Одним из перспективных направлений развития современных электроэнергетических систем является использование в их структуре возобновляемых источников энергии. Среди возобновляемых источников энергии наибольшее распространение получают установки, в составе которых присутствуют силовые преобразователи, основанные на статических преобразователях напряжения и обеспечивающие подключение данных источников энергии к сети. При этом подобные установки обладают динамическими свойствами, разительно отличающимися от аналогичных свойств традиционных источников генерации и, соответственно, оказывают совершенно иное влияние на энергосистемы в целом. Цель исследования: проведение предварительного анализа влияния внедрения возобновляемых источников энергии с силовыми преобразователями в их составе на протекание переходных процессов в современных энергосистемах. Для проведения исследований использовался метод математического моделирования энергосистем, основой для осуществления детального и достоверного моделирования являлся гибридный программно-аппаратный моделирующий комплекс – всережимный моделирующий комплекс реального времени электроэнергетических систем. Результаты: было рассмотрено несколько вариантов внедрения возобновляемых источников энергии на примере тестовой модели энергосистемы большой размерности и определено влияние их установки на скорость изменения частоты, уровень послеаварийных колебаний в энергосистеме, а также на частоту скольжения асинхронного хода. Практическая значимость выполненных исследований состоит в возможности их применения для выработки определённых рекомендаций по настройке устройств автоматики энергосистем, оптимальная и эффективная работа которых напрямую зависит от полноты
и достоверности информации об едином непрерывном спектре нормальных и анормальных квазиустановившихся и переходных процессов в современных электроэнергетических системах
с возобновляемыми источниками энергии.

Ключевые слова: электроэнергетическая система, возобновляемые источники энергии, ветроэнергетическая установка, математическое моделирование, переходные процессы, асинхронный режим.

Рубан Николай Юрьевич (Томск, Россия) – кандидат технических наук, доцент отделения электроэнергетики и электротехники Инженерной школы энергетики Национального исследовательского Томского политехнического университета (634050, Томск, пр. Ленина, 30, e-mail: rubanny@tpu.ru).

Аскаров Алишер Бахрамжонович (Томск, Россия) – аспирант отделения электроэнергетики и электротехники Инженерной школы энергетики Национального исследовательского Томского политехнического университета (634050, Томск, пр. Ленина, 30, e-mail: aba7@tpu.ru).

Андреев Михаил Владимирович (Томск, Россия) – кандидат технических наук, доцент отделения электроэнергетики и электротехники Инженерной школы энергетики Национального исследовательского Томского политехнического университета (634050, Томск, пр. Ленина, 30, e-mail: andreevmv@tpu.ru).

Киевец Антон Владимирович (Томск, Россия) – аспирант отделения электроэнергетики и электротехники Инженерной школы энергетики Национального исследовательского Томского политехнического университета (634050, Томск, пр. Ленина, 30, e-mail: avk60@tpu.ru).

Рудник Владимир Евгеньевич (Томск, Россия) – аспирант отделения электроэнергетики и электротехники Инженерной школы энергетики Национального исследовательского Томского политехнического университета (634050, Томск, пр. Ленина, 30, e-mail: ver3@tpu.ru).

1. Воропай Н.И. Направления и проблемы трансформации электроэнергетических систем // Электричество. – 2020. – № 7. – С. 12–21. DOI: 10.24160/0013-5380-2020-7-12-21
2. Renewables 2020. Global Status Report [Электронный ресурс]. – URL: https://www.ren21.net/reports/global-status-report/ (дата обращения: 14.09.2020).
3. IEC 61400-27-1:2020 Wind energy generation systems. – Part 27–1: Electrical simulation models – Generic models, 2020, Switzerland.
4. Generic Dynamic Models for Modeling Wind Power Plants and Other Renewable Technologies in Large-Scale Power System Studies / P. Pourbeik, J.J. Sanchez-Gasca, J. Senthil [et al.] // IEEE Transactions on Energy Conversion. – 2017. – Vol. 32, no. 3. – P. 1108–1116. DOI: 10.1109/TEC.2016.2639050
5. Serrano‐González J., Lacal‐Arántegui R. Technological evolution of onshore wind turbines–a market‐based analysis // Wind Energy. – 2016. – Vol. 19, no. 12. – P. 2171–2187. DOI: 10.1002/we.1974
6. Бубенчиков А.А., Бубенчикова Т.В., Шепелева Е.Ю. Анализ зарубежного опыта исследования систем генерации ветроэнергетических установок // Омский научный вестник. – 2018. – № 6(162). – С. 142–149. DOI: 10.25206/1813-8225-2018-162-142-149
7. Безруких П.П. Ветроэнергетика: справоч. и метод. пособие. – М.: Энергия, 2010. – 300 с.
8. Схемно-режимные особенности работы ВЭС параллельно с мощной энергосистемой / С.А. Иванов, А.А. Кузнецов, Г.А. Першиков, Ю.Г. Селезнёв // Известия НТЦ «Единая энергетическая система». – 2020. – № 1(82). – С. 95–101.
9. Коротков Б.А., Попков Е.Н., Сейт Р.И. О возможности участия солнечных электростанций в общем первичном регулировании частоты // Известия НТЦ «Единая энергетическая система». – 2018. – № 2(79). – С. 109–117.
10. An Advanced Power Electronics Interface for Electric Vehicles Applications / O. Hegazy, R. Barrero, J. Van Mierlo [et al.] // IEEE Transactions on Power Electronics. – 2013. – Vol. 28, no. 12. – P. 5508–5521. DOI: 10.1109/TPEL.2013.2256469
11. Ulbig A., Borsche T.S., Andersson G. Impact of Low Rotational Inertia on Power System Stability and Operation // IFAC Proceedings Volumes. – 2014. – Vol. 47, no. 3. – P. 7290–7297. DOI: 10.3182/20140824-6-ZA-1003.02615
12. GB/T 19963-2011. Technical rule for connecting wind farm to power system. – China, 2011.
13. The Grid Code: National Grid Electricity Transmission. – Great Britain, 2017.
14. Cetinay H., Kuipers F.A., Guven A.N. Optimal siting and sizing of wind farms // Renewable Energy. – 2017. – Vol. 101. – P. 51–58. DOI: 10.1016/j.renene.2016.08.008
15. Кошелев А.А., Халгаева Н.А. Оценка целесообразности и выбор оптимальных решений для солнечного энергоснабжения в условиях азиатской части России // Известия Рос. акад. наук. Энергетика. – 2006. – № 3. – С. 102–109.
16. Stability Enhancement of Power Systems with High DFIG-Wind Turbine Penetration via Virtual Inertia Planning / L. Xiong, P. Li, F. Wu, J. Wang // IEEE Transactions on Power Systems. – 2019. – Vol. 34, no. 2. – P. 1352–1361. DOI: 10.1109/TPWRS.2018.2869925
17. Butcher J.C. Numerical methods for ordinary differential equations. – 2nd ed. – USA: John Wiley & Sons, 2008. – 425 p.
18. Multi-time-step and multi-core simulations in EMTP using the new FMI options [Электронный ресурс] // EMTP Software. – URL: https://www.emtp-software.com/news/fmi-options (дата обращения: 31.08.2020).
19. Включение на параллельную работу объединения северной и южной частей энергосистемы Томской области / Р.А. Уфа, Е.Б. Гаврилов, О.В. Суслова, В.Е. Рудник, А.П. Мальцев // Электричество. – 2019. – № 6. – С. 33–41. DOI: 10.24160/0013-5380-2019-6-33-41
20. Исследование влияния управляемых шунтирующих реакторов на режимы работы системы электроснабжения Эльгинского горнодобывающего комбината / М.В. Андреев, Ю.С. Боровиков, А.С. Гусев, Н.Ю. Рубан, А.О. Сулайманов, А.А. Суворов, Р.А. Уфа // Известия Томск. политехн. ун-та. Инжиниринг георесурсов. – 2016. – Т. 327, № 7. – С. 46–57.
21. Концепция и базовая структура Всережимного моделирующего комплекса / М.В. Андреев, Ю.С. Боровиков, А.С. Гусев, А.О. Сулайманов, А.А. Суворов, Н.Ю. Рубан, Р.А. Уфа // Газовая промышленность. – 2017. – № 5(752). – С. 18–27.
22. Суворов А.А. Всережимная верификация средств моделирования электроэнергетических систем: дис. … канд. техн. наук: 05.14.02. – Томск, 2018. – 134 с.
23. Разработка программно-технических средств моделирования ветроэнергетической установки 4-го типа / И.А. Разживин, Н.Ю. Рубан, А.Б. Аскаров, Р.А. Уфа // Вестник Иркутск. гос. техн. ун-та. – 2020. – Т. 24, № 1(150). – С. 183–194. DOI: 10.21285/1814-3520-2020-1-183-194
24. Graph Spectra Based Controlled Islanding for Low Inertia Power Systems / L. Ding, Z. Ma, P. Wall [et al.] // IEEE Transactions on Power Delivery. – 2017. – Vol. 32, no. 1. – P. 302–309. DOI: 10.1109/TPWRD.2016.2582519

