В Евразийском национальном университете имени Л.Н. Гумилева состоится защита диссертации на соискание степени доктора философии (PhD) Досумбекова Ерлана Кадыровича на тему «Проектирование реконфигурируемых интеллектуальных блоков для анализа и прогнозирования производительности инженерных систем» по специальности «6D070400 – Вычислительная техника и программное обеспечение».
Диссертация выполнена на кафедре «Кафедра Компьютерная и программная инженерия» Евразийского национального университета имени Л.Н. Гумилева.
Язык защиты - казахский
Официальные рецензенты:
Козбакова Айнур Холдасовна- доктор философии (PhD), ассоциированный профессор, ведущий научный сотрудник лаборатории «Искусственного интеллекта и робототехники» РГП «Институт информационных и вычислительных технологий» КН МНВО РК (г. Алматы, Республика Казахстан).
Құттыбай Нұржігіт Бақытұлы - доктор философии (PhD), кафедра электроники и астрофизики, Казaхский национальный университет имени аль-Фараби (г. Алматы, Республика Казахстан).
Временные члены Диссертационного совета:
- Барахнин Владимир Борисович – доктор технических наук, профессор, заведующий кафедрой математического моделирования механико-математического факультета, Новосибирский государственный университет (г.Новосибирск, Россия);
- Мерембаев Тимур Жумаканович – доктор философии (PhD), старший научный сотрудник РГП «Института информационных и вычислительных технологий» КН МНВО РК (г.Алматы, Республика Казахстан);
– Мукажанов Нуржан Какенович - доктор философии (PhD), ассоциированный профессор, кафедра Программной инженерии, азахский национальный исследовательский технический университет имени К.И. Сатпаева (г.Алматы, Республика Казахстан).
Научные консультанты:
Маткаримов Бахыт Турганбаевич - доктор технических наук, профессор кафедры «Технологии искусственного интеллекта» Евразийского национального университета имени Л.Н. Гумилёва (г.Астана, Республика Казахстан).
Палташев Тимур Турсунович - доктор технических наук, профессор, Advanced Micro Devices, член группы по искусственному интеллекту (г.Санта-Клара, Калифорния, США).
Зюбин Владимир Евгеньевич - доктор технических наук, заведующий кафедрой компьютерных технологий, факультет информационных технологий, Новосибирский государственный университет (г.Новосибирск, Российская Федерация).
Защита состоится: 12 августа 2025 года 16:00 часов в Диссертационном совете по направлению подготовки кадров «8D061 – Информационно-коммуникационные технологии» по специальности «6D070400 – Вычислительная техника и программное обеспечение» Евразийского национального университета имени Л.Н. Гумилева. Проведение заседания диссертационного совета в онлайн формате.
Ссылка: https://clck.ru/3MyKPg
Адрес: г. Астана, ул. А. Пушкина, 11, 2 учебный корпус, аудитория №222.
