Формализация когнитивного моделирования при разработке систем поддержки принятия проектных решений технологических систем угольных шахт с учетом базовых онтологий
О.Ю. Козлова1, В.В. Агафонов2
1 МИРЭА – Российский технологический университет, г. Москва, Российская Федерация
2 Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация
Russian Mining Industry №5/ 2025 p. 44-48
Резюме: Результаты исследований представляют базовую технологическую, методическую и методологическую платформу решения поставленной проблемы с привлечением и адаптацией новых инновационных основ программно-целевого моделирования функциональных структур технологических систем угольных шахт. Технология угледобычи заявляется в виде самоорганизующейся производственной системы с динамичным развитием, имеющей множество альтернативных вариантов совокупности входных и выходных концептов, позволяющих с определенной долей неопределенности и стохастичности синтезировать рациональную технологическую систему угледобывающего предприятия. Текущее состояние функциональной структуры технологической системы шахты характеризуется конечным набором значений всех ее составляющих концептов (целевых, управляемых и внешних), а для того чтобы охарактеризовать целевое состояние, используется вектор значений составляющих целевых концептов-индикаторов. Блок-схема алгоритма адаптации методологии когнитивного моделирования к процедуре синтеза технологической системы угольной шахты подразумевает выполнение ряда итераций по его внутреннему наполнению с учетом ряда осложняющих факторов и ограничений внешней и внутренней сред функционирования. Эти ограничения имеют объективную и субъективную природу, поэтому должны обладать разными степенями воздействия на проблемные ситуации и процедуральные правила вынесения окончательных суждений в рамках выбора окончательного оптимального варианта функциональной структуры технологической системы угольной шахты с оптимальной стратегией развития в рамках жизненного цикла.
Ключевые слова: угольная шахта, функциональная структура технологических систем, системы поддержки проектных решений, когнитивное моделирование, алгоритм адаптации, целевой концепт, управляемый концепт, внешний концепт, когнитивная карта
Для цитирования: Козлова О.Ю., Агафонов В.В. Формализация когнитивного моделирования при разработке систем поддержки принятия проектных решений технологических систем угольных шахт с учетом базовых онтологий. Горная промышленность. 2025;(5):44–48. https://doi.org/10.30686/1609-9192-2025-5-44-48
Информация о статье
Поступила в редакцию: 03.06.2025
Поступила после рецензирования: 10.07.2025
Принята к публикации: 23.07.2025
Информация об авторах
Козлова Ольга Юрьевна – кандидат технических наук, доцент кафедры высшей математики, МИРЭА – Российский технологический университет, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Агафонов Валерий Владимирович – доктор технических наук, профессор кафедры геотехнологии освоения недр горного института, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Введение
В качестве основной цели когнитивного моделирования при разработке систем поддержки принятия проектных решений технологических систем угольных шахт с учетом базовых онтологий заявляется генерация и проверка конечного множества альтернативных проектных решений устойчивой функциональной структуры технологических систем угольных шахт в современных макроэкономических условиях с учетом рационализации природопользования.
С учетом представленной концепции когнитивного моделирования проблемная ситуация синтеза проектных решений технологических систем угольных шахт, может быть решена посредством представления следующих итерационных процедур [1–4]:
– разработка, формирование и построение модели проблемной ситуации (синтез проектных решений технологических систем угольных шахт) в форме когнитивного представления (модели) – когнитивной карты;
– проведение и перебор ряда модельных альтернативных экспериментов с целью выявления и поиска оптимальных сочетаний проектных решений на базе методов анализа проблемной ситуации – когнитивной карты.
Результаты
Конкретную адаптацию методологии когнитивного моделирования к процедуре синтеза технологической системы угольной шахты можно осуществить на основе блок-схемы алгоритма, представленной на рис. 1.
Рис. 1 Укрупненный алгоритм синтеза устойчивой технологической системы угольной шахты на основе когнитивного моделирования
Fig. 1 A high-level algorithm to synthesize a stable technological system of a coal mine based on cognitive modeling
Блок-схема алгоритма адаптации методологии когнитивного моделирования к процедуре синтеза технологической системы угольной шахты подразумевает выполнение ряда итераций по его внутреннему наполнению с учетом ряда осложняющих факторов и ограничений внешней и внутренней сред функционирования. Эти ограничения имеют объективную и субъективную природу, поэтому должны обладать разными степенями воздействия на проблемные ситуации и процедуральные правила вынесения окончательных суждений в рамках выбора окончательного оптимального варианта функциональной структуры технологической системы угольной шахты с оптимальной стратегией развития в рамках жизненного цикла.
