Это перевод статьи, написанной Клеменсом Демперсом, генеральным директором компании Polar Analytics, и Яном Хендриком Рудтом, руководителем Polar Analytics. Оригинал статьи на английском языке – в нашем блоге.
Внимание: во время моделирования ни одно животное не пострадало.
Даже если ваш бизнес не имеет отношения к сельскому хозяйству или экологии, мы считаем, что наш подход к моделированию может вам пригодиться: посмотрите, как можно использовать интерактивную имитационную модель для более эффективного принятия решений.
Начнем с вопроса: «Зачем строить имитационную модель?» Среди множества разных ответов могут быть следующие:
- чтобы создать точную операционную модель бизнес-процессов (т.е. цифрового двойника);
- для стратегической поддержки принятия решений: где построить склад, каким должен быть страховой запас и т.д.;
- чтобы лучше понимать проблему и находить решение;
- чтобы подкреплять идеи понятной и интерактивной моделью.
Мы считаем, что основная роль имитационного моделирования в поддержке принятия решений. С его помощью менеджеры могут тестировать разные сценарии и находить решения для своих задач в виртуальной среде.
Чаще всего люди отказываются от моделирования, говоря: «у нас недостаточно данных» или «сбор данных займет очень много времени». Поэтому мы выступаем за гибкий подход к построению моделей. Он позволяет в процессе моделирования выявить, какие данные и в каком количестве нужны. И зачастую оказывается, что тех данных, что мы собрали для проекта, будет достаточно.
Давайте рассмотрим модель на основе агрегированных данных. В ней мы делали упор на взаимодействии между процессами.
Модель фермы
Изначально мы разработали эту модель экофермы как интерактивное пособие для сельскохозяйственных выставок. Мы хотели привлечь посетителей и их внимание к проблеме устойчивого развития фермерских хозяйств, занимающихся производством молока.
Описание модели
Мы построили модель молочной фермы, где в сарае содержится от 150 до 450 животных. Они потребляют воду и пищу. Вода накапливается после дождя в водохранилище. Водохранилищем может быть как небольшая плотина, так и река, тем самым давая неограниченный запас воды. На ферме также выращиваются зерновые культуры для коров, а при необходимости фермер может добавить в их рацион дополнительный корм. Произведенное молоко продается на рынке по фиксированной цене в течение года.
Эта модель помогает изучить, какие возможности открывает использование биореактора. В биореактор поступают продукты жизнедеятельности животных и жидкие отходы из сарая. Далее отходы перерабатываются в богатую питательными веществами воду, которой можно удобрять сельскохозяйственные культуры. Эта вода также может пригодиться для разведения рыбы на ферме в будущем, а естественное тепло, вырабатываемое биореактором, поможет поддерживать идеальную для рыбы температуру. Потенциально можно разводить 2 вида рыб: первый – на продажу из-за его высокой коммерческой ценности, а второй – в качестве корма для животных.
Кроме воды в процессе переработки отходов выделяется метан, энергию которого можно использовать для выработки электричества. Это электричество снабжает ферму, а его излишки можно продать в общую сеть.
Изучение модели
Сначала запустим модель с настройками по умолчанию, чтобы рассчитать базовый доход за год для среднестатистической молочной фермы. Модель проработает 365 виртуальных дней и остановится.
Теперь посмотрим, что произойдет, если на ферме появится биореактор. Для этого запустите модель еще на один виртуальный год, нажав на значок запуска в левом нижнем углу экрана запуска.
При каждом повторном запуске модели вы увидите сводку и график предыдущего запуска, а также настройки параметров. Так вы сможете сравнивать разные сценарии.
Обратите внимание, что после внедрения биореактора чистый доход фермы почти удвоился, а выбросы парниковых газов (как CO2, так и NO2) резко сократились.
Во время работы модели на главном экране можно видеть график доступности воды и корма.
Любой период, в течение которого не хватает воды или корма, выделяется красным цветом. С помощью этого графика можно определить, сколько животных можно содержать при определенных количествах корма и воды.
Следует также отметить, что в модели пока не учитываются расходы на строительство и эксплуатацию реактора. Основная причина – разнообразие возможных конструкций реакторов. Чтобы решить эту проблему, в будущей версии модели можно будет добавить возможность расчета себестоимости для универсальной масштабируемой конструкции.
Готовы попробовать вести фермерское хозяйство? Запустите модель фермы на AnyLogic Cloud с разными настройками параметров и посмотрите:
- как количество коров на ферме зависит от запасов воды;
- как изменятся данные на графиках, если включить или выключить биореактор во время работы модели;
- что произойдет, если улучшить качество злаковых культур для корма;
- как продажа электричества в общую сеть повлияет на ваш доход.
Как мы строили модель
В модели мы хотели отразить механизмы работы типичной молочной фермы, чтобы пользователь мог менять параметры и наблюдать, как это отразится на годовом доходе предприятия.