Аннотация (рус.): АННОТАЦИЯ диссертационной работы Досумбекова Ерлана «Проектирование реконфигурируемых интеллектуальных блоков для анализа и прогнозирования производительности инженерных систем», представленной на соискание степени доктора философии (PhD) по специальности «6D070400 – Вычислительная техника и программное обеспечение» Актуальность темы исследования. Государственная программа индустриально-инновационного развития Республики Казахстан направлена на поддержку и развитие цифровых и интеллектуальных технологий в промышленности. Основное внимание уделяется улучшению производительности, энергоэффективности и устойчивости отечественных предприятий. В рамках программы продвигаются инициативы по внедрению цифровых решений, таких как автоматизация, роботизация и системы на базе искусственного интеллекта (ИИ, artificial intelligence, AI), которые позволяют улучшить контроль и анализ производственных процессов. Согласно законодательству Республики Казахстан, одной из целей развития промышленного сектора является внедрение инновационных технологий для повышения эффективности и конкурентоспособности производственных систем. Это отражено в таких нормативных актах, как государственная программа индустриально-инновационного развития Республики Казахстан, энергетическая стратегия Республики Казахстан на 2050 год. Как показывает международный опыт концепция проектирования интеллектуальных систем с использованием реконфигурируемых блоков (FPGA) и системы на базе искусственного интеллекта активно поддерживается и применяется в промышленности. В частности, в странах ЕС и США интеллектуальные системы на базе FPGA и AI внедряются в такие сферы, как энергетика, теплообмен, и управление производственными процессами для повышения точности прогнозирования и энергосбережения. Страны ЕС проводят исследования и внедряют технологии интеллектуального управления в рамках программы Horizon Europe (программа Европейского Союза в области исследований и инноваций), которая направлена на создание высокотехнологичных решений для промышленного сектора. Один из напрвлений: климат, энергетика и мобильность. Энергетическое измерение данного кластера сосредоточено в области хранение энергии. Такие международные организации, как Institute of Electrical and Electronics Engineers (IEEE), а также International Electrotechnical Commission (IEC) разрабатывают стандарты и рекомендации, ориентированные на внедрение реконфигурируемых и интеллектуальных систем для инженерных решений. Эти стандарты поддерживают применение интеллектуальных блоков и алгоритмов на базе нейронных сетей для повышения надёжности инженерных систем. Современные исследования демонстрируют, что проектирование реконфигурируемых систем, особенно с использованием нейронных сетей на базе FPGA, позволяет достичь высоких результатов в анализе данных и прогнозировании. Теплообменники (ТО) играют важную роль в инженерных системах, обеспечивая эффективный перенос тепла между различными рабочими средами, такими как жидкости и газы. Они применяются в различных секторах и системах, включая пищевую промышленность, процессы переработки нефти, системы возобновляемой энергии, утилизацию тепловой энергии отходов и т.д. В зависимости от применения и заданных требований, размер и конфигурация теплообменника могут быть разными. На производительность теплообменника влияют несколько факторов, включая применяемый тип теплообменника, материалы различных компонентов, тепловые характеристики потоков, условия эксплуатации и т.д. Улучшение производительности ТО является одной из самых серьёзных задач для инженеров, дизайнеров и учёных, стремящихся создать системы компактного размера и надёжной работы. В этом отношении в последние десятилетия были предложены и испытаны различные методы и подходы для оценки их влияния на усиление теплопередачи в ТО. Добавление дополнительных компонентов, таких как ребра, перегородки и генераторы вихрей, модификация компонентов ТО, использование жидкостей с улучшенными свойствами, например, наножидкостей, и оптимизация размера, конфигурации и условий эксплуатации являются одними из самых распространённых подходов и методов, предложенных для повышения теплопередачи в этих устройствах. Микротеплообменники, с значительно меньшими размерами по сравнению с традиционными, привлекли внимание в последние десятилетия. Например, в исследовании Сактивела и др., различные наночастицы, включая Al2O3 (оксид алюминия), TiO2 (диоксид