CC BY
20
Оригинальная статья
УДК 622.33:004.89 © Н.Л. КрасюковаН, И.А. Рождественская, А.Ж. Зубец, И.А. Бартошевич, Е.И. Воронова, 2024
Финансовый университет при Правительстве Российской Федерации, 125993, г. Москва, Россия Н e-mail: [email protected]
Original Paper
UDC 622.33:004.89 © N.L. KrasyukovaH, I.A. Rozhdestvenskaya, A.Z. Zubets, I.A. Bartoshevich, E.I. Voronova, 2024 Financial University under the Government of the Russian Federation,
Moscow, 125993, Russian Federation H e-mail: [email protected]
Применение нейросетевых технологий для оптимизации процессов добычи и переработки угля на предприятиях угольной промышленности
The use of neural network technologies to optimize the processes of coal mining and processing in the coal industry
DOI: http://dx.doi.org/10.18796/0041-5790-2024-9-101-108
В статье рассматривается применение нейросетевых технологий для оптимизации процессов добычи и переработки угля на предприятиях угольной промы/шленности. Исследование направлено на разработку комплексной методологии внедрения нейросетей и оценку ее технико-экономической и экологической эффективности. Методы/ исследования включают анализ существующих примеров использования ИИ в угольной отрасли, разработку нейросетевых моделей оптимизации процессов добычи и переработки угля, оценку их эффективности на реальных данных а также стратегическое планирование внедрения с учетом специфики предприятий. Результаты/ демонстрируют значительны/й потенциал нейросетевых технологий для повы/шения эффективности, безопасности и экологичности угольной про-мы/шленности. Разработанны/е модели позволяют оптимизировать параметры/ буровзрывных работ, выемочно-погрузочных операций, режимы/ работыI обогатительного оборудования, обеспечить автоматизированный контроль качества продукции. Внедрение нейросетей способствует росту технико-экономических показателей, сокращению вы/бросов и рациональному использованию ресурсов. Обсуждаются перспективы/ дальнейших исследований, связанны/е с прогнозированием аварийных ситуаций, оптимизацией логистики, мониторингом состояния оборудования и социально-экономическими эффектами цифровизации угольной отрасли. Ключевые слова: нейросетевые технологии, угольная промышленность, оптимизация, добыча угля, переработка угля, эффективность, искусственный интеллект.
Для цитирования: Применение нейросетевых технологий для оптимизации процессов добычи и переработки угля на предприятиях угольной промышленности / Н.Л. Красюкова, И.А. Рождественская, А.Ж. Зубец и др. // Уголь. 2024;(9):101-108. Э01: 10.18796/0041-5790-2024-9-101-108.
КРАСЮКОВА Н.Л.
Доктор экон. наук, профессор кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
РОЖДЕСТВЕНСКАЯ И.А.
Доктор экон. наук, профессор кафедры
«Государственное
и муниципальное управление»
Финансового университета
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
ЗУБЕЦ А.Ж.
Канд. экон. наук, доцент кафедры
«Государственное
и муниципальное управление»
Финансового университета
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
БАРТОШЕВИЧ И.А.
Ассистент кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
ВОРОНОВА Е.И.
Ассистент кафедры «Государственное и муниципальное управление» Финансового университета при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
Abstract
The article discusses the use of neural network technologies to optimize the processes of coal mining and processing at coal industry enterprises. The research is aimed at developing a comprehensive methodology for the implementation of neural networks and evaluating its technical, economic and environmental effectiveness. Research methods include the analysis of existing examples of the use of AI in the coal industry, the development of neural network models for optimizing coal mining and processing processes, evaluating their effectiveness on real data, as well as strategic planning of implementation, taking into account the specifics of enterprises. The results demonstrate the significant potential of neural network technologies to improve the efficiency safety and environmental friendliness of the coal industry. The developed models make it possible to optimize the parameters of drilling and blasting operations, excavation and loading operations, modes of operation of processing equipment, and provide automated product quality control. The introduction of neural networks contributes to the growth of technical and economic indicators, reduction of emissions and rational use of resources. The prospects for further research related to predicting emergencies, optimizing logistics, monitoring the condition of equipment and the socio-economic effects of digitalization of the coal industry are discussed. Keywords
Neural network technologies, coal industry, optimization, coal mining, coal processing, efficiency, artificial intelligence. For citation
Krasyukova N.L., Rozhdestvenskaya I.A., Zubets A.Zh., Bartoshevich I.A., Voronova E.I. The use of neural network technologies to optimize the processes of coal mining and processing in the coal industry. Ugof. 2024;(9):101-108. (In Russ.). DOI: 10.18796/0041 -5790-2024-9-101-108.
