Лаборатория когнитивных вычислений и анализа данных в нефтегазохимии
Цели:
Практическая подготовка высококвалифицированных специалистов с hard-skill - компетенциями по Big Data, Data Science, Machine Learning применительно к нефтегазохимической отрасли и развитие навыков soft-skill.
Основным направлением деятельности лаборатории будет адресная подготовка специалистов и проведение НИОКР для предприятий ТЭК.
Задачи:
Совершенствование качества образования путем использования результатов научно-исследовательских работ в образовательном процессе. Повышение качества образовательной деятельности путем привлечения высококвалифицированных специалистов-практиков в соответствующих областях.
Предлагается использовать лабораторию как инкубатор для исследований и разработок по опережающим технологиям цифровизации, переработке углеводородного сырья и синтезу органических веществ. В ходе обучения магистранту или группе магистрантов дается на апробацию современная технология (метод, программа, алгоритм). Как и любая научная работа, она будет состоять из ряда обязательных этапов. Создание небольшого пилотного проекта, в ходе подготовки магистрантом диссертации, покажет целесообразность и применимость данной технологии в промышленном масштабе. После защиты диссертационной работы и подтверждения жизнеспособности идеи предприятие получает апробированную в лабораторных условиях технологию и одного или группу молодых специалистов, которые готовы к выполнению работы по внедрению технологии на соответствующих предприятиях.
Такой подход имеет ряд преимуществ перед вариантом, когда компания покупает уже готовый к использованию продукт и обучает использованию работников предприятия:
- Стоимость готового решения всегда выше, чем на стадии зарождения технологии.
- Сокращается время на внедрение и подготовку специалистов.
- Вместо того чтобы доучивать студента на предприятии, предприятие может получать от нового сотрудника пользу, как от специалиста уже с опытом работы.
- Апробация на кафедре университета программных продуктов, как правило, на порядки дешевле из-за разницы в стоимости коммерческих и академических лицензий.
- Апробация идей на ранней стадии приводит к отсеиванию большого их процента как негодных к использованию, что может сэкономить время и ресурсы предприятия при проведении испытаний и тестов.
Направления исследований:
- Искусственный интеллект и его формы.
- Моделирование химико-технологических процессов и аппаратов.
- Современное 3D моделирование. Моделирование физики течения жидкостей, газов и вязких субстанций. Моделирование физики сред.
- Нечеткая логика Лотфи Заде. Нечетко-логические системы.
- Генетические алгоритмы. Решение задач оптимизации с помощью ГА.
- Нейронные сети: распознавание изображений.
- Нейронные сети: распознавание временных сигналов.
- Нейронные сети: классификаторы и их виды.
- Нейронные сети: рекурсивные сети.
- Радиально-базисные сети.
- Машины больцмана, ограниченные машины больцмана.
- Задача продвинутого управления технологическим аппаратом по выбору.
- Системы Искусственного интеллекта майкрософт.
- Пакеты tensorflow, chainer, caffe2, cntk.
- Анализ больших данных: задачи и пути их решения.
- Моделирование в условиях нехватки данных.
- Виртуальная и дополненная реальность, области применения.
- Машинное обучение, методы машинного обучения
- Использование методов машинного обучения и ИИ при конструировании веществ (лекарства, нефтехимия и т.д.).
Руководитель лаборатории:
Смотрите также:
УГНТУ ♦ ПК УГНТУ ♦ ГМХТП (зеркало) ♦ ТФ ВК ♦ ГМХТП ВК ♦ @digital_ugntu
Пробник