1/15:00 30 17,3 30 3860 81,3 78,5
1/16:00 31 19,1 32 3825 80,7 78,8
1/17:00 32,6 11,8 28,9 3660 86,1 74
1/18:00 34 16,5 28,1 3835 85 75,9
1/19:00 35,6 16,8 28,3 4105 85,7 76,1
1/20:00 38,1 19,2 29,2 3860 81,3 78,5
На рис. 3 представлена компьютерная модель оперативного нейроуправления процес-
сом помола клинкера при производстве цемента.
Рис. 3. Компьютерная модель оперативного нейроуправления процессом помола шихты при производстве цемента
Переведенные графики получены на основе расчета текущего режима работы мельницы помола клинкера по данным завода ООО «Дюккерхофф Коркино Цемент». На рис. 4 приведены желаемые целевые диапазоны изменения рассмотренных показателей по формуле:
0.15 0.1 0.05 0
111
С(х) = ^а^(х),
]=1
где - характеристические функции целевых диапазонов изменения показателей, «у -весовые коэффициенты, отражающие важность выполнения соответствующих целевых диапазонов изменения показателей. С — целевая функция, показывающая взвешенное число выполненных целевых диапазонов изменения показателей [17].
Как показано на рис. 4,е в данном случае максимальное значение целевой функции равно 1, что позволяет оператору выбрать объём подачи материала в мельнице в размере, предсказанном моделью оператора (т/ч.).
6 А 10 12 14 16
а) изменения крупки при повторном помоле
0.2 0.15 0.1 0.0Б 0
6 в 10 12 14 16
б) удельный расход электроэнергии кВт.ч/т
Рис. 4. Результаты применения весовых коэффициентов и желаемых целевых диапазонов
0.2 - --
0.1------
0 — - --
6 А 10 12 14 16
в) тонкость помола по Блейну см2/г
0.15 I I I
0.1--------
0.05--------
И—
6 А 10 12 14 16
г) звук мельницы дБ
03----
02-------
0 1-------
о--------
6 А 10 12 14 16
д) мощность двигателя мельницы кВт (%)
е) график целевой функции
Рис. 4. Результаты применения весовых коэффициентов и желаемых целевых диапазонов (продолжение)
Заключение
Модель нейроуправления на основе MATLAB/Simulink с использованием встроенного пакета Neural Network и набора инструментов была разработана, проверена и подтверждена реальными эксплуатационными
данными из контура измельчения шихты в заводе ООО «Дюккерхофф Коркино Цемент». В работе предложен метод принятия решений, исходя из множества допустимых технических условий, накладываемых на процесс помола. Подобная постановка задачи в общем случае является противоречивой. В работе предложен подход к решению данной задачи на основе определения максимального числа совместных взвешенных условий, налагаемых на процесс. Подобный подход позволяет организовать интерактивную процедуру выбора допустимого решения при оперативном управлении процессом помола. Результаты подтвердили способность предлагаемой системы диспетчерского управления увеличить производительность мельницы на 2,36% и одновременно снизить удельное энергопотребление на 2,29%.
Литература
1. Ciganek C., Kreysa K. Two-parameter control system for a cement grinding process, Translat. Zement-KalkGips. 1991. Рр. 202-206.
2. An industrial application of multivariable linear quadratic control to a cement mill circuit / V. Van Breusegem, L. Chen, G. Bastin, V. Wertz, V. Werbrouck, C. de Pierpont // IEEE Trans. Ind. Appl. 32. 1996. Рр. 670-677.
3. Multivariable linear quadratic control of a cement mill: an industrial application / V. Van Breusegem, L. Chen, V. Werbrouck, G. Bastin, V. Wertz. Contr. Eng. 1994. Practice 2. Рр. 605-611.
4. Modeling, simulation and evaluation of control loops for a cement grinding process, in: Proceedings of European Control Conference (CD-ROM) / M. Boulvin, C. Renotte, A. Vande Wouwer, M. Remy, S. Tarasiewicz, P. Cesar. Brussels, Belgium, July 1997, Paper TH-E-H4.
5. Исмоилов М.И., Пиров Ф.С. Проблемы автоматизации предприятия по производству цемента // Методы и модели прикладной информатики: межвуз сб. науч. тр. М.: МАДИ (ГТУ), 2009. С. 116-119.