В рамках концепции повышения объективности и достоверности процедуры синтеза проектных решений технологических систем угольных шахт, которые с полным основанием можно отнести к слабоструктурированным системам, что предопределяется высоким уровнем неопределенности исходной горно-геологической и горнотехнической информации с довольно большой областью множества плохо формализуемых конечных целей и оценочных критериев, привлекается когнитивное моделирование, под которым в общем случае понимаются функциональная структуризация и параметризация проектируемого объекта, которые подразумевают формирование и уточнение гипотезы об эффективности его функционирования в условиях определенной функциональной среды с учетом ограничений различной природы [5–8].
Как правило, в его основу закладывается основополагающий элемент, в качестве которого выступает когнитивная карта. В общепринятом представлении она представляет собой ориентированный граф (рис. 2).
Рис. 2 Структура нечеткой когнитивной модели (НКМ) оценки состояния функциональной структуры технологической системы угольной шахты (ориентированный граф)
Fig. 2 The structure of a fuzzy cognitive model (FCM) for assessing the state of the functional structure of the technological system of a coal mine (oriented graph)
Основным предназначением графа является реализация процедуры формализации взаимодействия складывающихся в технологической системе проектируемой угольной шахты основных связей производственного, технологического, технического, организационно-управленческого характера в процессе ее жизненного цикла.
Вершины этого графа трактуются как концепты, а дуги, связывающие вершины, имеют каузальную отрицательную и положительную направленность связи между ними с весовой степенью влияния. В рамках этого для информационного обеспечения этой процедуры используются различные типы данных, представленных в виде неполных, нечетких, вербальных, противоречивых и других шкал. Все это безусловно требует проведения определенного объема междисциплинарных исследований для обобщения, адаптации и согласования представлений различного рода в рассматриваемой предметной области с использованием частных эффективных информативных технологий, направленных на формирование и вынесение четко согласованных коллективных мнений [9–12].
Обобщающие результаты когнитивного моделирования оценки состояния функциональной структуры технологической системы угольной шахты можно обозначить следующим образом: исходя из степени влияния факторов-концептов технологические, технические и организационно-управленческие решения в области повышения устойчивости и эффективности функционирования технологической системы угольной шахты G8, текущее состояние промышленной инфраструктуры G9, производственно-техническая и экономическая эффективность функционирования G6, эффективность функционирования отдельных подсистем угольной шахты (транспорт-подъем, подготовительные и очистные работы, вентиляция и т.д.) G3 – в конечном итоге оказывают превалирующее положительное влияние на общее состояние функциональной структуры технологической системы угольной шахты. Превалирующая степень негативного влияния присуща концепту G4 – потребление материальных ресурсов, необходимых для осуществления основных и вспомогательных производственных процессов.
Если рассматривать второстепенные аспекты взаимовлияния, то в этой области можно отметить следующие тенденции и закономерности: исходя из степени влияния факторов-концептов общее состояние функциональной структуры технологической системы угольной шахты в конечном итоге оказывает превалирующее положительное влияние на эффективность функционирования отдельных подсистем угольной шахты (транспорт-подъем, подготовительные и очистные работы, вентиляция и т.д.) G3, темпы развития функциональной структуры технологической системы угольной шахты G7, G4 – потребление материальных ресурсов, необходимых для осуществления основных и вспомогательных производственных процессов. Необходимо отдельно выделить отрицательную составляющую влияния общего состояния функциональной структуры технологической системы угольной шахты на состояние промышленной инфраструктуры G9.
Основными негативными последствиями упрощения субъектно-формальных методов когнитивного моделирования в рамках формализации и привлечения первичных представлений при этом являются проектные решения с крайне низкой достоверностью, что предопределяется очень большой сложностью интерпретации и адаптации определенных математических конструкций в рамках проблемной области с использованием факторов-переменных нормальной формы в рамках измерительной (оценочной) шкалы. В этом случае основной принцип транзитивности (из А является причиной В, а В – причиной С, следует, что А является причиной С) очень часто трактуется как ложная транзитивность. В рамках этого подхода очень часто используются нечеткие когнитивные карты Б. Коско, В. Силова, нечеткие продукционные когнитивные карты и их разновидности.