В условиях интенсивного развития различных сфер деятельности государства и общества использование передовых информационных технологий становится одним из наиболее важных, а часто и решающим фактором, определяющим эффективность всех уровней управления. Информационные технологии занимают прочные позиции в повседневной жизни и в различных сферах деятельности государства. Для обработки и анализа информации, прогнозирования
и поддержки принятия управленческих решений различного уровня внедряют информационные системы различных видов и назначений. Функционирование практически любой организации
в той или иной степени зависит от того, насколько эффективно и устойчиво функционирует ее информационная система, насколько надежно защищены ее информационные ресурсы от различных угроз безопасности информации, одной из которых является спам. Стоит отметить, что было совершено множество попыток раз и навсегда решить проблему его обнаружения. В данной предметной области постоянно ведутся исследования. По их результатам предлагаются
и реализуются на практике различные подходы, которые по большей части основываются на хорошо зарекомендовавшей себя базовой статистической обработке различных параметров электронных писем. При этом не вполне учитывается содержание электронных писем, что приводит к росту числа ошибок первого рода. Для решения данного вопроса ранее авторами предложена модель электронных писем, учитывающая содержание электронных писем, которое зачастую меняется в зависимости от выполняемых пользователями задач и их информационных потребностей. Ее ключевой особенностью является то, что она оперирует с преобразованными
в числовой вектор данными, полученными из исходных текстов электронных писем. В качестве параметров модели электронных писем, оказывающих влияние на выделение текстовых отрезков писем, являющихся отражением их отличительных признаков, авторами выделены: количество числовых кодов, сопоставляемых символам текста, в функции преобразования писем в числовой вектор; шаг выборки символов текста в функции преобразования писем в числовой вектор; длина выборки (длина «генератора» – последовательности, порождающей «ген»). Цель исследования: оценка влияния численного значения длины выборки (длины «генератора» – последовательности, порождающей «ген») модели электронных писем в задаче обнаружения спама с ее применением на результаты обнаружения. Методы: использование решающих правил импликативного типа «ЕСЛИ..., ТО...». Результаты: результаты эксперимента подтверждают корректность и применимость ранее разработанной авторами модели электронных писем. При этом применение модели электронных писем дает наилучшие результаты обнаружения при численном значении длины выборки (длины «генератора» – последовательности, порождающей «ген») равным 1 или 2, что подтверждается значениями агрегированной меры оценки (величины, объединяющей меры полноты и точности обнаружения и представляющей собой их среднее гармоническое). При значениях длины «генератора» больше или равных 3 результаты обнаружения ухудшается в среднем более чем на 10 %. Нецелесообразность использования значений длины «генератора» больше или равных 3 обоснована неприемлемым уменьшением значений полноты обнаружения и агрегированной меры оценки. Практическая значимость: предложенные авторами модель электронных писем и подход к обнаружению спама позволяют выделять последовательности символов текста, соотносящиеся с признаками определенного класса электронных писем, и сделать процесс обнаружения спама индивидуальным для получателя.

Ключевые слова: информационная безопасность, спам, обнаружение, модель электронного письма, генетический подход, генетическая модель, электронная почта, электронные почтовые сообщения, электронные письма.

Корелов Сергей Викторович (Москва, Россия) – сотрудник Национального координационного центра по компьютерным инцидентам (107031, Москва, ул. Б. Лубянка, 1/3, e-mail: korelovsv@cert.gov.ru).

Петров Артем Михайлович (Москва, Россия) – сотрудник Национального координационного центра по компьютерным инцидентам (107031, Москва, ул. Б. Лубянка, д. 1/3, e-mail: pam@cert.gov.ru).

Ротков Леонид Юрьевич (Нижний Новгород, Россия) – кандидат технических наук, доцент, начальник Управления информационной безопасности, заведующий кафедрой «Безопасность информационных систем Национального исследовательского Нижегородского государственного университета им. Н.И. Лобачевского (603950, Нижний Новгород, пр. Гагарина, 23, e-mail: rtv@rf.unn.ru).

Горбунов Александр Александрович (Нижний Новгород, Россия) – преподаватель кафедры «Безопасность информационных систем» Национального исследовательского Нижегородского государственного университета им. Н.И. Лобачевского (603950, Нижний Новгород, пр. Гагарина, 23, e-mail: aagor@rf.unn.ru).

1. A Bayesian Approach to Filtering Junk E-Mail. In Proc. of 1998 AAAI Workshop on Learning for Text Categorization / M. Sahami, S. Dumais, D. Heckerman, E. Horvitz // AAAI Technical Report WS-98-05. – 1998. – P. 55–62.

2. Robinson G. A Statistical Approach to the Spam Problem // Linux Journal. – 2003. – Iss. 107.

3. Junejo K., Yousaf M., Karim A. A Two-Pass Statistical Approach for Automatic Personalized Spam Filtering // Proc. of ECML-PKDD Discovery Challenge Work-shop. – 2006. – P. 16–27.