титана), ZrO2(диоксид циркония) и SiO2 (оксид кремния) были применены в рабочей жидкости кожухотрубного теплообменника. Они сообщили об улучшении тепловых характеристик при использовании наножидкостей и отметили более высокие результаты в случаях использования TiO2 и Al2O3 по сравнению с ZrO2 и SiO2. Джавани и др. оценили влияние использования наножидкостей в скважинном теплообменнике и сообщили о снижении теплового сопротивления и увеличении падения давления по сравнению с использованием чистой воды в качестве теплоносителя. Размер, форма, концентрация и тип наночастиц, а также тип базовой жидкости играют ключевые роли в улучшении теплопередачи с использованием наножидкости. Чжэн и др. оценили различные наножидкости для использования в пластинчатом теплообменнике. Рассматриваемые наночастицы были Fe3O4(магнетит), Al2O3 (оксид алюминия), SiC (карбид кремния)и CuO (оксид меди). Лучшая тепловая производительность была наблюдена для наножидкостей Fe3O4. По сравнению с деионизированной водой, коэффициент конвективной теплопередачи увеличился на 21,9 % при использовании Fe3O4 /вода с концентрацией 1 % по весу. Идея использования наножидкости для улучшения тепловой производительности может быть развита для микро теплообменников. Для облегчения оценки различных факторов, влияющих на характеристики производительности теплообменника, точное моделирование этих систем имеет большое значение, и важно предложить соответствующие модели. В этом отношении могут быть разработаны и использованы интеллектуальные методы, которые показали значительную производительность в моделировании различных тепловых систем и задач. Моделирование тепловых свойств наножидкостей в качестве теплоносителя является одним из самых распространённых применений этих методов в области теплотехники. Малеки и др. оценили точность искусственной нейронной сети (ИНС) в оценке теплопроводности наножидкостей с частицами кремнезема (SiO₂, или оксид кремния) и различными базовыми жидкостями. Предложенные модели на основе ИНС применимы для точного моделирования теплопроводности. Более того, тип функции обучения влияет на точность оценённых значений. Другие задачи теплотехники, помимо свойств наножидкостей, могут быть смоделированы с помощью интеллектуальных подходов. Абиди и др. использовали методы ИНС для прогнозирования производительности солнечного коллектора с наножидкостью. По сравнению с традиционной нелинейной регрессией, интеллектуальные методы могут быть более точными в моделировании различных характеристик теплообменников благодаря их способности улавливать основную нелинейность данных. Исследователи широко использовали различные интеллектуальные методы для моделирования производительности различных теплообменников. Например, Хуан и др. использовали метод опорных векторов (SVM) для оценки производительности теплообменника в условиях криогенного осциллирующего потока. Они применили стандартный SVM и SVM с методом исключения одного элемента (leave-one-out) и сообщили, что последний обеспечивает более высокую точность с максимальной ошибкой 12,4 %. В другом исследовании Исламоглу использовал нейронную сеть (ANN)для прогнозирования скорости теплопередачи в теплообменнике типа «проволока на трубе». Средняя абсолютная относительная ошибка предложенной модели прогнозирования была менее 3 %. Ван и др. использовали ИНС для оценки скорости теплопередачи в кожухотрубных теплообменниках с непрерывными спиральными перегородками или сегментными перегородками. Существуют некоторые ограничения в использовании традиционных теплообменников, такие как размер оборудования и необходимое пространство для установки. Разработка теплообменников с более компактными размерами и мини или микроразмерами будет эффективным решением для преодоления этих проблем. Использование традиционных методов для моделирования теплообменников, например, вычислительной гидродинамики (CFD), будет трудоёмким и требует значительных вычислительных затрат. В этом отношении целесообразно применять альтернативные подходы и методы с быстрой производительностью и меньшими вычислительными затратами. Помимо вычислительных затрат, точность предсказательной модели имеет значительное значение, которое должно учитываться при разработке модели. Таким образом, актуальность диссертационной работы определяется необходимостью разработки интеллектуальных методов для оценки тепловых характеристик теплообменников с высокой точностью и относительно низкими вычислительными