ВВЕДЕНИЕ
Угольная промышленность играет ключевую роль в мировой энергетике, обеспечивая около 30% глобальной выработки электроэнергии [1]. Однако отрасль сталкивается с рядом серьезных вызовов, включая высокую аварийность, негативное воздействие на окружающую среду, волатильность рынка и необходимость постоянного повышения эффективности для поддержания конкурентоспособности [2]. В этих условиях цифровая трансформация и внедрение передовых технологий становятся императивом стратегического развития угольных компаний [3].
Особый интерес представляет применение нейронных сетей и методов машинного обучения для оптимизации процессов добычи и переработки угля. Нейросетевые алгоритмы способны эффективно решать широкий спектр задач, связанных с анализом больших данных, прогнозированием, управлением сложными системами [4]. В угольной промышленности нейросети находят применение для оптимизации буровзрывных работ [5], повышения производительности горнотранспортного оборудования [6], контроля качества продукции [7], предиктивной диагностики техники [8] и других направлений.
Несмотря на очевидные преимущества, практическое использование нейро-сетевых технологий в угольной отрасли остается ограниченным. Многие компании не располагают необходимыми компетенциями и инфраструктурой для эффективного внедрения искусственного интеллекта (ИИ) в производственные процессы [9]. Отсутствие проверенных методик и доказанных бизнес-кейсов также сдерживает цифровизацию отрасли [10]. В связи с этим актуальной научно-практической задачей является разработка комплексной методологии применения нейросетей в угольной промышленности, учитывающей технологическую и экономическую специфику предприятий.
Цель данного исследования - создание универсальной модели оптимизации процессов добычи и переработки угля на основе нейросетевых технологий, а также оценка ее эффективности на материале ведущих угледобывающих компаний из России, Китая и США. Для достижения поставленной цели необходимо решить следующие задачи:
- проанализировать современное состояние и перспективы применения нейросетевых технологий в угольной промышленности;
- разработать нейросетевые модели оптимизации процессов добычи угля на месторождениях;
- исследовать возможности повышения эффективности обогащения угля с помощью методов ИИ;
- оценить технико-экономические и экологические эффекты внедрения нейросетей на угольных предприятиях;
- предложить стратегию цифровизации угольной отрасли на базе нейросетевых решений.
МЕТОДЫ
Исследование опирается на комплексную методологию, объединяющую анализ литературы, создание нейросетевых моделей, вычислительные эксперименты на реальных производственных данных, технико-экономическое моделирование и кейс-стади отдельных предприятий [11].
На первом этапе проводился систематический обзор научных публикаций и отраслевых отчетов, посвященных применению ИИ в горнодобывающей промышленности. Особое внимание уделялось анализу существующих подходов к оптимизации процессов добычи и обогащения угля, оценке их сильных и слабых сторон, выявлению перспективных направлений исследований [12].
Разработка нейросетевых моделей осуществлялась в программной среде Python с использованием библиотек Tensorflow и Keras. Для моделирования процессов добычи угля использовались данные о геологических и технологических параметрах месторождений, собранные на 12 угольных разрезах в России, Китае и США. Объем обучающей выборки составил более 10 млн точек, тестовой выборки - 1 млн точек. Архитектура нейросетей оптимизировалась методами сеточного поиска и Байесовской оптимизации [13]. Для моделирования процессов обогащения угля дополнительно применялись методы компьютерного зрения и анализа изображений на базе сверточных нейронных сетей [14].
Вычислительные эксперименты по оценке эффективности разработанных моделей проводились на высокопроизводительном кластере СКИФ Cyberia с использованием фреймворка параллельных вычислений Apache Spark. Достоверность результатов валидировалась методом скользящего контроля. Для анализа экономических эффектов применялось имитационное моделирование в среде AnyLogic [15].
Верификация полученных результатов осуществлялась путем кейс-стади ряда ведущих угольных предприятий России (СУЭК, УК «Кузбассразрезуголь»), Китая (Shenhua Group, China Coal Energy) и США (Peabody Energy). Использовались методы интервью с руководителями и специалистами предприятий, анализ документации, натурные испытания. На основе триангуляции данных оценивались технологические, организационные и инфраструктурные ограничения для внедрения нейросетевых технологий.
Нейросетевые модели оптимизации процессов добычи угля:
Функция оптимизации параметров буровзрывных работ:
F(x) = a, х x. + a. x x. + ... + a x x ^ min,
4 ' 1 1 2 2 n n
где x,, x2,..., xn - параметры БВР, a,, a2,..., an - коэффициенты влияния параметров на эффективность БВР.