4. Junejo K., Karim A. PSSF: A Novel Statistical Approach for Personalized Service-side Spam Filtering // WI-07: Proceedings of the IEEE/WIC/ACM International Conference on WebIntelligence. – 2007. –
P. 228–234. DOI: https://doi.org/10.1109/WI.2007.47

5. A Memory-Based Approach to Anti-Spam Filtering for Mailing Lists / G. Sakkis, I. Androutsopoulos, G. Paliouras, V. Karkaletsis,
C.D. Spyropoulos, P. Stamatopoulos // Information Retrieval. – 2003. –
Vol. 6. – P. 49–73. DOI: https://doi.org/10.1023/A:1022948414856

6. Модель электронных писем в задаче обнаружения спама /
С.В. Корелов, А.М. Петров, Л.Ю. Ротков, А.А. Горбунов // Вестник Поволж. гос. технолог. ун-та. Сер. Радиотехнические и инфокоммуникационные системы. – 2020. – № 2(46). – С. 44–54. DOI: https://doi.org/10.25686/2306-2819.2020.2.44

7. Корелов С.В., Ротков Л.Ю. Метод генетических карт в задаче идентификации спама // Информационно-измерительные и управляющие системы. – 2011. – Т. 9, № 3. – С. 72.

8. Корелов С.В., Ротков Л.Ю. Идентификация текстового спама методом генетических карт // Вестник Нижегород. ун-та им. Н.И. Лобачевского. – 2012. – № 4(1). – С. 101–104.

9. Кирьянов К.Г. Генетический код и тексты: динамические и информационные модели сложных систем / ред. Л.Ю. Ротков, А.В. Якимов. – Н. Новгород: ТАЛАМ, 2002. – 100 с.

10. Кирьянов К.Г. Выбор оптимальных базовых параметров источников экспериментальных данных при их идентификации // Идентификация систем и задачи управления SICPRO’04: тр. III Междунар. конф. – М.: Изд-во ИПУ РАН, 2004. – С. 187–208.

11. К вопросу об определении численного значения параметра модели электронных писем / С.В. Корелов, А.М. Петров, Л.Ю. Ротков, А.А. Горбунов // Автоматизированные системы управления и информационные технологии (АСУИТ-2020): сб. материалов науч.-техн. конф. – Пермь: Изд-во Перм. нац. исследов. политехн. ун-та, 2020.

12. К вопросу об определении численного значения параметра в модели электронных писем / С.В. Корелов, А.М. Петров, Л.Ю. Ротков, А.А. Горбунов // Тр. XXIV науч. конф. по радиофизике, посв. 75-лет. радиофизич. фак-та (Н. Новгород, 13–31 мая 2020 г.). – Н. Новгород: Изд-во ННГУ, 2020. – С. 471–474.

13. Sebastiani F. Machine Learning in Automated Text Categorization // ACM Computing Surveys. – 2002. – Vol. 34, no. 1. – P. 1–47. DOI: https://doi.org/10.1145/505282.505283

14. Kanaris I., Kanaris K., Stamatatos E. Spam Detection Using Character N-Grams // SETN. Lecture Notes in Computer Science. – 2006. –
Vol. 3955. – Springer. – P. 95–104. DOI: https://doi.org/10.1007/11752912_12

15. Шаров С.А. Частотный словарь. РосНИИ ИИ [Электронный ресурс]. – URL: http://www.artint.ru/projects/frqlist.php (дата обращения: 13.09.2020).

16. Бойков В.В., Жукова Н.А., Романова Л.А. Распределение длины слов в русских, английских и немецких текстах [Электронный ресурс]. – URL: http://tverlingua.ru/archive/001/01_1-006.htm (дата обращения: 13.09.2020).

17. Enron-Spam datasets. – URL: http://www2.aueb.gr/users/ion/data/enron-spam/

18. Metsis V., Androutsopoulos I., Paliouras G. Spam Filtering with Naive Bayes – Which Naive Bayes? // Proc. of the Third Conference on Email and Anti-Spam (CEAS 2006). – 2006. – P. 28–69.

19. Sebastiani F. Text Categorization / Alessandro Zanasi (ed.). Text Mining and its Applications. – WIT Press, Southampton, UK, 2005. –
P. 109–129.

20. Aas K., Eikvil L. Text Categorisation: A Survey. – Tech. rep. 941. Norwegian Computing Center, Oslo, Norway, 1999.

21. Manning C., Raghavan P., Shütze H. Introduction to Information Retrieval. – Cambridge University Press, 2008. DOI: https://doi.org/10.1017/CBO9780511809071

22. Sokolova M., Lapalme G. A Systematic Analysis of Performance Measures for Classification Tasks // Information Processing
& Management. – 2009. – Vol. 45, no. 4. – P. 427–437. DOI: https://doi.org/10.1016/j.ipm.2009.03.002

По причине снижения природных запасов нефти в нефтедобыче остро стоит вопрос освоения месторождений с высоковязкой нефтью. Одним из способов добычи высоковязкой нефти является прогрев призабойной зоны скважины при помощи нагревателя. Цели: разработка
и исследование модели процесса тепломассопереноса в нефтяной скважине с призабойным нагревателем путем сравнения различных моделей турбулентного и ламинарного течения и выявление оптимальной. Методы: в работе рассмотрена двухмерная осесимметричная математическая модель процесса тепломассопереноса в нефтяной скважине с призабойным нагревателем, который используется для скважин с высоковязкой нефтью. Использование локального нагревателя в призабойной области позволяет снизить вязкость нефти, поступающей в насос, обеспечивая тем самым бесперебойную работу скважины. Рассматривалось продольное сечение нефтяной скважины глубиной 105 м, окружённой грунтом. Нагреватель расположен над забоем. Численная реализация разработанной математической модели осуществлялась методом конечных элементов в ANSYS. Для построения геометрии и разбиения на сетку конечных элементов использовался препроцессор ICEM CFD. Поставленная задача решалась численным методом конечных элементов в среде инженерных расчетов Fluent. Результаты: разработана математическая модель нефтяной скважины с турбулентным и ламинарным течением нефти с учетом призабойного нагревателя. В результате исследования получены поля скоростей и температур во всем объеме скважины. Построены распределения скоростей и температур по сечению насосно-компрессорных труб, произведено сравнение различных моделей турбулентного течения
и k-epsilon модели. Исследовано влияние величины вязкости на температуру перед входом
в электрический центробежный насос. Выбрана наиболее оптимальная модель течения при данных условиях. Практическая значимость: полученные результаты позволяют выбрать оптимальную модель течения для расчета данной задачи и принять необходимые меры по снижению вязкости нефти на заранее известном участке, что существенно снизит материальные затраты при разработке месторождений.

Ключевые слова: призабойный нагреватель, нефтяная скважина, турбулентное течение, высокая вязкость, тепловой процесс.

Пинягин Дмитрий Сергеевич (Пермь, Россия) – студент Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: pinyaginDS@gmail.com).

Костарев Никита Александрович (Пермь, Россия) – аспирант кафедры «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: nikostarev@gmail.com).

Труфанова Наталия Михайловна (Пермь, Россия) – доктор технических наук, профессор, заведующая кафедрой «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: ktei@pstu.ru).

