emr Управление образованием: теория и практика Education Management Review 2311-2174 Индивидуальный предприниматель Подколзин М.М. 2188 10.25726/y9159-2129-6794-n DATA SCIENCE В УПРАВЛЕНИИ ОБРАЗОВАТЕЛЬНЫМ ПРОСТРАНСТВОМ Внедрение нейросетевых алгоритмов в курсы прогнозирования технического состояния трубопроводных систем Implementation of neural network algorithms in courses for forecasting the technical condition of pipeline systems Хамидуллина Аделина Рустамовна Khamidullina Adelina R. hamidullina_aa@mail.ru Щелокова Юлия Константиновна Shchelokova Yulia K. Juliashchel.90@mail.ru Уфимский государственный нефтяной технический университет Ufa State Petroleum Technological University 30 04 2025 15 4-1 96 107 © 2025 Управление образованием: теория и практика © 2025 Education Management Review 2025 Управление образованием: теория и практика Education Management Review Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная. This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. Метаданные настоящей записи распространяются на условиях Creative Commons CC0 1.0 (передача в общественное достояние). The metadata of this record are distributed under the Creative Commons CC0 1.0 Universal Public Domain Dedication.

Настоящее исследование посвящено изучению потенциала внедрения нейросетевых алгоритмов в образовательные программы подготовки специалистов в области прогнозирования технического состояния трубопроводных систем. Трубопроводные системы представляют собой критически важные инфраструктурные объекты, требующие постоянного мониторинга и обслуживания. Традиционные методы обучения не позволяют в полной мере сформировать компетенции, необходимые для работы с современными интеллектуальными системами мониторинга. В исследовании разработан и апробирован интегрированный образовательный модуль, основанный на нейросетевых технологиях, который включает теоретические и практические компоненты. Результаты экспериментального внедрения в учебный процесс показали значительное повышение уровня профессиональных компетенций у студентов экспериментальной группы по сравнению с контрольной: средний балл по профильным дисциплинам увеличился на 18,7%, а способность решать сложные диагностические задачи выросла на 23,4%. Анализ данных обратной связи от студентов и преподавателей свидетельствует о повышении мотивации к обучению и более глубоком понимании предметной области. Предложенная модель интеграции нейросетевых алгоритмов в образовательный процесс может быть масштабирована для различных технических дисциплин и уровней образования с учетом специфики предметных областей.

The present study is devoted to studying the potential of introducing neural network algorithms into educational programs for training specialists in the field of forecasting the technical condition of pipeline systems. Pipeline systems are critical infrastructure facilities that require constant monitoring and maintenance. Traditional teaching methods do not allow us to fully develop the competencies necessary to work with modern intelligent monitoring systems. The study developed and tested an integrated educational module based on neural network technologies, which includes theoretical and practical components. The results of the experimental introduction into the educational process showed a significant increase in the level of professional competencies among students in the experimental group compared with the control group: the average score in specialized disciplines increased by 18.7%, and the ability to solve complex diagnostic problems increased by 23.4%. The analysis of feedback data from students and teachers indicates increased motivation to learn and a deeper understanding of the subject area. The proposed model for integrating neural network algorithms into the educational process can be scaled for various technical disciplines and levels of education, taking into account the specifics of the subject areas.

 neural network algorithms educational technologies pipeline systems forecasting of technical condition monitoring artificial intelligence professional competencies нейросетевые алгоритмы образовательные технологии трубопроводные системы прогнозирование технического состояния мониторинг искусственный интеллект профессиональные компетенции Исследование выполнено без внешнего финансирования. The study was conducted without external funding. metadata-license CC0 1.0

Список литературы Земенкова М.Ю. Интеллектуальный мониторинг состояния объектов трубопроводного транспорта углеводородов с использованием нейросетевых технологий // Записки Горного института. 2022. Т. 105. С. 115-123. Корнеев А.М., Суханов А.В., Шипулин И.А. Внедрение технологий искусственного интеллекта в инженерное образование: проблемы и перспективы // Вестник Томского государственного университета. 2021. № 465. С. 174-180. Мещеряков В.А., Мигранов Л.О., Чигвинцев С.В. Оценка состояния трубопроводов с использованием сверточных нейронных сетей // Энергетика. 2020. Т. 13. № 3. С. 618. Морозова Н.С., Петров А.А. Адаптивные системы обучения на основе нейросетевых алгоритмов // Образовательные технологии и общество. 2020. Т. 23. № 1. С. 73-83. Хизгияев В.И., Петров М.Н. Использование современных методов машинного обучения для мониторинга состояния: обзор теории, приложений и последних достижений // Экспертные системы с приложениями. 2023. Vol. 213. C. 118-905. Шарма Дж.К., Шарма С. Применение моделей искусственных нейронных сетей для мониторинга состояния промышленного вентилятора // International Journal of Intelligent Systems and Applications in Engineering. 2023. Vol. 11. № 10. рр. 574-590. Chavez H., Chavez-Arias B., Contreras-Rosas S., Alvarez-Rodriguez J.M., Raymundo C. Artificial neural network model to predict student performance using nonpersonal information // Frontiers in education. 2023. Vol. 8. Gharehbaghi K., McManus K. TIS condition monitoring using ANN integration: an overview // Journal of Engineering, Design and Technology. 2019. Vol. 17. № 1. рр. 204-217. Li D., Liu J., Wu Z., Wang X. Recurrent neural network-based model for estimating the life condition of a dry gas pipeline // Journal of Loss Prevention in the Process Industries. 2023. Vol. 81. pp. 104- 891. Li D., Wu Z., Liu J. Прогнозирование остаточного ресурса трубопроводов с использованием рекуррентных нейронных сетей // Научно-технический вестник ОАО «НК «Роснефть». 2022. № 2. С. 78-85. Li M., Wang X., Wang Y., Chen Y., Chen Y. Study-GNN: A Novel Pipeline for Student Performance Prediction Based on Multi-Topology Graph Neural Networks // Sustainability. 2022. Vol. 14. № 13. рр. 65-79. Momeni A., Gupta T., Salehi S. Prediction of water pipeline condition parameters using artificial neural networks // Journal of pipeline systems engineering and practice. 2022. Vol. 13. № 4. рр. 203-402. Siyam N., Alqaryouti O., Abdallah S. Machine learning approaches for prediction and classification of pipeline failures: A systematic literature review // Applied sciences. 2020. Vol. 10. № 14. pp. 37- 49. Wang L., Xu Y., Shi B. Optimization and intelligent control for operation parameters of multiphase mixture transportation pipeline in oilfield: A case study // Journal of pipeline science and engineering. 2021. Vol. 1. № 4. рр. 367-378. Zhang T., Bai H., Sun S. Intelligent natural gas and hydrogen pipeline dispatching using the coupled thermodynamics-informed neural network and compressor boolean neural network // Processes. 2022. Vol. 10. № 2.