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.