1. Тарасюк В.М. Высоковязкие нефти и природные битумы: проблемы и повышение эффективности разведки и разработки // Берегиня.777.сова. – 2014. – № 2. – С. 121–125.
2. Башкирцева Н.Ю. Высоковязкие нефти и природные нефти // Вестник Казан. технолог. ун-та. – 2014. – С. 296–299.
3. Шандрыгин А.Н. Разработка залежей тяжелой нефти и природного битума методом парогравитационного дренажа (SAGD) // Нефтяное хозяйство. – 2006. – № 7. – С. 92–96.
4. Исследование процессов турбулентного движения однородной жидкости в стволе горизонтальной скважины при различных типах перфорационных отверстий / М.А. Фатхлисламов, И.В. Владимиров, О.П. Торопчин, С.А. Кротов // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2009. – № 9. – С. 36–40.
5. Исследование процессов турбулентного, вязкого движения двухфазной жидкости в полого направленном стволе скважины при различных свойствах коллектора / М.А. Фатхлисламов, Т.Г. Казакова, О.П. Торопчип, А.С. Кротов // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2010. – № 1. – С. 79–84.
6. Филиппов А.И., Ахметова О.В., Родионов А.С. Температурное поле турбулентного потока в скважине // Теплофизика высоких температур. – 2013. – Т. 51, № 2. – С. 277.
7. Харламов С.Н., Терещенко Р.Е. Теплообмен при ламинарном течении нефти и нефтепродуктов с аномальной реологией в трубопроводах большой протяженности // Вестник Рос. акад. естеств. наук. Западно-Сибирское отделение. – 2013. – № 15. – С. 96–100.
8. Ананьев Д.В., Халитова Г.Р. Интенсификация теплопереноса при ламинарном течении высокопарафинистой нефти в круглой трубе // Труды Академэнерго. – 2014. – № 2. – С. 7–16.
9. Стрункин С.И., Григорьев А.В., Хузин Л.И. Применение установок прогрева призабойной зоны пласта // Инженерная практика. – 2015. – Вып. 12.
10. Ибрагимов А.М. Тепломассоперенос при граничных условиях второго и третьего рода // Промышленное и гражданское строительство. – 2006. – № 9. – С. 58–59.
11. Труфанова Н.М., Костарев Н.А. Исследование процесса тепломассопереноса в нефтяной скважине // Научно-технический вестник Поволжья. – 2015. – № 4. – С. 126–129.
12. Конюхов В.М., Конюхов И.В., Чекалин А.Н. Математическое моделирование и параллельные вычисления процессов тепломассопереноса при эксплуатации единого комплекса «Нефтяной пласт – система скважин – электроцентробежные насосы» // Вестник Казан. технолог. ун-та. – 2014. – Т. 17. – № 10. – С. 195–202.
13. Файзуллин А.Э., Труфанова Н.М. Анализ тепловых процессов в нефтяной скважине // Научно-технический вестник Поволжья. – 2018. – № 7. – С. 150–153.
14. Ковригин Л.А., Кухарчук И.Б. Конвективный теплообмен в межтрубном пространстве нефтяной скважины с греющим кабелем // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2012. – № 6. – С. 43–47.
15. Фертиков М.Г., Дятлов И.Я., Труфанова Н.М. Исследование тепловых режимов греющего кабеля различных конструкций // Автоматизированные системы управления и информационные технологии: материалы всерос. науч.-техн. конф.: в 2 т. – Пермь: Изд-во Перм. нац. исследов. политехн. ун-та, 2018. – Т. 2. – С. 115–120.
16. Костарев Н.А., Труфанова Н.М. Исследование процессов тепломассопереноса в нефтяной скважине с учетом процесса парафинообразования // Автоматизированные системы управления и информационные технологии: материалы всерос. науч.-техн. конф.: в 2 т. – Пермь: Изд-во Перм. нац. исследов. политехн. ун-та, 2017. – Т. 2. – С. 136–142.
17. Ming-Jing Du, Yu-Lan Wang, Chao-LuTemuer. Reproducing kernel method for numerical simulation of downhole temperature distribution // Applied Mathematics and Computation. – 2017. – 297. – P. 19–30.
18. Tarom N., Hossain M.M. Using ANSYS to Realize a Semi-Analytical Method for Predicting Temperature Profile in Injection/Production Well // World Academy of Science, Engineering and Technology. – 2012. – 72.
19. Труфанова Н.М., Костарев Н.А. Моделирование процесса тепломассопереноса при промывке нефтяной скважины через полые штанги // XXI Зимняя школа по механике сплошных сред: тез. докл., (г. Пермь, 18-22 февр. 2019 г.) / Урал. отд-ние Рос. акад. наук, Ин-т механики сплошных сред УрО РАН – филиал Федер. гос. бюджет. учр. науки «Перм. федер. исслед. центра» УрО РАН. – Пермь: Новопринт, 2019. – С. 158.
20. Пинягин Д.С., Костарев Н.А., Труфанова Н.М. Анализ процессов тепломассопереноса в нефтяной скважине при использовании призабойных нагревателей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2019. – № 30. – C. 211–226.

Совершенствование технологий сбора и первичной обработки вторичных цветных металлов является необходимым условием для развития вторичной цветной металлургии и создания предприятий по переработке твердых отходов. Одной из таких технологий является электродинамическая сепарация в бегущем магнитном поле. В статье рассмотрены электродинамические сепараторы на основе линейных индукторов. Такие сепараторы легко вписываются в технологические линии и применяются при извлечении цветных металлов из различных видов твердых отходов (автомобильный лом, смешанные производственные и коммунальные отходы, кабельный и электронный лом и др.), а также при обработке сложного лома цветных металлов при подготовке к металлургическим переделам. Установка состоит из конвейера, перемещающего сепарируемые материалы, и индуктора, располагаемого под лентой конвейера. Моделирование взаимодействия между магнитным полем и проводящими частицами осложнено существованием различных электромагнитных и механических (гравитационных и трения) сил. Цели исследования: разработка математической модели с учетом действия на частицы различных сил и оценка путей повышения эффективности электродинамической сепарации. Результаты: представлена математическая модель для исследования электродинамического сепаратора на основе линейной индукционной машины. Сепарация является результатом комбинированных действий на проводящие частицы различных сил. Следовательно, важной частью модели сепаратора являются уравнения для комбинированного электромагнитного и механического воздействия. В модели учитывается движение проводящих частиц в двух направлениях: перенос частиц по ленте конвейера и поперечное движение под действием электромагнитных сил. Описаны результаты исследования опытного образца электродинамического сепаратора на основе линейных индукторов, созданного в лаборатории кафедры «Электротехника и электротехнологические системы» Уральского федерального университета. Показана возможность улучшения показателей сепаратора за счет применения линейных индукционных машин со встречно бегущими магнитными полями. Результаты расчетов соответствуют данным промышленных испытаний.

Ключевые слова: электродинамическая сепарация, линейная индукционная машина, сепарация цветных металлов, электромагнитные силы, механические силы, математическая модель, результаты исследований.

Коняев Андрей Юрьевич (Екатеринбург, Россия) – доктор технических наук, профессор, профессор кафедры «Электротехника
и электротехнологические системы» Уральского федерального университета (УрФУ) им. первого Президента России Б.Н. Ельцина (620002, Екатеринбург, ул. Мира, 19, e-mail: a.u.konyaev@urfu.ru).

Багин Дмитрий Николаевич (Екатеринбург, Россия) – кандидат технических наук, преподаватель кафедры «Электротехника и электротехнологические системы» Уральского федерального университета (УрФУ) им. первого Президента России Б.Н. Ельцина (Екатеринбург, ул. Мира, 19, e-mail: bagin19@ mail.ru).