В связи с вышеизложенным проблематика когнитивного моделирования технологических систем угольных шахт обусловлена следующими основными составляющими:
– разнородностью и неоднотипностью составляющих компонентов технологических систем, их многообразием и различным функциональным назначением, разнообразием взаимозависимых связей между ними, которые имеют расплывчатый и неустойчивый характер и не поддаются формализованному детализированному описанию в рамках единой функциональной модели;
– невозможностью построения граничной формы системы с учетом ее всевозможных состояний и проблемных ситуаций различного характера;
– невозможностью получения достаточного объема достоверной и объективной исходной информации для построения моделей приемлемой точности;
– информация представлена в этом случае в виде обобщенных экспертных оценок либо в стохастическом эвристическом виде, что не позволяет сформировать исходные аналитические зависимости с достаточным уровнем эмерджментости;
– предварительная оценка системных факторов-концептов производится с использованием различных по своей природе систем шкалирования;
– используемые модели оптимизации не способны учесть все типы неопределенности и рисков недропользования в условиях возможности трансформации технологических систем.
Заключение
Учитывая все вышеизложенное, следует использовать различные модификации когнитивных моделей с совершенно другими интерпретациями элементов графа, которые позволяют избежать этого недостатка. Так, в частности, возможно использование нечетких продукционных карт в рамках данного подхода, которое позволяет решить и обеспечить научно-методическим потенциалом ряд специфических задач, к которым можно отнести: (ниже рассмотрены не задачи)
– полная реализация нечеткого подхода при формировании целевой функции моделирования, в основе которого лежит процедура задания нечеткости концептов алгоритму выявления взаимовлияния факторов-концептов и моделирования динамической составляющей;
– всем концептам присуща количественная интерпретация в режиме сравнения (синглтоны, нечеткие множества, четкие значения и др.);
– предусматривается возможность реализации процедуры передачи степени влияния четких функций ввиду наличия механизма учета нечеткого влияния между концептами-факторами (нечеткое отображение);
– решена проблема казуальности (влияния различных знаковых весов) посредством введения функции принадлежности;
– в динамическую составляющую моделирования введена составляющая учета нелинейности поведения системы при моделировании путем ввода процедуры учета приращений и нечетких состояний, причем при оценке совместного влияния в обязательном порядке учитывается величина сдвига функции принадлежности в рамках координат базового терм-множества.
Не менее актуальным является использование гибридной нечеткой когнитивной модели с параметрической гибридизацией в рамках одной нечеткой технологии. Этот класс представлен нечеткими реляционными когнитивными моделями, которые характеризуются повышенной устойчивостью к формированию негативного возрастания фактора неопределенности проведения операций по преобразованию нечетких чисел и отношений. Присущий этим моделям и введенный в их функциональную структуру процесс моделирования системной динамики обуславливает основные особенности данного подхода, связанные со следующими аспектами:
– с позиций системной динамики на всех этапах моделирования достигается 100%-ное сохранение нечеткого представления значений концептов-факторов;
– с позиций когнитивного подхода достигается 100%-ное обеспечение принадлежности к кластеру нечетких чисел конечных значений и сопутствующих приращений концептов-факторов;
– с позиций обеспечения достаточной объективности и надежности когнитивного моделирования достигается необходимый уровень робастности влияния нечетких механизмов на процесс интегрирования нечетких значений концептов-факторов с учетом всех сопутствующих ограничений (превышение граничных значений концептов, непопадание в область агрегирования и др.).
Список литературы
1. Кретов В.А., Козлова О.Ю. Синтез организационно-технологических, организационно-технических и организационно-управленческих решений, обладающих наибольшим синергическим эффектом в рамках горноперерабатывающего предприятия. Уголь. 2022;(8):108–111. https://doi.org/10.18796/0041-5790-2022-8-108-111 Kretov V.A., Kozlova O.Yu. Synthesis of organizational-technological, organizational-technical and organizationalmanagement solutions that have the greatest synergistic effect within the mining enterprise. Ugol’. 2022;(8):108–111. (In Russ.) https://doi.org/10.18796/0041-5790-2022-8-108-111
2. Волошин В.А., Безносов А.В. Цифровизация производственных процессов на примере угольных шахт. Вестник Сибирского государственного индустриального университета. 2021;(3):31–36. Режим доступа: https://vestnik.sibsiu.ru/jour/article/view/243 (дата обращения: 12.05.2025). Voloshin V.A., Beznosov A.V. Production processes digitalization by the example of coal mines. Bulletin of the Siberian State Industrial University. 2021;(3):31–36. (In Russ.) Available at: https://vestnik.sibsiu.ru/jour/article/view/243 (accessed: 12.05.2025).
