Архив статей журнала
Представленная разработка способствует внедрению цифровых технологий в описание процессов нефтехимических предприятий, отвечает потребностям промышленности в быстрых и точных расчетах, сокращает зависимость от дорогостоящих экспериментов и зарубежного программного обеспечения, что делает его актуальным как для науки, так и для реального сектора экономики. Целью исследования является способ расчета вязкости широкой фракции углеводородов с использованием нейронных сетей для повышения точности и эффективности прогнозирования по сравнению с традиционными методами и реализация в виде специализированного программного комплекса. Для оптимизации процесса обучения и ускорения вычислений исходная задача была разделена на несколько более простых подзадач с уменьшенной размерностью параметров, предложенная декомпозиция значительно сократила объем вычислений, что способствует снижению параметричности построенного многослойного полносвязного персептрона и понижению проблематичности процедуры обучения моделей. Для автоматизации сбора информации для обучения многослойного полносвязного персептрона был разработан вспомогательный программный комплекс, формирующий требуемые наборы данных в Unisim. Все построенные нейронные сети обучались на выборках, которые разбивались на обучающее, валидационное и тестовое подмножества по 70, 15 и 15 % от исходного набора соответственно. Потери при обучении не превысили 10-6 при отсутствии переобучения. Работоспособность полученного многослойного полносвязного персептрона дополнительно проверили на производственных данных, не использовавшихся при обучении. Реализация метода осуществлена в виде оригинального специализированного программного комплекса, в котором используется согласованная работа нескольких обученных нейронных сетей для точного расчета вязкости углеводородных смесей. Разработанный программный комплекс доказал свою эффективность и надежность, представляя собой мощный инструмент для расчета вязкости широкой фракции углеводородов при моделировании процессов нефтехимии.
В условиях стремительного роста объёмов грузоперевозок и усложнения логистических процессов особую актуальность приобретает внедрение интеллектуальных технологий, способных адаптироваться к быстро меняющимся требованиям рынка. Одним из таких решений является применение методов машинного обучения на графах для построения рекомендательных систем в логистике. Целью данной работы является исследование возможностей персонализированных графовых моделей, предназначенных для оптимизации логистических процессов за счёт более точного подбора маршрутов, перевозчиков и сопутствующих услуг с учётом индивидуальных предпочтений участников логистической цепочки. В работе исследуется применение графовых методов машинного обучения для построения рекомендательных систем в сфере транспортной логистики с учётом индивидуальных предпочтений пользователей. Предложен подход к персонализации графовых моделей на основе интеграции пользовательских характеристик и динамического пересчёта весов связей в графе. Разработанная модель позволяет оптимизировать логистические процессы, повышая релевантность рекомендаций по выбору маршрутов и перевозчиков. Эффективность предложенного метода подтверждена экспериментальными результатами на реальных данных: достигнуты значения Precision 88 %, Recall 81 % и NDCG 0,94. Представленные результаты демонстрируют преимущества разработанной системы по сравнению с традиционными методами логистического планирования в условиях динамически изменяющейся среды.
Хронические неинфекционные заболевания являются важной медико-социальной проблемой, оказывающей существенное влияние на структуру заболеваемости и смертности населения. Актуальность исследования обусловлена необходимостью повышения точности диагностики, персонализации подходов к профилактике и снижению нагрузки на систему здравоохранения. Цель работы - оценка возможности применения современных методов машинного обучения для прогнозирования вероятности развития повышенного артериального давления у взрослых пациентов, наблюдающихся в условиях поликлинического звена. В работе проанализированы обезличенные карты 1843 пациентов. После предварительной обработки, включающей очистку и нормализацию данных, были исследованы следующие алгоритмы: Random Forest, Gradient Boosting, XGBoost, метод K-ближайших соседей и рекуррентная нейронная сеть LSTM. Для верификации качества построенных моделей применялись метрики точности, полноты, F1-мера и ROC-AUC. Результаты апробации показали, что Gradient Boosting и рекуррентная нейронная сеть LSTM наиболее успешно справились с задачей стратификации выборки: пациенты были корректно распределены на группы с отсутствием заболевания, наличием артериальной гипертензии и повышенным риском ее развития. Были показаны ключевые факторы риска - гиперхолестеринемия, неправильное питание и избыток массы тела. Полученные результаты подтверждают целесообразность и перспективность внедрения инструментов машинного обучения, в частности градиентного бустинга и нейросетевых моделей, в клинические информационные системы с целью автоматизированного скрининга артериальной гипертензии и последующего планирования профилактических мероприятий.
Целью работы является получение адекватного автоматического алгоритма дуговой сварки, использующего методы машинного обучения для мониторинга параметров сварки, прогнозирования дефектов шва и автоматической корректировки настроек с целью повышения качества и надежности сварных соединений. Настоящая работа посвящена созданию алгоритма для автоматизации дуговой сварки методом MIG/MAG с применением технологий машинного обучения, в частности модели Random Forest. Разработанная система направлена на непрерывный контроль таких параметров сварки, как температура шва, сила тока, скорость подачи проволоки, расход защитного газа и ширина шва. Основная задача - прогнозирование вероятности дефектов сварного соединения и автоматическая корректировка параметров для их предотвращения, что способствует повышению прочности и долговечности конструкций. Алгоритм реализован на языке Python с использованием библиотек Numpy, Sklearn и Matplotlib и адаптирован для работы в среде Google Colab, что упрощает проведение экспериментов и анализ данных. В ходе тестирования система продемонстрировала высокую точность предсказания дефектов (100%), подтвержденную метриками классификации и анализом ROC-кривой. Предложенный подход обеспечивает оптимизацию сварочных процессов, минимизацию производственных ошибок и открывает перспективы для адаптации к другим видам сварки, что делает его ценным инструментом для промышленного применения.