Лаптева Екатерина Олеговна (Екатеринбург, Россия) – магистрант кафедры «Электротехника и электротехнологические системы» Уральского федерального университета (УрФУ) им. первого Президента России Б.Н. Ельцина (620002, Екатеринбург, ул. Мира, 19,
e-mail: ekaterinamorsyo@yandex.ru).

1. Стратегия развития промышленности по обработке, утилизации и обезвреживанию отходов производства и потребления на период до 2030 г. (утв. Распоряжением Правительства РФ от 25.01.2018 № 84-р) [Электронный ресурс]. – URL: http://www.consultant.ru/document/cons­_doc_LAW_289114/
2. Колычев Н.А. Оптимизация обращения с твердыми бытовыми и близкими к ним по составу промышленными отходами в крупных и средних населенных пунктах России // Биосфера: междисциплинарный науч. и прикладной журнал. – 2013. – Т. 5, № 4. – С. 393–418.
3. Шубов Л.Я., Ставровский М.Е., Олейник А.В. Технология отходов. – М.: Альфа-М: Инфра-М, 2011. – 352 с.
4. Колобов Г.А., Бредихин В.Н., Чернобаев В.М. Сбор и обработка вторичного сырья цветных металлов. – М.: Металлургия, 1993. – 288 с.
5. Сумцов В.Ф. Электромагнитные железоотделители. – М.: Машиностроение, 1981. – 212 с.
6. ГОСТ 10512-93. Сепараторы магнитные и электромагнитные. Общие технические условия. – М.: Изд-во стандартов, 1995. – 27 с.
7. Wilson R.J., Veasey T.J., Squires D.M. Application of mineral processing techniques for the recovery of metal from post-consumer wastes // Minerals Engineering. – 1994, No. 7. – P. 975–984. DOI: 10.1016/0892-6875(94)90027-2/
8. Кармазин В.И., Кармазин В.В. Магнитные, электрические и специальные методы обогащения полезных ископаемых. Т. 1. Магнитные и электрические методы обогащения полезных ископаемых. – М.: Горная книга, 2017. – 672 с.
9. Schloemann E. Eddy current techniques for segregating nonferrous metals from waste // Resources, Conservation and Recycling. – 1982, No. 5. – Р. 149–162. DOI: 10.1016/0361-3658(82)90024-8
10. Lungu M., Rem P. Eddy-current separation of small nonferrous particles by a single-disk separator with permanent magnets // IEEE Transactions on Magnetics. – 2003. – 39(4). – P. 2062–2067. DOI: 10.1109/tmag.2003.812724
11. Settimo F., Belivacqua P., Rem P. Eddy current separation of fine non-ferrous particles from bulk streams // Physical Separation in Science and Engineering. – 2004. – Vol. 13, No. 1. – P. 15–23. DOI: 10.1080/00207390410001710726
12. Smith Y.R., Nagel J.R., Rajamani R.K. Eddy current separation for recovery of non-ferrous metallic particles: A comprehensive review // Minerals Engineering. – 2019. – 133. – P. 149–159. DOI: 10.1016/j.mineng.2018.12.025
13. Устройства для электродинамической сепарации лома и отходов цветных металлов / А.А. Патрик, Н.Н. Мурахин, Т.Н. Дерендяева, А.Ю. Коняев, С.Л. Назаров // Промышленная энергетика. – 2001. – № 6. – С. 16–19.
14. Features of electrodynamic separation the fine fraction of municipal solid waste / A.Yu. Konyaev, Zh.O. Abdullaev, D.N. Bagin, I.A. Konyaev // Ecology and Industry of Russia. – 2017. – Vol. 21, No. 6. – P. 4–9. DOI: 10.18412/1816-0395-2017-6-4-9
15. Электродинамические сепараторы с бегущим магнитным полем: основы теории и расчета / А.Ю. Коняев, И.А. Коняев, Н.Е. Маркин, С.Л. Назаров. – Екатеринбург: Изд-во УрФУ, 2012. – 104 с.
16. Коняев А.Ю., Коняев И.А., Назаров С.Л. Применение электродинамических сепараторов в технологиях вторичной цветной металлургии // Цветные металлы. – 2012. – № 11. – С. 22–26.
17. Электродинамические сепараторы с вращающимся магнитным полем для обработки измельченного электронного лома / А.Ю. Коняев, И.А. Коняев, С.Л. Назаров, Н.С. Якушев // Промышленная энергетика. – 2015. – № 7. – С. 44–47.
18. Коняев А.Ю., Абдуллаев Ж.О., Коняев И.А. Сепараторы для извлечения цветных металлов из твердых коммунальных отходов // Твердые бытовые отходы. – 2017. – № 3. – С. 36–39.
19. Линейные индукционные машины со встречно бегущими магнитными полями для энергоэффективных технологий / А.Ю. Коняев, Б.А. Сокунов, Ж.О. Абдуллаев, Е.Л. Швыдкий // Промышленная энергетика. – 2017. – № 4. – С. 2–7.
20. Konyaev A.Y., Bagin D.N. Modeling and Electrodynamic Separator Based on a Linear Inductor // Russian Electrical Engineering. – 2018. – Vol. 89, No 3. – P. 168–173. DOI: 10.3103/S1068371218030100

Существуют различные типы электронного мошенничества, связанные с хищением средств с банковских счетов и карт, легализацией полученных незаконным путем финансовых средств, получением кредитов, и пр. Один из типов мошенничества состоит в регистрации фиктивных аккаунтов пользователей и получении финансового вознаграждения от заинтересованной в увеличения популярности и прибыльности электронного ресурса стороны. В случае обнаружения заявки на регистрацию предположительно фиктивного аккаунта электронный ресурс может подвергнуть заявку дополнительной проверке. Набор данных в задаче определения электронного мошенничества, как правило, сильно несбалансирован: количество экземпляров записей
о регистрациях фиктивных аккаунтов значительно меньше количества записей о регистрации действительных аккаунтов. Цель исследования: построение классификатора, использующего методы машинного обучения для выявления регистрации фиктивных аккаунтов в случае обучения на сильно несбалансированном наборе данных. Результаты: рассмотрены существующие решения задачи противодействия электронному мошенничеству с использованием методов машинного обучения. Для решения поставленной задачи на языке программирования Python написан комплекс программ. Были произведены предобработка данных и анализ полученных из них признаков. В работе представлены результаты корреляционного анализа признаков и результаты применения различных алгоритмов классификации (случайного леса, бэггинга, сбалансированного бэггинга и LinearSVC) в задаче бинарной классификации аккаунтов на действительные и фиктивные. Также представлены результаты применения различных алгоритмов для уменьшения влияния на процесс обучения несбалансированности классов набора данных: SMOTE, ADASYN, NCR, Tomek Links, CNN. Для указанных алгоритмов в работе приведены полученные матрицы ошибок и значения метрик. Произведено сравнение метрик и выбран алгоритм, обеспечивающий лучшие результаты классификации. Практическая значимость: использование примененных
в работе методов машинного обучения позволит автоматизировать процесс выявления при регистрации фиктивных аккакунтов.

Ключевые слова: электронное мошенничество, машинное обучение, бустинг, случайный лес, несбалансированный набор данных.

Марахтанов Алексей Георгиевич (Петрозаводск, Россия) – директор Центра искусственного интеллекта Петрозаводского государственного университета (185910, Республика Карелия, Петрозаводск, пр. Ленина, 33, e-mail: marahtanov@petrsu.ru).