затратами. С использованием предложенных моделей, основанных на интеллектуальных методах, возможно оптимизировать проектирование теплообменников, рассматривая применяемые входные данные в модели как переменные алгоритмов оптимизации и проектировать теплообменники с лучшей производительностью. Цель диссертационного исследования. Целью исследования является разработка моделей на основе интеллектуальных методов для оценки числа Нуссельта в микротеплообменнике с использованием гибридной наножидкости TiO2 (диоксид титана) и наночастицы ZnO (оксид цинка), а также реализация интеллектуальных предсказателей для теплообменника на реконфигурируемых FPGA и исследование реконфигурируемых интеллектуальных блоков для анализа и прогнозирования производительности инженерных систем с использованием нейронных сетей, направленных на оптимизацию управления тепловыми процессами. Для достижения этой цели необходимо было решить следующие задачи: - изучение теоретических основ, методов, моделей искусственной нейронной сети (ИНС) для точного моделирования теплопроводности и прогнозирования производительности различных теплообменников с наножидкостью; - произвести анализ чувствительности для оценки важности рассматриваемых входных данных в моделях; - сравнение между выходными данными модели и данными, представленными в экспериментальном исследовании; - разработка модели ИНС на основе многослойного перцептрона (MLP) и нейронных сетей метода группового учёта аргументов (GMDH) для анализа производительности микропластинчатого теплообменника; - внедрение и реализация интеллектуальных предсказателей для теплообменников на реконфигурируемых FPGA; - произвести анализ современного состояния и тенденций в области реконфигурируемых технологий и их применения в инженерных системах; - разработка архитектуры интеллектуального блока на базе FPGA, обеспечивающего эффективное выполнение алгоритмов анализа и прогнозирования; - исследование методов обработки данных и их интеграция с нейронными сетями для создания адаптивных систем управления; Научная новизна работы. В данной работе используются два типа искусственной нейронной сети, а именно метод группового учёта аргументов, МГУА (Group Method of Data Handling, GMDH) и многослойный перцептрон (MLP), для моделирования числа Нуссельта микропластинчатого теплообменника с использованием гибридной наножидкости в качестве нового примера. Кроме того, проводится анализ чувствительности для оценки важности и уровня влияния трех переменных, рассмотренных в экспериментальной работе, что является новизной настоящей работы. Производительность предложенных моделей сравнивается с учётом различных статистических критериев, таких как R2 (коэффициент детерминации), среднее абсолютное относительное отклонение (AARD) и среднеквадратическая ошибка (MSE). Основные аспекты новизны включают: интеграция FPGA и нейронных сетей; адаптивные алгоритмы управления; метод группового учёта аргументов; экспериментальная проверка: Проведение экспериментальных исследований, подтверждающих эффективность предложенных решений на примере микропластинчатых теплообменников. Результаты экспериментов показывают значительное улучшение производительности и надёжности систем по сравнению с традиционными методами управления. Таким образом, данное исследование вносит вклад в развитие технологий управления инженерными системами, предлагая новые подходы к анализу данных и прогнозированию, которые могут быть успешно применены в различных отраслях промышленности. Основные положения, выносимые на защиту: 1. Разработана аппаратная архитектура нейронной сети MLP на базе FPGA, обеспечивающая ускоренную обработку данных за счёт параллельного выполнения операций и снижения времени задержки, что повышает общую производительность системы. 2. Каждый слой нейронной сети реализован с использованием логических блоков FPGA, что позволяет гибко адаптировать архитектуру под конкретные задачи инженерных систем и эффективно использовать ресурсы аппаратной платформы. 3. Автоматизирован процесс анализа и моделирования данных с применением программного обеспечения GMDH Shell, что обеспечивает высокую точность прогноза и минимизацию влияния человеческого фактора при построении моделей. 