Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
https://open.mgimo.ru/handle/123456789/23300Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Chernyshev, E.K. | en |
| dc.contributor.author | Azarov, V.N. | en |
| dc.contributor.author | Chekmarev, A.V. | en |
| dc.contributor.author | Чернышев, Е.К. | ru |
| dc.contributor.author | Азаров, В.Н. | ru |
| dc.contributor.author | Чекмарев, А.В. | ru |
| dc.date.accessioned | 2026-05-25T13:20:10Z | - |
| dc.date.available | 2026-05-25T13:20:10Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | 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 | en |
| dc.identifier.citation | 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 | ru |
| dc.identifier.uri | https://open.mgimo.ru/handle/123456789/23300 | - |
| dc.description.abstract | 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. | en |
| dc.description.abstract | 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... | ru |
| dc.language.iso | en | |
| dc.subject | neural networks | en |
| dc.subject | quality management | en |
| dc.subject | digital enterprise | en |
| dc.subject | oil product pipelines | en |
| dc.subject | deep learning | en |
| dc.subject | physics-informed models | en |
| dc.subject | real-time optimization | en |
| dc.subject | emergency prediction | en |
| dc.subject | adaptive systems | en |
| dc.subject | нейронные сети | ru |
| dc.subject | управление качеством | ru |
| dc.subject | цифровое предприятие | ru |
| dc.subject | нефтепродуктопроводы | ru |
| dc.subject | глубокое обучение | ru |
| dc.subject | физически информированные модели | ru |
| dc.subject | оптимизация в реальном времени | ru |
| dc.subject | прогнозирование аварий | ru |
| dc.subject | адаптивные системы | ru |
| dc.title | Smart Quality Management System of a Digital Enterprise Based on Neural Networks | en |
| dc.title | Интеллектуальная система управления качеством цифрового предприятия на основе нейронных сетей | ru |
| dc.type | journal article | en |
| dc.type | статья | ru |
| publication.article.doi | https://doi.org/10.1109/qmtisit67022.2025.11468789 | |
| dc.identifier.doi | 10.1109/qmtisit67022.2025.11468789 | |
| local.type.coar | http://purl.org/coar/resource_type/c_6501 | - |
| 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.