Архив статей журнала
Хронические неинфекционные заболевания являются важной медико-социальной проблемой, оказывающей существенное влияние на структуру заболеваемости и смертности населения. Актуальность исследования обусловлена необходимостью повышения точности диагностики, персонализации подходов к профилактике и снижению нагрузки на систему здравоохранения. Цель работы - оценка возможности применения современных методов машинного обучения для прогнозирования вероятности развития повышенного артериального давления у взрослых пациентов, наблюдающихся в условиях поликлинического звена. В работе проанализированы обезличенные карты 1843 пациентов. После предварительной обработки, включающей очистку и нормализацию данных, были исследованы следующие алгоритмы: Random Forest, Gradient Boosting, XGBoost, метод K-ближайших соседей и рекуррентная нейронная сеть LSTM. Для верификации качества построенных моделей применялись метрики точности, полноты, F1-мера и ROC-AUC. Результаты апробации показали, что Gradient Boosting и рекуррентная нейронная сеть LSTM наиболее успешно справились с задачей стратификации выборки: пациенты были корректно распределены на группы с отсутствием заболевания, наличием артериальной гипертензии и повышенным риском ее развития. Были показаны ключевые факторы риска - гиперхолестеринемия, неправильное питание и избыток массы тела. Полученные результаты подтверждают целесообразность и перспективность внедрения инструментов машинного обучения, в частности градиентного бустинга и нейросетевых моделей, в клинические информационные системы с целью автоматизированного скрининга артериальной гипертензии и последующего планирования профилактических мероприятий.
Использование технологий искусственного интеллекта в производственных системах приводит к значительным изменениям в управлении и принятии решений, повышая эффективность операций и снижая затраты. Внедрение этих технологий способствует цифровой трансформации производства, улучшает взаимодействие сотрудников и способствует повышению качества выпускаемой продукции. Цель работы - изучение возможностей применения технологий искусственного интеллекта для оптимизации процессов управления в производственных системах. Методология исследования основана на анализе и систематизации научной литературы, нормативно-технической документации и практических кейсов. В ходе исследования был проведен анализ 54 публикаций, из которых отобраны 23, охватывающих основные направления развития искусственного интеллекта, его интеграцию в производственные системы. Рассмотрены публикации из научных баз данных Elibrary. ru и КиберЛенинка за последние 5 лет. В ходе исследования установлено, что технологии искусственного интеллекта, такие как машинное обучение, нейронные сети, алгоритмы нечеткой логики, цифровые двойники и прогнозная аналитика, позволяют решать широкий спектр задач в производстве. Проанализированы примеры использования искусственного интеллекта в системах планирования, автоматизации процессов, логистики, управления ресурсами и контроля качества. Выявлены ключевые преимущества внедрения интеллектуальных систем, включая повышение точности прогнозирования, оптимизацию логистических маршрутов, сокращение простоев оборудования и снижение операционных затрат. Исследование подтверждает универсальность технологий искусственного интеллекта и их значимость для повышения конкурентоспособности предприятий. Развитие отраслевых стандартов внедрения искусственного интеллекта, основанных на классификации по ГОСТ Р 59277-2020, является важным направлением для дальнейшей модернизации промышленности.
Цель исследования - разработать комплексный, нейросетевой и гидродинамического моделирования двухфазной фильтрации в призабойной зоне метод оптимизации геолого-технологических мероприятий на нефтяных скважинах, проводимых для интенсификации добычи нефти. В качестве элементов прокси-модели для формирования обучающей и тестовой выборки использовалась база данных технологических режимов скважин и эффективности обработок призабойной зоны скважин. Библиотеки оптимизаторов Python и алгоритмы глубокого обучения Pytorch применялись для выбора конкретного вида и параметров процесса. Для конкретного месторождения проведен анализ различных вариантов и эффективности воздействия на нефтяной пласт. Для определенной группы скважин анализ показал эффективность прогрева призабойной зоны скважины. На модели двухфазной фильтрации выполнено гидродинамическое моделирование. Результаты расчетов использовались для детализации процессов в пласте и как дополнение к промысловым данным для повышения качества обучающих и тестовых выборок. Показано, что прокси-моделирование, представляющее собой комбинацию алгоритмов машинного обучения и упрощенного гидродинамического моделирования, позволяет прогнозировать эффективность и оптимизировать процесс планирования программ геолого-технологических мероприятий на нефтяной скважине, повысить рентабельность добычи нефти. Разработанная модель на основе алгоритмов глубокого машинного обучения и гидродинамического моделирования открывает широкие возможности для анализа других видов обработки призабойной зоны, физико-химического воздействия на нефтяной пласт.