List of publications on a keyword: «предиктивная аналитика»

В работе рассматривается, как технологии искусственного интеллекта (ИИ) и Big Data могут помочь оптимизировать работу нефтегазовой компании Sonatrach. Цель исследования – понять, насколько реально внедрить цифровые технологии в бизнес‑процессы компании, выявить основные проблемы в её работе и предложить практические решения. Исследование охватывает все этапы производства – от поиска месторождений и бурения скважин до транспортировки и продажи углеводородов. Авторы сравнивают Sonatrach с крупными мировыми нефтегазовыми компаниями (Saudi Aramco, ExxonMobil, TotalEnergies), анализируют сильные и слабые стороны алжирской корпорации, а также внешние факторы, которые влияют на её деятельность. Особенность работы – в разработке целостной модели внедрения цифровых технологий с учётом специфики отрасли и требований европейского рынка. В частности, предлагаются решения для таких проблем, как долгие сроки согласования инвестиций, разрозненность данных между подразделениями, неточные прогнозы добычи и логистики, неэффективное планирование техобслуживания и сложности с подготовкой экологической отчётности.

В статье рассматривается тема создания и внедрения цифрового двойника энергоинфраструктуры университетского кампуса как элемента цифровой трансформации вуза. Авторы обосновывают актуальность проекта необходимостью замещения устаревших информационных систем и повышения энергоэффективности. Описывается архитектура решения: от сбора данных с датчиков и приборов учета до построения гибридной модели и организации замкнутого контура управления. Приводится пример пилотного внедрения в учебном корпусе с оценкой экономического эффекта. Подчеркивается дополнительная ценность проекта как базы для практико-ориентированного обучения студентов инженерным компетенциям.

В статье исследуется архитектура, алгоритмы и экономическая эффективность облачного сервиса для предиктивного обслуживания (Predictive Maintenance, PdM) промышленного оборудования, основанного на конвергенции Industrial Internet of Things (IIoT) и методов искусственного интеллекта (AI). Рассмотрены ключевые технологические компоненты: сенсорные сети для сбора данных, облачные платформы для их обработки и хранения, а также машинное обучение (ML) для построения предиктивных моделей остаточного ресурса (Remaining Useful Life, RUL) и классификации аномалий. Анализируются преимущества подхода по сравнению с реактивным и планово-предупредительным обслуживанием, включая сокращение незапланированных простоев, оптимизацию запасов запчастей и повышение общей эффективности оборудования (OEE). Работа основана на систематизации данных из рецензируемых научных публикаций, отчетов Gartner и McKinsey, а также на анализе успешных кейсов внедрения в таких отраслях, как энергетика, авиация и обрабатывающая промышленность.