Паренченков Евгений Олегович (Петрозаводск, Россия) – программист Центра искусственного интеллекта Петрозаводского государственного университета (185910, Республика Карелия, Петрозаводск, пр. Ленина, 33, e-mail: parenche@cs.karelia.ru).

Смирнов Николай Васильевич (Петрозаводск, Россия) – кандидат технических наук, доцент кафедры «Теория вероятностей и анализ данных» Петрозаводского государственного университета (185910, Республика Карелия, Петрозаводск, пр. Ленина, 33, e-mail: nvsmirnov87@gmail.com).

1. Eremenko I.I., Oliunina I.S. Use of Machine Learning Methods for Solving Problem of User Identifying by Keyboard Handwriting // 2019 International Russian Automation Conference (RusAutoCon). – 2019. DOI: https://doi.org/10.1109/RUSAUTOCON.2019.8867767
2. Bikmullina I., Andreyanov N., Medvedev M. Stand for Development of Tasks of Detection and Recognition of Objects on Image // 2019 International Russian Automation Conference (RusAutoCon). – 2019. DOI: https://doi.org/10.1109/RUSAUTOCON.2019.8867608
3. Face recognition based on an improved center symmetric local binary pattern / N.-N. Zhou, A.G. Constantinides, G. Huang, Z. Shaobai // Neural Computing and Applications. – 2017. – Vol. 30. – P. 3791–3797. DOI: https://doi.org/10.1007/s00521-017-2963-2
4. Papakostas M., Iannakopoulos T. Speech-music discrimination using deep visual feature extractors // Expert Systems with Applications. – 2018. – Vol. 114. – P. 334–344. DOI: https://doi.org/10.1016/j.eswa.2018.05.016
5. Robalinho M., Fernandes P. Software 2.0 for Scrap Metal Classification // 16th Int. Conf. on Informatics in Control, Automation and Robotics. – 2019. – P. 666–673. DOI: https://doi.org/10.5220/0007977506660673
6. Ojala T., Pietikainen M., Maenpaa T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2002. – Vol. 24, No. 7. – P. 971–987. DOI: https://doi.org/10.1109/TPAMI.2002.1017623
7. Kudugunta S., Ferrara E. Deep Neural Networks for Bot Detection // Information Sciences. – 2018. – Vol. 467. – P. 312–322. DOI: https://doi.org/10.1016/j.ins.2018.08.019
8. Application of Machine Analysis Algorithms to Automate Implementation of Tasks of Combating Criminal Money Laundering / D. Dorofeev, M. Khrestina, T. Usubaliev [et al.] // DTGS 2018: Digital Transformation and Global Society. – 2018. – P. 3757–385. DOI: https://doi.org/10.1007/978-3-030-02843-5_30
9. Anti-fraud system on the basis of data mining technologies / M.U. Sa­pozhnikova, A.V. Nikonov, A.M. Vulfin [et al.] // 2017 IEEE International Symposium on Signal Processing and Information Technology (ISSPIT). – 2017. – P. 2437–248. DOI: https://doi.org/10.1109/ISSPIT.2017.8388649
10. Abdelhamid D., Khaoula S., Atika O. Automatic Bank Fraud Detection Using Support Vector Machines // Proceedings of the International conference on Computing Technology and Information Management. – 2014. – P. 10–17.
11. Gyamfi N. K., Abdulai J.-D. Bank Fraud Detection Using Support Vector Machine // 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). – 2018. – P. 37–41. DOI: https://doi.org/10.1109/IEMCON.2018.8614994
12. T. Ryan Hoens, Nitesh V. Chawla. Imbalanced Datasets: From Sampling to Classifiers // Imbalanced Learning: Foundations, Algorithms, and Applications. – 2013. – P. 43–59. DOI: https://dx.doi.org/10.1002/2F9781118646106.ch3
13. Sun M., Yang R. An efficient secure k nearest neighbor classification protocol with high-dimensional features // International Journal of Intelligent Systems. – 2020. – Vol. 35. – P. 17911–813. DOI: https://doi.org/10.1002/int.22272
14. Batchanaboyina M.R., Devarakonda N. Design and Evaluation of Outlier Detection Based on Semantic Condensed Nearest Neighbor // Journal of Intelligent Systems. – 2019. – Vol. 29. – P. 1416–1424. DOI: https://doi.org/10.1515/jisys-2018-0476
15. Agustianto K., Destarianto P. Imbalance Data Handling using Neighborhood Cleaning Rule (NCL) Sampling Method for Precision Student Modeling // Proceedings – 2019 International Conference on Computer Science, Information Technology, and Electrical Engineering, ICOMITEE 2019. – 2019. – P. 86–89. DOI: https://doi.org/10.1109/ICOMITEE.2019.8921159
16. Rodolfo M. Pereira, Yandre M.G. Costa, Carlos N. Silla Jr. MLTL: A multi-label approach for the Tomek Link undersampling algorithm // Neurocomputing. – 2020. – Vol. 383. – P. 95–105. DOI: https://doi.org/10.1016/j.neucom.2019.11.076
17. A new method of diesel fuel brands identification: SMOTE oversampling combined with XGBoost ensemble learning / S. Wang, S. Liu, J. Zhang [et al.] // Fuel. – 2020. – Vol. 282. – P. 1–9. DOI: https://doi.org/10.1016/j.fuel.2020.118848
18. Classifying 2-year recurrence in patients with dlbcl using clinical variables with imbalanced data and machine learning methods / L. Wang, Z.Q. Zhao, Y.H. Luo [et al.] // Computer Methods and Programs in Biomedicine. – 2020. – Vol. 196. – P. 1–14. DOI: https://doi.org/10.1016/j.cmpb.2020.105567
19. Liu C., Zhu L. A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory // Measurement. – 2020. – Vol. 164. – P. 1–12. DOI: https://doi.org/10.1016/j.measurement.2020.108029
20. Taneja S., Suri B., Kothari C. Application of Balancing Techniques with Ensemble Approach for Credit Card Fraud Detection // 2019 International Conference on Computing, Power and Communication Technologies, GUCON 2019. – 2019. – P. 753–758. – URL: https://ieeexplore.ieee.org/document/8940539
21. Detection of Non-Technical Losses Using SOSTLinkand Bidirectional Gated Recurrent Unit to SecureSmart Meters / Gul Hira, Javaid Nadeem, Ullah Ibrar [et al.] // Applied Sciences (Switzerland). – 2020. – Vol. 10. – P. 1–21. DOI: https://doi.org/10.3390/app10093151

Современный технологический процесс невозможно представить без автоматических систем управления. При правильном использовании таких систем можно получить оптимальные параметры эксплуатации как определенного узла, так и технологического процесса в целом.
В условиях современных рыночных отношений и жесткой конкуренции особенно актуальной становится проблема высокого качества производимой продукции при минимальных производственных затратах. Это и обусловливает необходимость создания высокоточного, быстрого и надежного управления процессами и аппаратами. Цель: разработка системы адаптивного нечеткого управления процессом ректификации возвратного растворителя (изопрен-изопентан-толуольной фракции) с применением пакета расширения Fuzzy Logic Тoolbox при различных критических ситуациях работы. К основным критическим параметрам относятся: высокая или низкая температура, высокое или низкое давление, а также высокий или низкий уровень углеводородов в кубовой части колонны. Методы: для решения задачи о выборе критической ситуации был разработан нечеткий регулятор оценки ситуаций. На выходе данного регулятора имеются
2 вывода о возможных критических ситуациях. Первый вывод указывает на необходимость использовать в качестве теплоносителя горячую воду. Второй вывод указывает на необходимость использовать в качестве теплоносителя пар. Результаты: в зависимости от вывода нечеткого регулятора оценки ситуации включается один из двух последующих регуляторов, которые,
в свою очередь, настроены под определенные значения показателей входных переменных. Значимость: предложенный метод управления процессом непрерывной ректификации изопрен-изопентан-толуольной фракции в колонне тарельчатого типа позволит своевременно обнаруживать критические ситуации при работе системы и принимать необходимые меры по их нейтрализации, что в конечном итоге позволит улучшить качество продукта, увеличить производительность установки, сэкономить энергоресурсы.