3. Зонова Н.О., Сердюк В.С. Разработка алгоритма превентивного регулирования человеческого фактора на угледобывающих предприятиях. Вестник научного центра по безопасности работ в угольной промышленности. 2022;(3):43–53. Zonova N.O., Serdiuk V.S. Development of the human factor preventive regulation algorithm at coal mining enterprises. Bulletin of Research Center for Safety in Coal Industry. 2022;(3):43–53. (In Russ.)
4. Куренков П.В. Симплициальные и мультиплициальные комплексы в мультимодальных транспортных системах. Интеллектуальные технологии на транспорте. 2021;(1):21–34. https://doi.org/10.24412/2413-2527-2021-125-21-34 Kurenkov P.V. Simplicial and multiplicial complexes in multimodal transportation systems. Intellectual Technologies on Transport. 2021;(1):21–34. (In Russ.) https://doi.org/10.24412/2413-2527-2021-125-21-34
5. Старостин А.М., Урбан Г.А., Тованчова Е.Н., Левчук Л.В. Современные энвайроментальные проблемы в глобальном и глокальном контексте. Наука и образование: хозяйство и экономика; предпринимательство; право и управление. 2020;(4):130–135. Starostin A.M., Urban G.A., Tovanchova E.N., Levchuk L.V. Modern environmental problems in a global and glocal context. Science and education: economy and financial economy; entrepreneurship; law and management. 2020;(4):130–135. (In Russ.)
6. Рахимбеков С.М. Критерий адаптации горной технологии. Горный информационно-аналитический бюллетень. 2020;(3):105–113. https://doi.org/10.25018/0236-1493-2020-3-0-105-113 Rakhimbekov S.M. Mining technology adaptation criterion. Mining Informational and Analytical Bulletin. 2020;(3):105–113. (In Russ.) https://doi.org/10.25018/0236-1493-2020-3-0-105-113
7. Захарова Е.Н., Иванова М.В. Когнитивное моделирование процесса обеспечения региональной конкурентоустойчивости. Экономика: вчера, сегодня, завтра. 2022;12(7-1):55–64. Zakharova E.N., Ivanova M.V. Cognitive modeling of the process of ensuring regional competitiveness. Economics: Yesterday, Today and Tomorrow. 2022;12(7-1):55–64. (In Russ.)
8. Петухова М.С. Когнитивное моделирование как инструмент сценарного прогнозирования отрасли растениеводства. Экономический обзор. 2020;(1):25–29. Petukhova M.S. Cognitive modeling as a tool for scenario forecasting of the crop industry. Economic Review. 2020;(1):25–29. (In Russ.)
9. Дышленко С.Г. Когнитивное моделирование в геоинформатике. Науки о Земле. 2020;(1):68–79. Dyushlenko S.G. Cognitive modeling in geoinformatics. Geoscience. 2020;(1):68–79. (In Russ.)
10. Фомченкова Л.В., Фомченков В.П. Применение когнитивного моделирования для обоснования выбора бизнес-модели экономической организации. Прикладная информатика. 2021;16(4):6–20. https://doi.org/10.37791/2687-0649-2021-16-4-6-20 Fomchenkova L.V., Fomchenkov V.P. Cognitive modelling application to business model choice justify of an economic organization. Journal of Applied Informatics. 2021;16(4):6–20. (In Russ.) https://doi.org/10.37791/2687-0649-2021-16-4-6-20
11. Массель А.Г., Пяткова Н.И. Применение методов когнитивного моделирования для анализа угроз энергетической безопасности. Информационные и математические технологии в науке и управлении. 2020;(4):24–33. https://doi.org/10.38028/ESI.2020.20.4.002 Massel A.G., Pyatkova N.I. Application of cognitive modeling methods for energy security threat analysis. Information and Mathematical Technologies in Science and Management. 2020;(4):24–33. (In Russ.) https://doi.org/10.38028/ESI.2020.20.4.002
12. Васильев А.М., Черняховская Л.Р., Вульфин А.М. Моделирование процессов управления инновационной деятельностью в регионе с применением нечетких когнитивных карт. Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2020;(3):15–25. https://doi.org/10.24143/2072-9502-2020-3-15-25 Vasilyev V.I., Chernyakhovskaya L.R., Vulfin A.M. Modeling of innovative activity management processes in the region with use of fuzzy cognitive maps. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics. 2020;(3):15–25. (In Russ.) https://doi.org/10.24143/2072-9502-2020-3-15-25