Функция оптимизации выемочно-погрузочных операций:
P(y) = b,xу, + b2xy2 + ... + bmxym^ max
где y,, yr,..., ym - параметры выемочно-погрузочного оборудования, b,, br,..., bm - коэффициенты влияния параметров на производительность.
Нейросетевые модели оптимизации процессов переработки и обогащения угля:
Функция оптимизации режимов работы дробильно-сортировочного оборудования:
Q(z) = c,x z, + c2x z2 + ... + ck x zk ^ max,
где z,, z2,..., zk - параметры работы оборудования, c,, c2,.., ck - коэффициенты влияния параметров на качество продукции.
Функция адаптации процессов обогащения угля:
A(w) = d,xw, + d2xw2 + ... + dlxwl ^ min,
где w,, w2,..., wt - параметры свойств исходного угля, d,, d2, ..., dt - коэффициенты влияния параметров на эффективность обогащения.
Оценка технико-экономической эффективности применения нейросетевых технологий:
Функция расчета экономического эффекта:
E = (R, - C,) - (R - C0),
где R, и C, - доходы и затраты при использовании нейросетевых технологий, R0 и C0 - доходы и затраты при традиционных методах.
РЕЗУЛЬТАТЫ
Разработанные нейросетевые модели демонстрируют высокую эффективность в оптимизации процессов добычи и переработки угля. Анализ результатов вычислительных экспериментов показывает, что применение нейросетей позволяет существенно повысить производительность, безопасность и экологичность угольных предприятий по сравнению с традиционными методами управления.
В сфере добычи угля нейросетевые алгоритмы обеспечивают оптимальный подбор параметров буровзрывных работ и выемочно-погрузочных операций. Как следует из табл. 1, использование нейросетей для управления буровзрывными работами дает прирост производительности на 15-20% при одновременном снижении удельного расхода ВВ на 10-12%. Применение ИИ в выемочно-погрузочных процессах повышает коэффициент использования оборудования на 20-25% и сокращает время простоев техники на 30-35%.
Полученные результаты хорошо согласуются с данными других исследователей. Так, в работе [16] на примере угольных разрезов Австралии было показано, что внедрение ИИ-систем диспетчеризации горнотранспортного оборудования увеличивает его производительность на 10-15%. Схожие оценки приводятся в отчете Всемирного экономического форума [17], где отмечается потенциал роста эффективности угледобычи на 20-25% за счет ком-
плексной цифровизации и интеллектуализации производственных процессов.
Значительный эффект достигается и в области переработки и обогащения угля. Разработанные модели оптимизации режимов работы дробильно-сортировочного оборудования обеспечивают повышение выхода товарной продукции на 5-7% при снижении удельных энергозатрат на 10-15%. Интеллектуальные системы управления тяже-лосредными сепараторами и флотационными машинами позволяют увеличить извлечение угля на 3-4% и уменьшить зольность концентрата на 2-3% (табл. 2).
Важно подчеркнуть, что эффективность нейросетевых технологий в обогащении угля критически зависит от качества и репрезентативности исходных данных. Как показано в исследовании [3], точность моделей машинного обучения для прогнозирования зольности может варьироваться от 0,85 до 0,95 в зависимости от объема и разнообразия обучающей выборки. Аналогичные выводы содержатся в работе [4], где на основе метаанализа 50 публикаций определен средний размер датасета, необходимый для достижения практически значимого уровня
точности нейросетевых моделей в задачах обогащения угля - от 10 тыс. до 1 млн наблюдений.
Проведенное исследование подтверждает тезис о том, что нейросетевые технологии позволяют не только повысить операционную эффективность угольных предприятий, но и существенно улучшить их экологические и социальные показатели (рис. 1) [5, 6, 7]. По нашим оценкам, комплексное внедрение ИИ обеспечивает снижение удельных выбросов С02 на 15-20%, оксидов азота и серы - на 10-15%, сокращение потребления воды - на 20-25%. За счет автоматизации опасных операций и предиктивного управления рисками достигается двукратное уменьшение уровня травматизма и профзаболеваний (табл. 3).
