Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: https://open.mgimo.ru/handle/123456789/23300
Название: Smart Quality Management System of a Digital Enterprise Based on Neural Networks
Интеллектуальная система управления качеством цифрового предприятия на основе нейронных сетей
Авторы: Chernyshev, E.K.
Azarov, V.N.
Chekmarev, A.V.
Чернышев, Е.К.
Азаров, В.Н.
Чекмарев, А.В.
Ключевые слова: neural networks
quality management
digital enterprise
oil product pipelines
deep learning
physics-informed models
real-time optimization
emergency prediction
adaptive systems
нейронные сети
управление качеством
цифровое предприятие
нефтепродуктопроводы
глубокое обучение
физически информированные модели
оптимизация в реальном времени
прогнозирование аварий
адаптивные системы
Дата публикации: 2025
Библиографическое описание: Chernyshev E. K., Azarov V. N., Chekmarev A. V. Smart Quality Management System of a Digital Enterprise Based on Neural Networks. 2025. https://doi.org/10.1109/qmtisit67022.2025.11468789
Чернышев Е. К., Азаров В. Н., Чекмарев А. В. Интеллектуальная система управления качеством цифрового предприятия на основе нейронных сетей. 2025. https://doi.org/10.1109/qmtisit67022.2025.11468789
Аннотация: The article presents an intelligent quality management system of a digital enterprise based on selflearning neural networks for the design of oil product pipelines. The system combines deep learning methods with physics-informed neural network models, which makes it possible to optimize pipeline parameters in real time, predict emergency situations and adapt to changing operating conditions. The proposed approach demonstrates a 30-40% increase in the accuracy of calculations compared to traditional methods while reducing the time spent on design.
В статье представлена интеллектуальная система управления качеством цифрового предприятия на основе самообучающихся нейронных сетей для проектирования нефтепродуктопроводов. Система объединяет методы глубокого обучения с физически информированными моделями нейронных сетей, что позволяет оптимизировать параметры трубопровода в реальном времени, прогнозировать аварийные ситуации и адаптироваться к изменяющимся условиям эксплуатации. Предложенный подход демонстрирует повышение точности расчетов на 30-40% по сравнению с традиционными...
URI: https://open.mgimo.ru/handle/123456789/23300
Располагается в коллекциях:Статьи сотрудников МГИМО во внешних журналах

Файлы этого ресурса:
Нет файлов, ассоциированных с этим ресурсом.


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.