Мы хотели построить упрощенную модель фермы и при этом не потерять связи между ее внутренними процессами. Очень важно было использовать параметры, которые понятны фермерам, и настройки, приводящие к реалистичным результатам.
В данном случае мы работаем с агрегированными данными, поэтому системно-динамический подход к моделированию был очевидным выбором. Но мы также использовали агентное моделирование для других моделей, изучающих проблемы чрезмерного выпаса скота и биогенной нагрузки. Нам нужна была программа, которая поддерживала бы разные подходы к моделированию и нужный уровень абстракции. Мы нашли всё это в AnyLogic.
На наш взгляд, у системно-динамического подхода есть полезная особенность – он помогает строить реалистичные модели, когда у вас есть лишь несвязанные между собой массивы данных. Но в данном случае для моделирования системы мы использовали национальные и международные базы данных.
В работе мы использовали одну из теперь уже скрытых функциональностей AnyLogic, диаграмму действий, чтобы визуально описать производство молока. Всё просто: если у коровы достаточно воды и корма, то в среднем она будет производить 1,47 килограмма сухого молока в день.
Каждое животное также потребляет определенное количество воды и пищи в день, поэтому количество коров, которых вы можете держать в загоне, ограничено.
Мы также предположили в модели, что коровы перестанут производить молоко, когда пища и вода будут ниже определенного уровня. Как только они снова станут доступны, производство молока возобновится. Хотя в реальной жизни все происходит не совсем так, в данном случае такое упрощение допустимо. Если ресурсов недостаточно, фермер будет продавать животных, но в нашей модели он может просто добавить корм.
На диаграмме справа вы видите наш механизм системной динамики, который управляет моделью. Элементы диаграмм потоков и накопителей визуально разделены на блоки: для моделирования производства молока, энергии и сельскохозяйственных культур, работы биореактора, разведения рыбы, получения прибыли и выброса парниковых газов.
Фиолетовые линии указывают на зависимость от количества крупного рогатого скота, а зеленые линии – на элементы модели, на которые влияет включение биореактора.
В модели в AnyLogic Cloud можно настроить эксперименты варьирования параметров или Монте-Карло.
Если AnyLogic установлен на вашем компьютере, вы можете запустить оптимизационный эксперимент с помощью встроенного оптимизатора OptQuest. С помощью этого эксперимента вы можете найти количество коров, необходимое для получения максимальной прибыли при заданных ограничениях на ресурсы.
Для проекта клиента мы бы использовали эти эксперименты и оптимизаторы, но в нашем случае мы сделали модель более интерактивной. Мы хотели, чтобы вы могли моделировать несколько лет в рамках одной модели и вручную настраивать параметры.
Взаимодействуя с моделью, вы научитесь понимать работу фермы. Это, в свою очередь, поможет вам принимать обоснованные решения для управления бизнесом в сельскохозяйственной отрасли. Наконец, интерактивность модели помогает выявлять проблемы в работе реальной системы и находить подходящие решения.
Как видите, моделирование – ключевой инструмент для понимания работы системы.
Другие наши работы по моделированию в сфере экологии
Модель экономики замкнутого цикла
Мы разработали экспериментальную модель «Экономика замкнутого цикла» для проекта регионального развития на примере одного посёлка.
Посёлок, с одной стороны, зависит от местных промышленных предприятий, из-за которых может загрязняться водоем, с другой – привлекает туристов, которые приезжают, чтобы отдохнуть у этого водоема. Туристы приносят доход городу, но также производят отходы, которые попадают на свалку.
Посмотрите работу системы в динамике или прочитайте статью (на англ.).
Обратная логистика с биореактором
В основе этой модели – наш совместный проект с Университетом прикладных наук Хяме (HАМК). Отходы с разных ферм и производств свозятся на переработку в биореакторе. В результате из отходов получаются продукты, представляющие коммерческую ценность.
Расположение ферм и производств, а также тип отходов в модели можно менять, загрузив файл с новыми входными данными. Модель помогает определить, сколько источников отходов нужно, чтобы перерабатывающий завод окупался.
Попробуйте запустить модель или прочитайте о ней статью (на англ.).
Использование земли и пастбищ
Когда животные пасутся на пастбище, они истощают траву и удобряют землю. В зависимости от рельефа местности продукты жизнедеятельности животных могут попадать в реку и увеличивать уровень загрязнения окружающей среды.
В модели животные представлены в виде агентов, которые в течение дня выполняют различные действия. Для перемещения животных в загон и из него, а также для моделирования их поведения в нём используется пешеходная динамика.
В компании Polar Analytics мы разрабатываем модели, которые помогают понять сложные процессы.
AnyLogic позволяет нам работать с тремя основными подходами к моделированию по-отдельности и сочетать их друг с другом. Благодаря такой гибкости мы можем создавать модели, которые:
- отражают знания и ожидания клиента;
- сохраняют научную прозрачность и надежные исследовательские подходы.