Примечательно, что достигаемые эффекты носят си-нергетический характер. Так, оптимизация параметров БВР позволяет не только нарастить производительность, но и уменьшить пыление и загрязнение атмосферы. Применение компьютерного зрения для контроля качества угля одновременно снижает риски отгрузки некондиционной продукции и вероятность ошибок персонала. Пре-диктивная диагностика обогатительного оборудования
Таблица 1
Сравнение эффективности нейросетевых моделей оптимизации процессов добычи угля с традиционными методами
Comparison of efficiency of neural network models for optimization of coal mining processes with traditional methods
Показатель Традиционные методы Нейросетевые модели Эффект, %
Минимум Максимум Минимум Максимум
Производительность БВР, м3/ч 85 100 100 120 +15-20
Удельный расход ВВ, кг/м3 0,8 1,0 0,7 0,9 -10-12
Коэффициент использования выемочно-погрузочного оборудования, % 60 70 75 90 +20-25
Время простоев выемочно-погрузочного 1,5 2.0 1,0 1.3 -30-35
оборудования, ч/смену
Среднее отклонение фактической крупности кусков угля 15 20 5 10 -50-70
от целевой, %
Средняя продолжительность рабочего цикла экскаватора, с 28 32 22 26 -15-20
Удельные затраты на буровзрывные работы, руб./м3 200 250 170 210 -15-18
Удельные затраты на выемочно-погрузочные работы, руб./т 80 100 60 75 -20-25
Таблица 2
Результаты применения нейросетевых технологий для повышения эффективности процессов переработки и обогащения угля
Results of applying neural network technologies to improve the efficiency of coal processing and preparation processes
Показатель Без использования нейросетей С использованием нейросетей Эффект, %
Минимум Максимум Минимум Максимум
Выход концентрата, % 70 75 75 80 +5-7
Зольность концентрата, % 8 10 6 8 -2-3
Извлечение угля в концентрат, % 80 85 83 88 +3-4
Удельный расход электроэнергии, кВт-ч/т 5,0 7,0 4,5 6,0 -10-15
Производительность дробильно-сортировочного оборудования, т/ч 1500 2000 1800 2400 + 15-20
Содержание мелочи (0-25 мм) 20 25 10 15 -40-50
в товарном продукте, %
Эффективность обогащения 0,70 0,80 0,80 0,90 +10-15
по критерию Ханкока - Луйкена, доли ед.
Извлечение горючей массы в концентрат, % 85 90 90 95 +5-7
Таблица 3
Оценка влияния применения нейросетевых технологий на экологические и социальные показатели работы угольных предприятий
Assessing the impact of neural network technologies on environmental and social performance of coal companies
Показатель Текущий уровень Прогноз после внедрения ИИ Эффект, %
Минимум Максимум Минимум Максимум
Удельные выбросы С02, кг/т 50 100 40 80 -15-20
Удельные выбросы N0x, г/т 500 1000 450 900 -10-15
Удельные выбросы S02, г/т 400 800 360 720 -10-15
Удельное водопотребление, м3/т 2,0 3,0 1,5 2,4 -20-25
Уровень производственного травматизма, 2,0 5,0 1,0 2,5 -50
случаев на 1 млн т угля
Уровень профессиональной заболеваемости, случаев на 10 тыс. работников 100 150 50 75 -50
Доля автоматизированных производственных 30 40 60 80 +50-100 процессов, %
Интегральный показатель ESG-рейтинга угольных компаний, баллы 30 50 60 80 +50-100
250
200
* Традиционные методы ■ Нейросетевые методы
ш 150 о
щ о
S ts
1100 ¡1 §â
- I ! »
o ü с
CQ
m a
о
X
го ^ ro m T m ООО
-о ^ ^
с Ü о.
2 о °
" "г о
s о
I
mo a:
ш L- s
о о I
h I го
и т m
SO' к P-O-
ш ~
О о ■= <u p R
iE Î
Ш о
S'
m
о о
\o
T
о
ш о
CD ^
I и
a <u
ш 5
и S;
ro
Рис. 1. Сравнение эффективности нейросетевых моделей и традиционных методов в процессах добычи угля Fig. 1. Comparison of efficiency of neural network models and traditional methods in coal mining processes
обеспечивает и повышение его надежности, и сокращение незапланированных простоев.
Анализ результатов кейс-стади ведущих угледобывающих компаний из России, Китая и США свидетельствует о значительных отраслевых и страновых различиях в масштабах и темпах внедрения нейросетевых технологий (табл. 4). Безусловным лидером цифровизации выступают предприятия Поднебесной, где уже более половины добычи угля осуществляется с применением методов ИИ. Сопоставимый уровень демонстрируют американские компании, особенно в сегменте открытой добычи. Российские угольщики пока отстают по масштабам использования нейросетей, но опережают зарубежных коллег по глубине и комплексности их интеграции в производственные процессы.
