Представлен методический подход к прогнозированию деградации и динамики надёжности оборудования нефтеперерабатывающих предприятий во времени. В отличие от традиционных вероятностных методов, предложенный подход учитывает человеческий фактор, поскольку решения и действия операторов существенно влияют на работу системы, но с трудом поддаются формализации в рамках стандартных математических моделей. Для описания этих взаимодействий используется методология системной динамики, позволяющая отразить неявные и нелинейные зависимости и временные задержки, присущие рассматриваемым системам. Разработанная модель служит инструментом для анализа изменения надёжности в различных условиях эксплуатации и способствует выработке стратегий повышения как технической эффективности, так и организационной устойчивости нефтеперерабатывающих установок.

В статье разработана математическая модель для построения цифрового двойника процесса развития эпидемии в одном из регионов Российской Федерации. Приведена постановка задачи, выбраны переменные модели и возмущения, разработана система нелинейных дифференциальных уравнений, позволяющая на заданном временном интервале прогнозировать выход релевантных характеристик развития эпидемии за ожидаемые значения. Полученные результаты могут быть использованы в системах управления умного города, при управлении процессом ликвидации последствий эпидемии в регионах страны, а также в тренажерных и обучающих системах.

При поиске заимствований в письменных работах значительной проблемой является распознавание отдельных структурных элементов документа: таблиц, иллюстраций, оглавления, библиографии. Без точного определения структурного элемента, к которому относится конкретный фрагмент текста, невозможен учет особенностей этого структурного элемента при выявлении заимствований. Растет количество ложноположительных и ложноотрицательных ошибок, как и количество методов маскировки заимствований для недобросовестных пользователей. В докладе предлагается мультиязычный метод распознавания таблиц. Мы провели сравнение с другими решениями: PDF Plumber и CascadeNet. Скорость работы всех решений, кроме CascadeNet, проверялась на одной и той же машине, CascadeNet дополнительно потребовал подключения GPU. Предложенный метод показал лучшее качество и скорость работы, чем аналогичные методы распознавания таблиц.

Рассматривается задача обнаружения некорректных текстовых заимствований. Поиск заимствований в текстовых документах является сложной, но в то же время востребованной задачей, особенно в академической и студенческой средах. Можно выделить два глобальных подхода к задаче поиска некорректных заимствований в тексте: поиск внешних заимствований (external plagiarism detection) и поиск внутренних заимствований (intrinsic plagiarism detection). Поиск внешних заимствований представляет собой поиск по внешней коллекции документов, которые могли быть использованы в качестве источника заимствования. Поиск внутренних заимствований же, наоборот, не использует внешнюю коллекцию потенциальных источников, а анализирует текст изолированно. Методы поиска заимствований по внешней коллекции являются точными, так как обнаруживают точные совпадения в анализируемом тексте и в тексте источнике. Однако они являются ресурсоемкими, так как размеры коллекций для поиска как правило очень большие. Методы поиска внутренних заимствований, напротив, являются гораздо менее точными, так как выявляют нерегулярности в стиле письма автора, которые не обязательно могут оказаться заимствованиями. Описывается вычислительный эксперимент, демонстрирующий работоспособность данного метода, а также объем сэкономленных вычислительных ресурсов. Показывается, что на размеченных и синтетических данных подход позволяет сократить поток документов, которым не требуется детальная проверка, почти на треть. При этом важно подчеркнуть, что это не только ускоряет время обработки отдельных документов, а позволяет использовать вычислительные ресурсы более целенаправленно, то есть детально анализировать именно те документы, которые нуждаются в такой проверке.

The paper considers the problem of adapting the model to new data with a large amount of information. We propose to build a more complex model using the parameters of a simple one. We take into account not only the accuracy of the prediction on the original samples but also the adaptability to new data and the robustness of the obtained solution. The work is devoted to developing the method that allows adapting the pre-trained model to a more heterogeneous dataset. In the computational experiment, we analyse the quality of predictions and model robustness on Fashion-MNIST dataset.