6. Magni L., Bastin G., Wertz V. Multivariable nonlinear predictive control of cement mills // IEEE Trans. Contr. Syst. Technol. 7 (1999). Рр. 502-508.
7. Robust stabilization of a nonlinear cement mill model / F. Grognard, F. Jadot, L. Magni, G. Bastin, R. Sepulchre, V. Wertz // IEEE Trans. Autom. Contr. 2001. 46 (4). Рр. 618-623.
8. Hadizadeh M., Farzanegan A., Noaparast M. A plant-scale validated MATLAB-based fuzzy expert system to control SAG mill circuits // Journal of Process Control. 2018. 70. Рр. 1-11.
9. Kandasamy W.B.V., Neelakantan N.R., Ra-mathilagam S. Control of grinding circuit in cement industries using fuzzy expert system // Int. Conf. Anal. Discret. Struct. 2002.
10. Ramasamy M., Narayanan S.S., Rao C.D.P. Control of ball mill grinding circuit using model predictive control scheme // J. Process Control. 2005. 15. Р. 273-283.
11. Subbaraj D.P., Anand P.S.G. Evolutionary design of intelligent controller for a cement mill process // Int. J. Comput. Appl. 2010. 1. Р. 111-120.
12. An improved control strategy for ball Mill grinding circuits / X. Chen, J. Yang, S. Li, Q. Li // LSMS/ICSEE 2010, Part I, LNCS 6328. Pp. 409-415.
13. Chai T., Zhai L., Yue H. Multiple models and neural networks based decoupling control of ball mill coal-pulverizing systems // J. Process Control. 2011. 21. Pp. 351366.
14. Zhou P., Chai T., Sun J. Intelligence-based supervisory control for optimal operation of a DCS-controlled grinding system // IEEE Trans. Control Syst. Technol. 2013. 21. Pp. 162-175.
15. Control system architecture for a cement mill based on fuzzy logic / C.R. Costea, H.M. Silaghi, D. Zmaranda,
M.A. Silaghi // Int. J. Comput. Commun. Control. 2015. 10. Рр. 165-173.
16. Казаринов Л.С., Хасанов Дж.Р. Выбор решений при оперативном нейроуправлении процессом помола шихты в цементном производстве // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. Т. 19. № 2. С. 128-138.
17. Казаринов Л.С., Хасанов Дж.Р. Оптимизации степени загрузки мельницы при производстве цемента // Вестник ПНИПУ. Серия «Электротехника, информационные технологии, системы управления». 2019. Т. 30. № 2. С. 196-210.
Поступила 07.11.2019; принята к публикации 13.12.2019 Информация об авторах
Казаринов Лев Сергеевич - д-р техн. наук, заведующий кафедрой «Автоматика и управление», Южно-Уральский государственный университет (454080, Россия, г. Челябинск, проспект Ленина, 76), e-mail: kazarinovls@susu.ru Хасанов Джасурджон Рустамджонович - аспирант кафедры «Автоматика и управление», Южно-Уральский государственный университет (454080, Россия, г. Челябинск, проспект Ленина, 76), e-mail: jacur@mail.ru
INTERACTIVE METHOD OF NEURAL CONTROL OF PROCESS OF MILLING MIXTURE
IN CEMENT PRODUCTION
L.S. Kazarinov, Dzh.R. Khasanov South Ural State University, Chelyabinsk, Russia
Abstract: an interactive method for the neurocontrol of the mixture grinding circuit is proposed for the production of cement for semi-automatic mills. In this case, the most important tasks of this system are to ensure a stable feed mode and energy saving. Neurocontrol is based on training a neural network with a teacher, the role of which is played by an experienced mill operator, which implements effective control of the grinding process. Neurocontrol calculates the optimal settings for distributed control loops based on an interactive computational procedure. This approach allows us to make effective decisions on controlling the grinding process based on the coordination of many conflicting technical conditions. The main advantage of the proposed method is that the decision-making method for choosing the values of control factors, taking into account the given technical and economic constraints, allows the operator to choose the optimal parameters for loading the mill according to many conflicting conditions, which allows one to get a quality product while minimizing the resources consumed. The controller developed on the basis of the proposed method was tested on the model of the grinding circuit for a real mill. The results confirmed the effectiveness of the proposed dispatch control system, which allowed to increase the mill productivity by 2.36% and at the same time reduce specific energy consumption by 2.29%
Key words: cement, clinker, neural network, charge, grinding process, operational control
References
1. Ciganek C., Kreysa K. "Two-parameter control system for a cement grinding process", Translat. Zement-Kalk-Gips, 1991, pp. 202-206.