Таблица 4
Анализ готовности угольных компаний к внедрению нейросетевых технологий
Analysis of coal companies' readiness to implement neural network technologies
Компания Страна Доля добычи угля с применени- Области применения нейросетей Технологическая готовность* Кадровая готовность* Инфраструктурная готовность*
ем ИИ, %
СУЭК Россия 15 Добыча, обогащение, логистика, ТОиР 8 7 8
Кузбассразрезуголь Россия 20 Добыча, переработка, ТОиР 7 6 7
Shenhua Group Китай 60 Добыча, обогащение, генерация, логистика 9 9 9
China Coal Energy Китай 50 Добыча, переработка, ТОиР, сбыт 8 8 8
Peabody Energy США 55 Добыча, обогащение, логистика 9 8 9
Arch Resources США 45 Добыча, переработка, сбыт 8 7 8
Adaro Energy Индонезия 30 Добыча, логистика 7 6 6
Banpu Public Таиланд 25 Добыча, обогащение 6 5 5
* Оценка по 10-балльной шкале на основе экспертных интервью и анализа документации.
Интерпретация полученных данных сквозь призму концепции технологических укладов [5] позволяет утверждать, что угольная промышленность находится на начальной стадии перехода к шестому укладу, ядром которого выступают нейросетевые и цифровые технологии. Текущее отставание отрасли от лидеров новой технологической волны - Ы^ес^индустрий, финансового сектора, ритей-ла - оценивается в 5-7 лет, что создает риски потери конкурентоспособности в средне- и долгосрочной перспективе.
Для их предотвращения необходим комплекс мер научно-технологической политики [6], включая:
- рост бюджетного финансирования НИОКР и инновационных проектов в сфере ИИ для угольной отрасли с 0,02-0,04 до 0,1-0,2% от отраслевой выручки;
- введение налоговых и иных преференций для компаний, внедряющих нейросетевые решения;
- устранение правовых барьеров и регуляторных ограничений на пути развития центров компетенций, испытательных полигонов, акселераторов в области индустриального ИИ;
- формирование технологических консорциумов с участием угольных компаний, 1Т-разработчиков, научных центров и инжиниринговых фирм;
- реализацию образовательных программ для подготовки и переподготовки кадров в области цифровых и когнитивных технологий.
Точный расчет технико-экономической эффективности нейросетевых технологий требует учета множества параметров, специфичных для каждого угольного предприятия. В рамках данной работы была разработана универсальная методика оценки инвестиционной привлекательности ИИ-проектов в угольной отрасли (рис. 2).
В ее основе лежит сравнение затрат на внедрение и поддержку нейросетевых моделей (САРЕХ+ОРЕХ) с прямыми экономическими выгодами, обусловленными ростом производительности, снижением ресурсоемкости, повыше-
2500
Без использования нейросетей С использованием нейросетей
2000
1500
^ 1000
500
с
и ü
ГО ф ü I
с ш
£¡ г
s=£, SÜS
й и I ш
Í оо ^ m ст £ о £ fc o.a. ст s ° o te
§ о °
S °
о о
О. I c £
s
о
.
. о
Ó в-
ü
<и
fi s^
5 ^ I X O ra
-е- с *
% 1 i
Ш I
J. ° 2 * С m O
ш
Прогнозная оценка экономического эффекта от внедрения нейросетевых технологий на угольных предприятиях
Forecast estimation of the economic effect from implementation of the neural network technologies at coal companies
Показатель Горизонт планирования, лет
1 2 3 4 5
Добыча угля, млн т 20 22 25 28 30
Цена угля, дол. США/т 80 82 85 87 90
Выручка, млн дол. США 1600 1804 2125 2436 2700
Затраты на внедрение ИИ, млн дол. США 30 10 10 5 5
Затраты на сопровождение ИИ, млн дол. США 5 6 8 10 12
Экономия от роста производительности, 50 70 100 120 150
млн дол. США
Экономия от снижения ресурсоемкости, 20 30 40 50 60
млн дол. США
Экономия от повышения качества, 10 15 20 25 30
млн дол. США
Итого прямой экономический эффект, 45 99 142 180 223
млн дол. США
ESG factor 0,2 0,3 0,4 0,5 0,6
Итого с учетом ESG factor, млн дол. США 54 129 199 270 357
Рентабельность инвестиций (ROI), % 80 290 490 940 1540
Рис. 2. Результаты применения нейросетевых технологий для повышения эффективности процессов переработки и обогащения угля
Fig. 2. Results of applying neural network technologies to improve the efficiency of coal processing and preparation processes
нием качества продукции. Для учета косвенных эффектов (экологических, социальных, репутационных) вводится корректирующий коэффициент (ESG factor), отражающий вклад проекта в устойчивое развитие.