4. Проведён сравнительный анализ предложенной интеллектуальной системы с традиционными решениями, подтверждающий её превосходство по показателям точности прогнозирования, времени отклика и адаптивности управления. Объектом исследования являются искусственные нейронные сети и реконфигурируемые интеллектуальные блоки, применяемые для анализа и прогнозирования производительности инженерных систем, в частности, в контексте управления тепловыми процессами. Предметом исследования являются, исходя из актуальности задачи, три входных параметра, а именно высота пластины, концентрация наноматериалов и число Рейнольдса, для создания модели на основе нейронной сети многослойного перцептрона (MLP) и метода группового учёта аргументов (GMDH), гибридные наножидкости диоксид титана TiO2 и оксид цинка ZnO, числа Нуссельта. А также методы и алгоритмы, реализуемые на основе многослойных перцептронов (MLP) и других нейронных сетей, которые используются для обработки данных и прогнозирования в инженерных системах, таких как паяные микропластинчатые теплообменники (MPHE). В частности, исследуются следующие аспекты: архитектура реконфигурируемых интеллектуальных блоков на базе FPGA и их возможности для выполнения сложных алгоритмов анализа данных; методы машинного обучения, в частности, нейронные сети, используемые для выявления зависимостей и закономерностей в данных, а также для прогнозирования производительности инженерных систем; процессы адаптации и обучения нейронных сетей, позволяющие повышать точность и эффективность предсказаний в изменяющихся условиях эксплуатации; влияние применяемых интеллектуальных методов на показатели производительности и надёжности инженерных систем, а также на оптимизацию тепловых процессов. Методы исследования - теоретические и экспериментальные исследования, математическое и компьютерное моделирование, алгоритмизация, и разработка аппаратных устройств на языке описания аппаратуры VHDL. Также в данной работе применяются следующие методы исследования, обеспечивающие комплексный подход к разработке и анализу реконфигурируемых интеллектуальных блоков: 1. Аналитический метод: Проведён анализ современного состояния и тенденций в области реконфигурируемых технологий, нейронных сетей и их применения в управлении инженерными системами. Этот метод позволяет выявить ключевые проблемы и потребности отрасли, а также обосновать выбор направлений для дальнейших исследований. 2. Экспериментальный метод: Используется для верификации предложенных решений. Экспериментальное исследование включает разработку прототипов интеллектуальных блоков и их тестирование на реальных инженерных системах, таких как микропластинчатые теплообменники. Сравнительный анализ производительности до и после внедрения позволяет оценить эффективность разработанных решений. 3. Моделирование: Применение методов математического и компьютерного моделирования для создания виртуальных моделей инженерных систем и анализа их поведения в различных режимах работы. Моделирование позволяет протестировать различные алгоритмы управления и прогнозирования, а также оценить их влияние на производительность. 4. Методы машинного обучения: Используются для разработки и обучения многослойных перцептронов (MLP) и других нейронных сетей. Применение методов машинного обучения позволяет выявлять сложные зависимости и закономерности в данных, что является основой для создания адаптивных систем управления. 5. Метод группового учёта аргументов: Внедряется для анализа и обработки данных, что позволяет учитывать множественные источники информации и их взаимосвязи. Этот метод помогает повысить точность прогнозирования и устойчивость систем к шуму. Использование этих методов позволяет обеспечить всесторонний подход к исследованию, что способствует более глубокому пониманию проблемы и разработке эффективных решений для управления тепловыми процессами в инженерных системах. Практическая значимость работы: Практическая значимость данной работы заключается в разработке и внедрении реконфигурируемых интеллектуальных блоков, способствующих повышению эффективности управления тепловыми процессами в инженерных системах. Основные аспекты практической значимости включают: Повышение эффективности производственных процессов. Реализация предложенных решений позволяет значительно оптимизировать управление тепловыми процессами, что ведёт к снижению энергозатрат и повышению общей производительности систем; Улучшение качества продукции. Интеллектуальные блоки, основанные на методах машинного обучения, обеспечивают точный контроль параметров, влияющих на качество конечной продукции, что особенно важно в отраслях с высокими требованиями к качеству; Снижение затрат на техническое