Ключевые слова: нечеткое управление, ректификация, критическая ситуация, MatLab, моделирование, Simulink, температура.

Муравьева Елена Александровна (Стерлитамак, Россия) – доктор технических наук, профессор, заведующая кафедрой «Автоматизированные технологические и информационные системы» филиала Уфимского государственного нефтяного технического университета
в Стерлитамаке (453118, Республика Башкортостан, Стерлитамак, пр. Октября, 2, e-mail: atangulovaelina@gmail.com).

Атангулова Элина Ханифовна (Стерлитамак, Россия) – студентка филиала Уфимского государственного нефтяного технического университета в Стерлитамаке (453118, Республика Башкортостан, Стерлитамак, пр. Октября, 2, e-mail: muraveva_ea@mail.ru).

 Холходжаев Б.А., Тошев Ш.Д. Регуляризованный алгоритм адаптивной идентификации объектов управления // Вестник науки
и образования. – 2019. – № 7–1(61). – С. 20–24.

2. Билас Д.Э., Чертовской В.Д., Савченко Н.В. Распределенная адаптивная система управления производством // Герценовские чтения: материалы 72-й науч. конф. – СПб.: Изд-во: Рос. гос. пед. ун-та им. А.И. Герцена, – 2019. – С. 234–236.

3. Бурлаков Н.И., Ляхов В.Р., Молоканов Р.О. Обзор существующих систем адаптивного управления и выявление их недостатков // Современная наука: актуальные вопросы, достижения и инновации. – Пенза: Изд-во: МЦНС «Наука и Просвещение». – 2018. – С. 63–66.

4. Muravyova E.A., Sharipov M.I., Gabitov R.F. SCADA-system based on multidimensional precise logic controller for the control of a cement kiln // International Multi-Conference on Industrial Engineering and Modern Technologies. – 2019. – № 8602589.

5. Power consumption analysis of pump station control systems based on fuzzy controllers with discrete terms in ithink software / E.A. Muravyova, M.I. Sharipov, A.I. Kubryak, A.V. Bondarev, G.R. Galiaskarova // IOP Conference Ser. Materials Science and Engineering. – 2018. – № 022072.

6. Lu Y. Adaptive-Fuzzy Control Compensation Design for Direct Adaptive Fuzzy Control // IEEE Transactions on Fuzzy Systems. – 2018. – Vol. 26, iss. 6.

7. Hesamian G., Akbari M.G., Yaghoobpoor R. Quality Control Process Based on Fuzzy Random Variables // IEEE Transactions on Fuzzy Systems. – 2019. – Vol. 27, iss. 4.

8. Гудкова Н.В. Цифровые адаптивные фильтры в системах управления // DSPA: вопросы применения цифровой обработки сигналов. – 2017. – Т. 7, № 1. – С. 210–213.

9. Воронцов Е.Ю. Система управления температурой муфельной электропечи с адаптивным регулятором температуры // Вестник Южно-Урал. гос. ун-та. Сер. Металлургия. – 2019. – Т. 19, № 1. – С. 80–87.

10. Потапов Н.С., Маслов А.А. Оценка адекватности модели адаптивной системы управления с применением средств математического моделирования // Наука – производству. – 2018. – С. 77–84.

11. Носальчук Р.О. Разработка мобильной системы управления для лабораторного стенда по изучению нечетких и адаптивных позиционных систем управления // Образование, наука, производство. – 2015. – С. 2824–2828.

12. Шаршеналиев Ж.Ш., Джамбоева И.А., Куланбаева Т.Т. Наука и новые технологии. – 2006. – С. 9–14.

13. Исаева Ю.А. Построение адаптивной двухуровневой имитационной модели управления системой защиты информации автоматизированной системы управления для оценки ее эффективности // МНСК-2018: информационные технологии. – 2018. – С. 107.

14. Селифанов В.В., Исаева Ю.А., Звягинцева П.А. Создание адаптивной двухуровневой модели процессов управления системой защиты информации в автоматизированных системах управления технологическими процессами // Интерэкспо Гео-Сибирь. – 2018. – № 7. – С. 244–249.

15. Мостовой В.Д. Применение интегрирующих звеньев с логическим элементом при создании систем адаптивного управления процессом токарной обработки // Современные технологии и автоматизация в технике, управлении и образовании: сб. тр. I Междунар. науч.-практ. конф. – М.: Изд-во: Национальный исследовательский ядерный университет «МИФИ», 2019. – С. 99–104.

16. Ковалева А.А. Использование адаптивных систем для управления качеством поверхностного слоя // Будущее науки-2019: сб. науч. ст. 7-й Междунар. молодеж. науч. конф. – Курск, 2019. – С. 55–58.

17. Капустин А.Г., Терещенко К.В. Адаптивная система с эталонной модельюдля управления объектами электропривода // Молодежь
в науке: новые аргументы: IV Междунар. молодеж. сб. науч. ст. – Красноярск, 2019. – С. 35–40.

18. Валько Д.В. Процессная эффективность адаптивного государственного управления региональной социо-эколого-экономической системой // Научные труды Вольного экономического общества России. – 2018. – Т. 212, № 4. – С. 442–458.

 19. Загревский В.И., Загревский О.И. Аналитическая модель компенсации двигательной ошибки в адаптивном управлении движением биомеханической системы // Человек. Спорт. Медицина. – 2019. – Т. 19. – № 2. – С. 79–85.
20.  Модель движения и адаптивного управления телеуправляемого необитаемого подводного аппарата в сложной динамической системе / С.К. Данилова, А.М. Кусков, И.М. Кусков, Н.Н. Тарасов // Морской вестник. – 2019. – № 2(70). – С. 93–97.