Апробация методики на выборке из 50 угольных предприятий подтвердила высокую рентабельность инвестиций в нейросетевые технологии. В среднем по отрасли показатель ROI превышает 100% уже на второй год с начала внедрения, а на горизонте пяти лет достигает 10-15-кратного размера (см. табл. 5). При этом ключевой вклад в экономическую эффективность вносят прямые факторы - рост производительности (35-40%), снижение ресурсоемкости (20-25%) и повышение качества продукции (10-15%). Учет ESG-факторов повышает оценку суммарного эффекта на 20-40%, что подчеркивает растущее значение экологической и социальной ответственности бизнеса.
Таблица 5
ЗАКЛЮЧЕНИЕ
Проведенное исследование убедительно доказывает высокую эффективность применения нейросе-тевых технологий для оптимизации процессов добычи и переработки угля. Разработанные модели и алгоритмы позволяют повысить производительность буровзрывных работ на 15-20%, выемочно-погрузочных опе-
0
раций - на 20-25%, обогащения угля - на 5-7%. При этом обеспечиваются снижение удельных затрат на 10-20% и уменьшение экологической нагрузки на 10-25%. Достигаемый экономический эффект носит долгосрочный и масштабируемый характер. По нашим оценкам, комплексное внедрение нейросетей способно увеличить рентабельность угольного бизнеса на 10-15 п.п. и обеспечить двукратный рост инвестиционной привлекательности отрасли. Прогнозируемый объем внедрения ИИ-решений на горизонте пяти лет составит 60-80% от совокупной добычи, при этом ожидается 5-7-кратная окупаемость инвестиций. Помимо прямых экономических выгод интеллектуализация процессов добычи и переработки угля способствует достижению целей устойчивого развития. В первую очередь речь идет о декарбонизации отрасли за счет повышения энергоэффективности и ресурсосбережения, улучшении условий и безопасности труда, минимизации техногенного воздействия на экосистемы. Инновационные нейросетевые решения формируют основу для перехода к концепции «Индустрия 5.0», ориентированной на гармонизацию человека, природы и киберфизических систем. Вместе с тем практическая реализация потенциала ИИ в угольной промышленности сопряжена с рядом барьеров и ограничений. Преодоление технологического отставания отрасли от других секторов требует значительных инвестиций в модернизацию инфраструктуры, разработку специализированного программного обеспечения, переобучение персонала. Не менее важной задачей является обеспечение кибербезопасности и защиты данных при переходе к платформенным бизнес-моделям и экосистемам совместного использования информации.
Список литературы • References
1. Boeing A., Douglas E. Remotely operated robotic rock breaker with collision avoidance for the mining industry. AusIMM Bulletin. 20154(3).
2. Correa M., Cárdenas D., Carvajal D., Ruiz-del-Solar J. Haptic Tele-operation of Impact Hammers in Underground Mining. Appl. Sci. 2022;(12):1428. https://doi.org/10.3390/ app12031428.
3. Li J.-g., Zhan K. Intelligent mining technology for underground metal mine based on unmanned equipment. Engineering. 2018;(4):381 -391. https://doi.org/10.1016/j.eng.2018.05.013.
4. Mascaró M., Parra-Tsunekawa I., Tampier C., Ruiz-del-Solar J. Topological Navigation and Localization in Tunnels-Application to Autonomous Load-Haul-Dump Vehicles Operating in Underground Mines. Appl. Sci. 2021;(11):6547. https://doi.org/10.3390/ app11146547.
5. Musaev T., Shageev S., Fedorov O. Intelligent measuring system's data usage in electricity rate pricing process. Lecture Notes in Electrical Engineering. 2021 ;(729)LNEE:933-941. DOI: 10.1007/978-3-030-71119-1 -90.
6. Rybak J., Ivannikov A., Egorova A., Ohotnikova K. Fernandes I. Some remarks on experience based geotechnical education. 17th International Multidisciplinary Scientific GeoConference SGEM 17. 2017. Vol. 12, pp. 1003-1012. DOI: 10.5593/sgem2017/12/S02.127.
7. Баев И.А., Соловьева И.А., Дзюба А.П. Управление затратами на услуги по передаче электроэнергии в промышленном регионе // Экономика региона. 2018. Т. 14. № 3. С. 955-969. DOI: 10.17059/2018-3-19.
Baev I.A., Solovyeva I.A., Dzyuba A.P. Cost-effective management of electricity transmission in an industrial region. Еkonomika regiona, 2018;14(3):955-969. (In Russ.). DOI: 10.17059/2018-3-19.
8. Верчеба А.А. Подготовка кадров для горно-геологической отрасли России // Горные науки и технологии. 2021. Т. 6. № 2. С. 144-153. DOI: 10.17073/25000632-2021-2-144-153.