В последние годы технологии искусственного интеллекта и машинного обучения стали неотъемлемой частью современного образования и процесса изучения иностранного языка. Цель настоящей статьи - определить основные функции искусственного интеллекта в процессе преподавания иностранного языка в вузе на основе обзора актуальных отечественных и зарубежных публикаций, а также проанализировать потенциал имплементируемых инструментов искусственного интеллекта в методике преподавания испанского языка в Инженерной академии РУДН. В качестве методов исследования были использованы анализ и систематизация инструментов искусственного интеллекта, применяемых в образовательной деятельности зарубежных вузов и вузов России в соответствии с протоколом Preferred Reporting Items for Systematic Reviewsand Meta-Analyses (PRISMA). В результате поиска в структуре списка публикаций была сформирована первичная база из 50 статей, отвечающих искомым характеристикам, за 2020-2024 гг., из них отобраны 25 публикаций с наибольшим количеством цитирований. В статье выделяются основные функции инструментов искусственного интеллекта в изучении иностранного языка и отмечаются преимущества и недостатки их использования. В ходе исследования особое внимание уделено практическому внедрению инструментов с искусственным интеллектом на занятиях по испанскому языку на кафедре иностранных языков Инженерной академии Российского университета дружбы народов имени Патриса Лумумбы.
Процесс сжигания черного щелока в содорегенерационных котлоагрегатах играет ключевую роль в обеспечении замкнутого цикла химической регенерации щелоков на предприятиях целлюлозно-бумажной промышленности. Цель исследования - разработка архитектуры интеллектуальной системы диагностики нарушений процесса сжигания черного щелока с учетом современных тенденций развития автоматизации и цифровизации в рамках концепции «умного производства». Анализ выполнен в соответствии с принципами подготовки обзоров по протоколу PRISMA. Поиск источников проводился в международных и российских базах данных (Scopus, ScienceDirect, SpringerLink, IEEE Xplore, Google Scholar) за период с 2010 по 2024 г. Были проанализированы 127 публикаций, из которых 37 отобраны для включения в список литературы. В ходе обзора классифицированы методы диагностики (моделирование, экспертные системы, машинное обучение, техническое зрение), обобщены их преимущества и ограничения, выделены параметры с высокой диагностической значимостью. Проведено сопоставление подходов по степени адаптивности, чувствительности и применимости в условиях ограниченной наблюдаемости. Предложена модульная архитектура интеллектуальной системы диагностики, объединяющая цифровые и визуальные признаки, с возможностью переобучения и адаптации к реальным условиям эксплуатации. Интеграция методов машинного обучения и технического зрения в SCADA-контур позволяет повысить чувствительность диагностики, своевременно выявлять нарушения и поддерживать устойчивость режима сжигания. Разработанная архитектура может быть использована на предприятиях отрасли для повышения эффективности и надежности работы содорегенерационных котлов.
В статье рассмотрены вопросы анализа и обработки больших массивов метеорологических данных. Целью исследования является обмен опытом в выявлении и корректировке пропущенных и аномальных значений временных рядов метеорологических данных. В рамках исследования разработаны алгоритмы нормализации данных, выявления их индивидуальных и контекстных аномалий, а также корректировки пропущенных и аномальных значений. Особенностями разработанных алгоритмов являются использование модели машинного обучения, основанной на применении деревьев решений, для изучения рядов данных при выявлении пропущенных значений, а также анализ временных и сезонных закономерностей при выявлении индивидуальных и контекстных аномалий на основе специализированных библиотек на языке программирования Python. Разработанные алгоритмы включены в программные модули сервис-ориентированного приложения для получения, обработки и анализа климатических данных при решении сложных мультидисциплинарных научных и прикладных задач экологического мониторинга Байкальской природной территории. Предложенная методика применена для анализа и обработки нескольких временных рядов метеорологических данных, полученных с метеостанций, которые расположены на Байкальской природной территории. Результаты применения методики показали существенное повышение качества обработанных данных, использованных в дальнейшем на практике в задачах моделирования работы автономных энергетических систем инфраструктурных объектов Байкальской природной территории.
В условиях стремительной цифровой трансформации экономики особую актуальность приобретают вопросы повышения эффективности управления цепями поставок на основе внедрения киберфизических систем, выявления закономерности и механизмов влияния киберфизических систем на эффективность логистических операций, а также определения ключевых факторов достижения успешного результата. Исследование основано на анализе эмпирических данных более чем 500 компаний из различных отраслей, дополненном экспертными оценками. В работе использованы методы многомерной статистики и эконометрического моделирования. Установлено, что внедрение киберфизических систем существенно повышает эффективность логистических процессов за счет создания единого цифрового пространства и интеграции физических и информационных потоков. Выявлены ключевые факторы успеха: уровень интеграции систем, инвестиции в информационно-технологическую инфраструктуру, качество данных и цифровые компетенции персонала. Определены основные барьеры внедрения: несовместимость с существующими системами, высокая стоимость решений, проблемы кибербезопасности. Проведенное исследование демонстрирует, что масштабное применение киберфизических систем формирует новую парадигму «умной логистики» в современном мире. Полученные результаты служат надежным ориентиром для разработки стратегий цифровой трансформации и имеют важное значение для развития теории управления логистическими системами.