Внедрение нейросетевых алгоритмов в курсы прогнозирования технического состояния трубопроводных систем
Как цитировать
Аннотация
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.
Ключевые слова
Библиографические ссылки
Земенкова М.Ю. Интеллектуальный мониторинг состояния объектов трубопроводного транспорта углеводородов с использованием нейросетевых технологий // Записки Горного института. 2022. Т. 105. С. 115-123.
Корнеев А.М., Суханов А.В., Шипулин И.А. Внедрение технологий искусственного интеллекта в инженерное образование: проблемы и перспективы // Вестник Томского государственного университета. 2021. № 465. С. 174-180.
Мещеряков В.А., Мигранов Л.О., Чигвинцев С.В. Оценка состояния трубопроводов с использованием сверточных нейронных сетей // Энергетика. 2020. Т. 13. № 3. С. 618.
Морозова Н.С., Петров А.А. Адаптивные системы обучения на основе нейросетевых алгоритмов // Образовательные технологии и общество. 2020. Т. 23. № 1. С. 73-83.
Хизгияев В.И., Петров М.Н. Использование современных методов машинного обучения для мониторинга состояния: обзор теории, приложений и последних достижений // Экспертные системы с приложениями. 2023. Vol. 213. C. 118-905.
Шарма Дж.К., Шарма С. Применение моделей искусственных нейронных сетей для мониторинга состояния промышленного вентилятора // International Journal of Intelligent Systems and Applications in Engineering. 2023. Vol. 11. № 10. рр. 574-590.
Chavez H., Chavez-Arias B., Contreras-Rosas S., Alvarez-Rodriguez J.M., Raymundo C. Artificial neural network model to predict student performance using nonpersonal information // Frontiers in education. 2023. Vol. 8.
Gharehbaghi K., McManus K. TIS condition monitoring using ANN integration: an overview // Journal of Engineering, Design and Technology. 2019. Vol. 17. № 1. рр. 204-217.
Li D., Liu J., Wu Z., Wang X. Recurrent neural network-based model for estimating the life condition of a dry gas pipeline // Journal of Loss Prevention in the Process Industries. 2023. Vol. 81. pp. 104- 891.
Li D., Wu Z., Liu J. Прогнозирование остаточного ресурса трубопроводов с использованием рекуррентных нейронных сетей // Научно-технический вестник ОАО «НК «Роснефть». 2022. № 2. С. 78-85.
Li M., Wang X., Wang Y., Chen Y., Chen Y. Study-GNN: A Novel Pipeline for Student Performance Prediction Based on Multi-Topology Graph Neural Networks // Sustainability. 2022. Vol. 14. № 13. рр. 65-79.
Momeni A., Gupta T., Salehi S. Prediction of water pipeline condition parameters using artificial neural networks // Journal of pipeline systems engineering and practice. 2022. Vol. 13. № 4. рр. 203-402.
Siyam N., Alqaryouti O., Abdallah S. Machine learning approaches for prediction and classification of pipeline failures: A systematic literature review // Applied sciences. 2020. Vol. 10. № 14. pp. 37- 49.
Wang L., Xu Y., Shi B. Optimization and intelligent control for operation parameters of multiphase mixture transportation pipeline in oilfield: A case study // Journal of pipeline science and engineering. 2021. Vol. 1. № 4. рр. 367-378.
Zhang T., Bai H., Sun S. Intelligent natural gas and hydrogen pipeline dispatching using the coupled thermodynamics-informed neural network and compressor boolean neural network // Processes. 2022. Vol. 10. № 2.
Загрузки
Опубликован
Выпуск
Раздел
Метрики
Лицензия
Copyright (c) 2025 Управление образованием: теория и практика
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.