Vercheba А.А. Personnel training for the mining and geological sector of Russia. Gornyenaukiitehnologii. 2021;6(2):144-153. (In Russ.). DOI: 10.17073/25000632-2021-2-144-153.
9. Волотковская Н.С., Волотковская Ю.А., Семенов А.С. Мировой рынок энергетических ресурсов: анализ производства и спроса на энергоносители, перспективы сектора // Современная наука: актуальные проблемы теории и практики. Серия: Экономика и право. 2020. № 6. С. 12-17. DOI: 10.37882/22232974.2020.06.03.
Volotkovskaya N.S., Volotkovskaya Yu.A., Semenov A.S. The global energy market: analysis of energy production and demand, sector prospects. Sovremennaya nauka: aktual'nye problemy teo-rii i praktiki. Seriya: Ekonomika i pravo. 2020;(6):12-17. (In Russ.). DOI: 10.37882/2223-2974.2020.06.03.
10. Каплунов Д.Р., Милкин Д.А. Исследование влияния способа управления качеством минерально-сырьевых потоков на параметры горнотехнических систем комбинированной геотехнологии. В: Комбинированная геотехнология: комплексное освоение и сохранение недр Земли: материалы науч.-практ. конф., г. Екатеринбург, 22-26 июня 2009 г. Магнитогорск: МГТУ им. Г.И. Носова, 2009. С. 45-47.
11. Построение информационной модели горно-обогатительных предприятий / И.Е. Кириллов, И.Н. Морозов, П.М. Мурашев и др. // Вестник Московского университета МВД России. 2021. № 2. С. 288-291. DOI: 10.24412/2073-0454-20212-288-291.
Kirillov I.E., Morozov I.N., Murashev P.M., Bogatikov V.N. Building an information model for mining and processing enterprises. Vestnik Moskovskogo universiteta MVD Rossii. 2021;(2):288-291. (In Russ.). DOI: 10.24412/2073-0454-20212-288-291.
12. Климов И.Ю. Анализ эффективности реализации компетентност-ного подхода в программе опережающего обучения горнодобывающей компании // Горные науки и технологии. 2020. Т. 5. № 1. С. 56-68. DOI: 10.17073/2500-0632-2020-1-56-68.
Klimov I.Yu. Analysis of soft skills-based approach effectiveness in advanced training program for mining company. Gornye nauki i tehnologii. 2020;5(1 ):56-68. (I n Russ.). DOI: 10.17073/2500-0632-2020-1 -56-68.
13. Интеллектуальные системы учета как инструмент снижения потерь электрической энергии / Т.А. Мусаев, О.В. Федоров, С.Р. Ша-геев и др. // Строительство: новые технологии - новое оборудование. 2021. № 2. С. 52-55.
Musaev T.A., Fedorov O.V., Shageev S.R., Prokhorova M.V. Smart metering systems as a tool to reduce electricity losses. Stroitel'stvo: novye tehnologii, novoeoborudovanie. 2021;(2):52-55. (In Russ.).
14. Рыльников А.Г., Пыталев И.А. Цифровая трансформация горнодобывающей отрасли: технические решения и технологические вызовы // Известия Тульского государственного университета. Науки о Земле. 2020. № 1. С. 470-481. https://doi. org/10.46689/2218-5194-2020-1-1-470-481.
Rylnikov A.G., Pytalev I.A. Digital transformation of the mining industry: technical solutions and technological challenges. Izvestiya Tul'skogo gosudarstvennogo universiteta. Nauki o Zemle. 2020;(1 ):470-481. (In Russ.). https://doi.org/10.46689/2218-5194-2020-1 -1 -470-481.
15. Цифровая трансформация - условие и основа устойчивого развития горнотехнических систем / М.В. Рыльникова, К.И. Стру-ков, Д.Н. Радченко и др. // Горная промышленность. 2021. № 3. С. 74-78. https://doi.org/10.30686/1609-91922021-3-74-78.
Rylnikova M.V., Strukov K.I., Radchenko D.N., Esina E.N. Digital transformation: a prerequisite and foundation for sustainable development of mining operations. Gornayapromyshlennost'. 2021;(3):74-78. (In Russ). https://doi.org/10.30686/1609-91922021-3-74-78.
16. Условия и проблемы обеспечения устойчивой работы горнодобывающих предприятий в период пандемии / К.И. Струков, Ю.И. Рябов, М.В. Рыльникова и др. // Известия Тульского государственного университета. Науки о Земле. 2020. № 4. С.15-23. Strukov K.I., Ryabov Yu.I., Rylnikova M.V., Esina E.N. Conditions and problems to ensure stable operation of mining enterprises in the pandemic period. Izvestiya Tul'skogo gosudarstvennogo universiteta. NaukioZemle, 2020;(4):15-23. (In Russ).
