Проблемы математического и численного моделирования

В докладе представлены результаты прогнозирования величины концентрации твердых взвешенных частиц PM2.5 в атмосфере города Красноярска с помощью различных моделей машинного обучения: моделей временных рядов – ARIMA и ARIMAX, ансамблевых моделей – случайного леса и градиентного бустинга, регрессионных моделей, а также с помощью моделей рекуррентных нейронных сетей разновидности LSTM.
Из каждого класса моделей выбиралась модель, показавшая лучшее качество прогноза, затем лучшие модели из разных классов сравнивались между собой. Для обучения моделей использовались данные за пять лет с 2019 по 2024 гг. по метеоусловиям и концентрациям PM2.5 с наземных станций оперативного мониторинга и модели реанализа NCEP GFS.
В результате исследования было определено, что лучшее качество прогнозирования показывает модель LSTM, с добавленными метеопараметрами в качестве экзогенных переменных, и данная модель может быть рекомендована для прогнозирования уровня загрязнения воздуха твердыми взвешенными частицами с достаточным уровнем точности.

Композитные материалы широко применяются в различных отраслях промышленности таких как автомобилестроение, машиностроение, авиастроение и космическая отрасль. Одним из видов композитных материалов являются сэндвич-структуры, состоящие из наполнителя и оболочки. В качестве материала оболочки могут использоваться полимеры, армированные стекловолокном или углеродным волокном, а также биоволокно. Сэндвич-структуры все чаще используются в инженерных приложениях в промышленности, строительных конструкциях и транспорте из-за своего легкого веса, а также прочности при больших нагрузках.
В докладе рассматривается модель многослойной композитной пластины и трехслойной сэндвич-пластины, состоящей из двух слоев композитного материала, связанного упругой изотропной прослойкой. Слои композитного материала моделируются с учетом различных модулей упругости при растяжении и сжатии и представляют собой ортотропный материал, армированный параллельными углеродными волокнами.
Представлена модель на основе обобщенного реологического метода, с помощью которого получены определяющие уравнения. С помощью вариационного метода Лагранжа построен функционал энергии, минимизация которого проведена с использованием метода начальных напряжений и метода конечных элементов. Представлены результаты серии вычислительных экспериментов по расчету напряженно-деформированного состояния вертикального сечения пластины под действием цилиндрический нагрузки.

Будет рассказано о созданной инфраструктуре сбора данных и имитации угроз безопасности сети интернета вещей, которая позволяет сохранять весь функционирующий трафик и выполнять тестирование сети на устойчивость к нескольким видам атак, характерным для таких сетей. Представлена структура базы данных, включающая датасеты, описывающие характеристики сессий, флаги используемых протоколов, показатели брокеров и данные с IoT-устройств. Показаны особенности датасета, содержащего сетевой трафик и проблемы, вызванные его высокой размерностью. Представлен метод сокращения признакового пространства, позволяющий учитывать сложные зависимости между данными и выбирать признаки, отвечающие заданным критериям качества. Выполнено сравнение результатов применения предложенного метода с результатами работы рекурсивного метода RFE (Recursive Feature Elimination) для выбранного класса моделей.

Исследование в рамках Программы развития КМЦ будет направлено на разработку и реализацию методического алгоритмического и обеспечения для выделения и геометрического анализа текстурных особенностей в визуальных медицинских данных. Будет развита вычислительная технология, в виде набора специализированных методик, обработки и визуализации объектов интереса на основе применения алгоритмов шиарлет- и вейвлет-преобразований, нейросетей и упругих карт. При решении актуальных диагностических задач будут использоваться: табличные данные и временные ряды медицинских сигналов; наборы КТ и МРТ снимков, а также изображений, полученных с помощью сканирующей микроскопии и эндоскопов.

На семинаре обсудим, что значит сравнить две символьные последовательности. Почему наш подход alignment-free. Как одни проблемы заменяются на другие проблемы и что можно с этим сделать. Какие задачи, требующие сравнения символьных последовательностей, уже хорошо решаются с помощью нашего подхода, а что мы пока не смогли.