http://repository.enu.kz/handle/enu/24015 2026-04-04T06:11:28Z 2026-04-04T06:11:28Z Уалиев, А.М. Жартыбаева, М.Г. http://repository.enu.kz/handle/enu/24034 2025-06-14T16:51:31Z 2025-04-16T00:00:00Z

ТҰРМЫСТЫҚ ҚАТТЫ ҚАЛДЫҚТАРДЫ ЖІКТЕУ ҮШІН КОМПЬЮТЕРЛІК КӨРУ ЖӘНЕ ТЕРЕҢ ОҚЫТУ АЛГОРИТМДЕРІ МЕН ӘДІСТЕРІН ЗЕРТТЕУ ЖӘНЕ ТАЛДАУ Уалиев, А.М.; Жартыбаева, М.Г. Бұл зерттеу тұрмыстық қатты қалдықтарды (ТҚҚ) автоматты түрде жіктеу үшін компьютерлік көру және терең оқыту әдістерін қолдану мәселелеріне арналған. Қалдықтарды тиімді сұрыптау қоршаған ортаны қорғау мен қайта өңдеу жүйелерінің тиімділігін арттыруда маңызды рөл атқарады. Дәстүрлі әдістердің шектеулерін ескере отырып, машиналық оқыту мен нейрондық желілер негізінде автоматтандырылған жүйелерді әзірлеу өзекті мәселе болып табылады. Бұл мақалада әртүрлі модельдер, соның ішінде Simple CNN, VGG16, ResNet50 және HOG+SVM алгоритмдері қарастырылып, олардың тиімділігі мен дәлдігі салыстырмалы түрде талданады. Сонымен қатар, теориялық зерттеулердің нәтижелерін тәжірибе жүзінде тексеру мақсатында Arduino негізінде аппараттық прототип әзірленді. Бұл жүйе қалдықтарды автоматты түрде жіктеуді жүзеге асырып, әзірленген алгоритмдердің жұмыс істеуін тестілеуге мүмкіндік берді. Алынған нәтижелер қалдықтарды автоматты түрде сұрыптау жүйелерін жетілдіруге және экологиялық тұрақтылықты арттыруға ықпал етеді.

2025-04-16T00:00:00Z Оспанов, А.Д. http://repository.enu.kz/handle/enu/24033 2025-06-14T01:51:37Z 2025-04-16T00:00:00Z

ОПТИМИЗАЦИЯ МОНИТОРИНГА СКЛАДА С ПОМОЩЬЮ IOT-ДАТЧИКОВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ: ЭМПИРИЧЕСКОЕ ИССЛЕДОВАНИЕ ПО ОБНАРУЖЕНИЮ ГРЫЗУНОВ И УПРАВЛЕНИЮ ОКРУЖАЮЩЕЙ СРЕДОЙ Оспанов, А.Д. В настоящем исследовании представлена методология, объединяющая данные IoT-датчиков и алгоритмы машинного обучения для оптимизации мониторинга складских помещений. Предлагаемая система решает две ключевые задачи: обнаружение активности грызунов посредством анализа данных с датчиков движения и выявление экологических рисков (например, аномалий в показателях температуры, влажности и уровня газов), свидетельствующих о возможной порче продукции. Для проверки работоспособности системы используется симулированный набор данных, охватывающий 30-дневный период с почасовой дискретизацией, где ключевые события маркируются как «грызун обнаружен» и «предупреждение о порче». Основным алгоритмом классификации выбран Random Forest, обеспечивающий точность обнаружения около 95,24%. Дополнительно проведено сравнение с альтернативными моделями (логистическая регрессия, SVM, Gradient Boosting, нейронные сети). Помимо технической реализации, в работе представлен анализ экономической эффективности, демонстрирующий высокую рентабельность внедрения системы.

2025-04-16T00:00:00Z Оразтаев, Д.М. http://repository.enu.kz/handle/enu/24032 2025-06-14T12:21:22Z 2025-04-16T00:00:00Z

МЕТОДЫ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ДЛЯ ОЦЕНКИ СТЕПЕНИ ИЗНОСА ТРУБОПРОВОДОВ: СОВРЕМЕННЫЕ ПОДХОДЫ Оразтаев, Д.М. В данной работе рассматриваются современные методы неразрушающего контроля (НК) трубопроводов, предназначенных для транспортировки жидких сред. Применение методов НК позволяет выявлять дефекты трубопровода не выводя оборудование из эксплуатации и не повреждает объект исследования. Данные методы позволяют выявлять критические дефекты на ранних стадиях их возникновения, что способствует своевременному принятию мер по их устранению и, как следствие, сокращению эксплуатационных затрат. После проведения неразрушающего контроля полученные данные анализируются специалистами, на основании чего эксперты формируют заключение о техническом состоянии трубопровода и прогнозируемом сроке его дальнейшей эксплуатации.

2025-04-16T00:00:00Z Нұржанов, Н.Ш. Турарова, М.К. http://repository.enu.kz/handle/enu/24031 2025-06-14T08:09:30Z 2025-04-16T00:00:00Z

ТҰЛҒАНЫҢ ЖАСЫ МЕН ЖЫНЫСЫН ТАНУҒА АРНАЛҒАН НЕЙРОНДЫҚ ЖЕЛІ АЛГОРИТМДЕРІН ЗЕРТТЕУ Нұржанов, Н.Ш.; Турарова, М.К. Бұл жұмыста объектіні нейрондық желі алгоритмдері және олардың бейне өңдеудегі рөлі, деректерді өңдеу және модельді оқыту, жүйенің дәлдігін арттыру үшін үлкен көлемді бейне және сурет деректері, алдын ала дайындалатын модельдер (VGG-16, ResNet, EfficientNet) туралы зерттеліп, шолу жасалған.

2025-04-16T00:00:00Z