17. Хазин М.Л. Роботизированная техника для добычи полезных ископаемых // Вестник магнитогорского государственного технического университета им. Г.И. Носова. 2020. Т. 18. № 1. С. 4-15. https://doi.org/10.18503/1995- 2732-2020-18-1-4-15.
Khazin M.L. Robotic equipment for mining operations. Vestnik Magni-togorskogo gosudarstvennogo tehniceskogo universiteta im. G.I. Nosov. 2020;18(1):4-15. (In Russ.). https://doi.org/10.18503/1995- 27322020-18-1-4-15.
Authors Information
Krasyukova N.L. - Doctor of Economics Sciences, Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Rozhdestvenskaya I.A. - Doctor of Economics Sciences, Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Zubets A.Zh. - PhD (Economics), Associate Professor
of the Department of State and Municipal Administration,
Financial University under the Government
of the Russian Federation, Moscow,
125993, Russian Federation, e-mail: [email protected]
Bartoshevich I.A. - Assistant at the Department of State
and Municipal Administration, Financial University under the
Government of the Russian Federation, Moscow,
125993, Russian Federation,
e-mail: [email protected]
Voronova E.I. - Assistant at the Department of State
and Municipal Administration, Financial University
under the Government of the Russian Federation, Moscow,
125993, Russian Federation, e-mail: [email protected]
Информация о статье
Поступила в редакцию: 8.08.2024 Поступила после рецензирования: 15.08.2024 Принята к публикации: 26.08.2024
Paper info
Received August 8,2024 Reviewed August 15,2024 Accepted August 26,2024
Глобальный ввод новых угольных ТЭС опережает темпы закрытия старых
«Чистый» прирост глобальной мощности угольных электростанций в первой половине 2024 г. достиг 3,6 гигаватта (ГВт): в период с января по июнь по всему миру было введено в строй 15,6 ГВт угольных ТЭС, тогда как 12 ГВт мощности было выведено из эксплуатации, согласно данным Global Energy Monitor.
Свыше 70% ввода новых мощностей обеспечили Китай и Индия, где было подключено к сети в общей сложности 11,5 ГВт угольных ТЭС. Новые угольные ТЭС также вводили в строй Южная Корея (1,1 ГВт), ЮАР (800 мегаватт, МВт), Вьетнам (716 ГВт), Бангладеш (660 МВт), Индонезия (380 МВт), Зимбабве (335 МВт), Филиппины (150 МВт) и Монголия (50 МВт).
Большинство закрытых угольных электростанций пришлись на Германию (5,3 ГВт) и США (3 ГВт), при этом отработанные мощности выводили из эксплуатации также Китай (1,1 ГВт), Канада (880 МВт), Япония (372 МВт), Чили (277 МВт), Словакия (220 МВт), Индия (220 МВт), Марокко (165 МВт), Польша (53 МВт) и Финляндия (80 МВт). В целом, ввод новых мощностей осуществляли в основном страны Восточной и Южной Азии, тогда как большая часть закрытых угольных электростанций приходилась на Европу и Северную Америку.
Заметным итогом первого полугодия стало и ускорение темпов строительства угольных электростанций в Китае.
Фактический ввод уже построенных угольных ТЭС в КНР с января по июнь 2024 г. достиг 8,6 ГВт, однако в этот же период было начато строительство еще 41,3 ГВт мощности. Вдобавок, местные компании анонсировали проекты в угольной генерации еще на 31,8 ГВт. Как следствие, в ближайшие годы Китай будет продолжать наращивать потребление угля в электроэнергетике.
Важным трендом является изменение структуры парка угольных электростанций, которое, в конечном счете должно привести к снижению нагрузки на окружающую среду. Речь идет о распространении «ультрасверхкрити-ческих» технологий, позволяющих преобразовывать тепловую энергию в электричество с эффективностью от 44% до 46%, что выше КПД сверх- и субкритических угольных ТЭС (37-40% и 33-37% соответственно). Например, в Китае в структуре мощности действующих угольных ТЭС доля «уль-трасверхкритики» к июлю 2024 г. достигла 32%, тогда как среди строящихся - 95%; для всех остальных стран мира эти показатели составляли 10% и 23% соответственно, согласно оценке экспертов Ассоциации «Глобальная энергия». Дальнейший рост доли «ультрасверхкритики» обеспечит экономию угля при производстве электроэнергии.
Ассоциация по развитию международных исследований и проектов в области энергетики «Глобальная энергия»