2. Van Breusegem V., Chen L., Bastin G., Wertz V., Werbrouck V., de Pierpont C. "An industrial application of multivariable linear quadratic control to a cement mill circuit", IEEE Trans. Ind. Appl., 1996, no. 32, pp. 670-677.
3. Van Breusegem V., Chen L., Werbrouck V., Bastin G., Wertz V. "Multivariable linear quadratic control of a cement mill: an industrial application", Contr. Eng. Practice, 1994, no. 2, pp. 605-611.
4. Boulvin M., Renotte C., Vande Wouwer A., Remy M., Tarasiewicz S., Cesar P. "Modeling, simulation and evaluation of control loops for a cement grinding process", Proceedings of European Control Conference (CD-ROM), Brussels, Belgium, July 1997, paper TH-E-H4.
5. Ismoilov M.I., Pirov F.S. "Problems of automation of an enterprise for the production of cement", Methods and Models of Applied Informatics: interuniversity collection. scientific papers, (Metody i modeli prikladnoy informatiki: mezhvuz sb. nauch. tr.), MADI(GTU) Moscow, 2009, pp. 116-119.
6. Magni L., Bastin G., Wertz V. "Multivariable nonlinear predictive control of cement mills", IEEE Trans. Contr. Syst. Tech-nol., 1999, no. 7, pp. 502-508.
7. Grognard F., Jadot F., Magni L., Bastin G., Sepulchre R., Wertz V. "Robust stabilization of a nonlinear cement mill model", IEEE Trans. Autom. Contr., 2001, no. 46 (4), pp. 618-623.
8. Hadizadeh M., Farzanegan A., Noaparast M. "A plant-scale validated MATLAB-based fuzzy expert system to control SAG mill circuits", Journal of Process Control, 2018, no. 70, pp. 1-11.
9. Kandasamy W.B.V., Neelakantan N.R., Ramathilagam S. "Control of grinding circuit in cement industries using fuzzy expert system", Int. Conf. Anal. Discret. Struct., 2002
10. Ramasamy M., Narayanan S.S., Rao C.D.P. "Control of ball mill grinding circuit using model predictive control scheme", J. Process Control, 2005, no. 15, pp. 273-283.
11. Subbaraj D.P., Anand P.S.G. "Evolutionary design of intelligent controller for a cement mill process", Int. J. Comput. Appl, 2010, no. 1, 111-120.
12. Chen X., Yang J., Li S., Li Q. "An improved control strategy for ball Mill grinding circuits", LSMS/ICSEE 2010, Part I, LNCS 6328, 2010, pp. 409-415.
13. Chai T., Zhai L., Yue H. "Multiple models and neural networks based decoupling control of ball mill coal-pulverizing systems", J. Process Control, 2011, no. 21, pp. 351-366.
14. Zhou P., Chai T., Sun J. "Intelligence-based supervisory control for optimal operation of a DCS-controlled grinding system", IEEE Trans. Control Syst. Technol., 2013, no. 21, pp. 162-175.
15. Costea C.R., Silaghi H.M., Zmaranda D., Silaghi M.A. "Control system architecture for a cement mill based on fuzzy logic", Int. J. Comput. Commun. Control, 2015, no. 10, pp. 165-173.
16. Kazarinov L.S., Khasanov Dzh.R. "The choice of solutions for operational neurocontrol of the process of grinding the mixture in cement production", Bulletin of SUSU (Vestnik YUUrGU), 2019, vol. 19, no. 2, pp. 128-138.
17. Kazarinov L.S., Khasanov Dzh.R. "Optimization of the degree of mill loading in cement production", Bulletin of SUSU (Vestnik YUUrGU), 2019, vol. 30, no. 2, pp. 196-210.
Submitted 07.11.2019; revised 07.11.2019
Information about the authors
Lev S. Kazarinov, Dr. Sc. (Technical), South Ural State University (NRU) (76 Lenina ave., Chelyabinsk 454080, Russia), e-mail: kazarinovls@susu.ru
Dzhasurdzhon R. Khasanov, Graduate student, South Ural State University (NRU) (76 Lenina ave., Chelyabinsk 454080, Russia), e-mail: jacur@mail.ru
