Настоящее исследование посвящено изучению потенциала внедрения нейросетевых алгоритмов в образовательные программы подготовки специалистов в области прогнозирования технического состояния трубопроводных систем. Трубопроводные системы представляют собой критически важные инфраструктурные объекты, требующие постоянного мониторинга и обслуживания. Традиционные методы обучения не позволяют в полной мере сформировать компетенции, необходимые для работы с современными интеллектуальными системами мониторинга. В исследовании разработан и апробирован интегрированный образовательный модуль, основанный на нейросетевых технологиях, который включает теоретические и практические компоненты. Результаты экспериментального внедрения в учебный процесс показали значительное повышение уровня профессиональных компетенций у студентов экспериментальной группы по сравнению с контрольной: средний балл по профильным дисциплинам увеличился на 18,7%, а способность решать сложные диагностические задачи выросла на 23,4%. Анализ данных обратной связи от студентов и преподавателей свидетельствует о повышении мотивации к обучению и более глубоком понимании предметной области. Предложенная модель интеграции нейросетевых алгоритмов в образовательный процесс может быть масштабирована для различных технических дисциплин и уровней образования с учетом специфики предметных областей.
The present study is devoted to studying the potential of introducing neural network algorithms into educational programs for training specialists in the field of forecasting the technical condition of pipeline systems. Pipeline systems are critical infrastructure facilities that require constant monitoring and maintenance. Traditional teaching methods do not allow us to fully develop the competencies necessary to work with modern intelligent monitoring systems. The study developed and tested an integrated educational module based on neural network technologies, which includes theoretical and practical components. The results of the experimental introduction into the educational process showed a significant increase in the level of professional competencies among students in the experimental group compared with the control group: the average score in specialized disciplines increased by 18.7%, and the ability to solve complex diagnostic problems increased by 23.4%. The analysis of feedback data from students and teachers indicates increased motivation to learn and a deeper understanding of the subject area. The proposed model for integrating neural network algorithms into the educational process can be scaled for various technical disciplines and levels of education, taking into account the specifics of the subject areas.