обслуживание. прогнозирование потенциальных проблем и автоматическое регулирование процессов позволяют уменьшить количество незапланированных простоев и затрат на обслуживание оборудования, что способствует экономии ресурсов; гибкость и адаптивность систем. Возможность быстрой перенастройки интеллектуальных блоков под новые задачи позволяет предприятиям адаптироваться к изменениям на рынке и в технологиях, что повышает их конкурентоспособность; широкий спектр применения: Разработанные решения могут быть применены в различных отраслях, включая энергетику, нефтегазовую промышленность, автоматизацию производства и HVAC (Heating, Ventilation, and Air Conditioning). Это делает их универсальными инструментами для повышения эффективности процессов в самых разных сферах; интеграция с существующими системами. Интеллектуальные блоки могут быть легко интегрированы в уже существующие системы управления и автоматизации, что упрощает процесс их внедрения и повышает стоимость инвестиций. Таким образом, практическая значимость работы заключается в ее вкладе в развитие технологий управления, позволяющих повысить эффективность, надёжность и качество работы инженерных систем, что имеет важное значение для современного производства и бизнеса в целом. Апробация результатов диссертации. Основные результаты диссертационной работы докладывались на семинарах Евразийского национального университета им. Л.Н. Гумилева, на международных конференциях: 1. Международная научно-практическая конференция «Интеллектуальняые информационные и коммуникационные технологии-средство очуществления третьей индустриальной револючии в свете стратегии «Казахстан -2050»». Астана, 2013; 2. II Международная научно-практическая конференция «Интеллектуальные информационные и коммуникационные технологии – средство осуществления третьей индустриальной революции в свете Страегии «Казахстан -2050». ЕНУ им.Л.Н.Гумилева, Астана, 2014. Статьи, опубликованные в научных журналах, рекомендуемых КОКСОН МОН РК: 1. Досумбеков Е.К. Характерстики и ососбенности кристаллов программируемых логических интегральных схем FPGA. // ВЕСТНИК, Выпуск: ЕНУ им.Л.Н.Гумилева, Астана, 2014. –С. 425-429. 2. Досумбеков Е.К. Бағдарламалық логикалық интегралды схемалар негізіндегі сандық жүйелерде метатұрақтылық мәселені шешу жолы. // ВЕСТНИК, Выпуск: ЕНУ им.Л.Н.Гумилева, Астана, 2014. –С. 180-185. 3. Досумбеков Е.К. Применение высокоуровневнего синтеза (high level synthesis) в проектировании реконфигурируемых IP блоков. // ВЕСТНИК, Выпуск: ЕНУ им.Л.Н.Гумилева, Астана, 2014. –С. 205-208. Публикации, изданные по результатам исследования, в том числе в научных журналах, индексируемых в базе Web of Science и Scopus: 1. Dossumbekov E.K., Nurkhat Zhakiyev, Mohammad Alhuyi Nazari, Mohamed Salem, Bekzat Abdikadyr. Sensitivity Analysis and Performance Prediction of a Micro Plate Heat Exchanger by Use of Intelligent Approaches. // International Journal of Thermofluids, Volume 22, May 2024, 100601, https://doi.org/10.1016/j.ijft.2024.100601. Акт внедрения разработанного интеллектуального блока, основанного на нейронных сетях и программируемых логических интегральных схемах (автор – Досумбеков Е.К.), свидетельствует о его практическом применении в ТОО "JDM Group" с целью анализа и прогнозирования производительности инженерных систем (дата внедрения – 14.02.2025 г.). Объем и структура диссертации. Диссертационная работа состоит из введения, трех глав, заключения, 2 приложений. Работа выполнена печатным способом на 72 страницах, с применением компьютерных возможностей акцентирования внимания в виде иллюстраций, схем и таблиц. Список литературы состоит из 78 наименований. Автор выражает искреннюю благодарность научному руководителю — доктору технических наук, профессору кафедры «Компьютерная и программная инженерия» Евразийского национального университета имени Л.Н. Гумилёва Маткаримову Бахыту Турганбаевичу, а также зарубежным консультантам — доктору технических наук, доценту Зюбину Владимиру Евгеньевичу (Институт автоматики и электрометрии СО РАН, Новосибирск, Россия) и доктору технических наук Палташеву Тимуру Турсуновичу (компания Advanced Micro Devices, Санта-Клара, Калифорния, США) за неоценимую помощь, ценные рекомендации и поддержку, оказанные в процессе проведения исследования.
Отзыв зарубежного консультанта
Заключение комиссии по этической оценке исследований
Решение диссертационного совета
Защита диссертации: https://www.youtube.com/watch?v=5UBbIhBqLV0