Микрокомпьютеры обладают ограниченными вычислительными мощностями (производительность процессора и количество памяти). При запуске нейронной сети на таком компьютере производительность снижается по сравнению с персональными и настольными компьютерами. Для устранения этого недостатка применяются различные методы оптимизации вычислений нейронных сетей, в частности квантование. Квантование уменьшает точность чисел, в которых хранятся весовые коэффициенты нейронных сетей, до 8-битных целых чисел или до 16-битных чисел с плавающей точкой с небольшими потерями или вовсе без потери точности нейронной сети, что приводит к уменьшению объема памяти, занимаемой моделью сети. Квантование позволяет оптимизировать вычисления под определенный вид процессора (CPU, GPU, TPU), но
в этой статье будет рассмотрена оптимизация только под CPU. Цель исследования: уменьшение размера файла весовых коэффициентов нейронной сети. Методы и результаты исследования: сформулирована оптимизационная задача, заключающаяся в нахождении функции преобразования весовых коэффициентов, для которой достигается минимум суммы относительных изменений размера файла весовых коэффициентов, времени обработки изображения, точности нейронной сети. Проведены эксперименты с различными типами квантования (квантование динамического диапазона, квантование с использованием репрезентативного набора данных, целочисленное квантование с использованием репрезентативного набора данных, квантование во float16). Показаны вычислительные блоки и изменения в архитектуре нейронной сети, которые вносит каждый из рассмотренных типов квантования. Проведен сравнительный анализ типов квантования с различными характеристиками (точность нейронной сети после применения квантования, количество времени, затрачиваемое нейронной сетью на обработку одного изображения, размер файла с весовыми коэффициентами нейронной сети). Выбран метод квантования, для которого достигается минимум оптимизационной функции. Практическая значимость: уменьшение времени обновления нейронной сети на удаленном микрокомпьютере. В итоге выбрано квантование во float16, так как с его помощью количество занимаемой памяти уменьшается вдвое, а точность нейронной сети и производительность остаются без изменений.

Ключевые слова: нейронная сеть, оптимизация вычислений, квантование.

Ахметзянов Кирилл Раисович (Пермь, Россия) – аспирант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: kirill94a@mail.ru).

Тур Александр Игоревич (Пермь, Россия) – аспирант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: tur.aleksandr93@mail.ru).

Кокоулин Андрей Николаевич (Пермь, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: a.n.kokoulin@at.pstu.ru).

Южаков Александр Анатольевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматика
и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29,
e-mail: uz@at.pstu.ru).

1. End to end learning for self-driving cars / M. Bojarski [et al.] // arXiv preprint arXiv:1604.07316. – 2016.
2. Bekey G.A., Goldberg K.Y. (eds.). Neural networks in robotics // Springer Science & Business Media. – 2012. – Vol. 202.
3. Quantization and training of neural networks for efficient integer-arithmetic-only inference / B. Jacob [et al.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2018. – P. 2704–2713.
4. Han S., Mao H., Dally W.J. Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding // arXiv preprint arXiv:1510.00149. – 2015.
5. Low-bit quantization of neural networks for efficient inference / Y. Choukroun [et al.] // 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW). IEEE. – 2019. – P. 3009–3018.
6. Haq: Hardware-aware automated quantization with mixed precision / K. Wang [et al.] // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2019. – P. 8612–8620.
7. Quantized convolutional neural networks for mobile devices / J. Wu [et al.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – P. 4820–4828.
8. Krishnamoorthi R. Quantizing deep convolutional networks for efficient inference: A whitepaper: arXiv preprint arXiv:1806.08342. – 2018.
9. Mobilenets: Efficient convolutional neural networks for mobile vision applications / A.G. Howard [et al.] // arXiv preprint arXiv:1704.04861. – 2017.
10. Ахметзянов К.Р., Южаков А.А. Сравнение сверточных нейронных сетей для задач сортировки мусорных отходов // Известия СПбГЭТУ ЛЭТИ. – 2018. – № 6. – С. 27–32.
11. Ахметзянов К.Р., Южаков А.А. Увеличение точности сверточной нейронной сети за счет возрастания количества данных // Нейрокомпьютеры: разработка, применение. – 2018. – № 7. – С. 14–19.
12. Perez L., Wang J. The effectiveness of data augmentation in image classification using deep learning // arXiv preprint arXiv:1712.04621. – 2017.
13. Vasconcelos C.N., Vasconcelos B.N. Convolutional neural network committees for melanoma classification with classical and expert knowledge based image transforms data augmentation // arXiv preprint arXiv:1702.07025. – 2017.
14. Random Erasing Data Augmentation / Z. Zhong [et al.] // AAAI. – 2020. – P. 13001–13008.
15. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv preprint arXiv:1409.1556. – 2014.
16. Cloud TPU [Электронный ресурс]. – URL: https://cloud.google.com/tpu (дата обращения: 05.09.2020).
17. TensorFlow [Электронный ресурс]. – URL: https://www.tensor­flow.org/ (дата обращения: 05.09.2020).
18. Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. – 2014.
19. Smith L.N. Cyclical learning rates for training neural networks // IEEE Winter Conference on Applications of Computer Vision (WACV). – IEEE. – 2017. – P. 464–472.
20. ML for Mobile and Edge Devices – TensorFlow Lite [Электронный ресурс]. – URL: https://www.tensorflow.org/lite (дата обращения: 05.09.2020).
21. Netron [Электронный ресурс]. – URL: https://lutzroeder.github.io/netron/ (дата обращения: 05.09.2020).
22. Post-training integer quantization [Электронный ресурс]. – URL: https://www.tensorflow.org/lite/performance/post_training_integer_quant (дата обращения: 05.09.2020).
23. Post-training float16 quantization [Электронный ресурс]. – URL: https://www.tensorflow.org/lite/performance/post_training_float16_quant (дата обращения: 05.09.2020).

В статье рассмотрена проблема моделирования теплового поля в процессе электронно-лучевой сварки, которая широко применяется на предприятия машиностроения Российской Федерации. Актуальность данного исследования обусловлена сложностью подбора эффективного набора технологических параметров для изделий из титанового сплава. Применение методов математического моделирования позволяет существенно снизить временные, трудовые, а также экономические затраты на совершенствование и также отработку существующих технологий. При этом использование динамически изменяющихся теплофизических параметров в процессе моделирования способствует повышению точности моделирования. Цель исследования: повышение эффективности и качества математического моделирования температурного поля. Методы: предложенный в статье подход по использованию динамически изменяемых теплофизических параметров использует методы регрессионного анализа, позволяющие восстановить значения таких параметров для сплавов изделий в процессе моделирования. Применялись следующие широко используемые методы аппроксимации: линейная, квадратичная, кубическая, экспоненциальная, логарифмическая, – позволяющие восстановить зависимость недостающих значений теплофизических параметров, зависящие от температуры материала. Для моделирования распределения температурного поля используется аппарат теории сварочных процессов, на основе которого реализованы вычислительные соотношения. Результаты: в процессе экспериментальных исследований применения предложенного в работе подхода, было проведено моделирования распределения энергии при электронно-лучевой сварке элемента изделия из титанового сплава ВТ-14. Применение динамически изменяемых теплофизических параметров изделия позволило получить функцию распределения энергии в зоне нагрева более естественного вида, когда нагревание более холодных зон не даёт высокого распределения тепла в смежные области. Практическая значимость: полученные результаты могут быть использованы для повышения качества сварного соединения, а также обеспечения повторяемости технологического процесса электронно-лучевой сварки.

Ключевые слова: электронно-лучевая сварка, моделирование, технологические параметры, электронный пучок, оптимизация, распределение энергии, ввод электронного луча, теплофизические параметры, регрессия, физические свойства материала.

Курашкин Сергей Олегович (Красноярск, Россия) – аспирант кафедры «Информационно-управляющие системы» Сибирского государственного университета науки и технологий им. академика М.Ф. Решетнева (660037, Красноярск, пр. им. газеты «Красноярский рабочий», 31, e-mail: scorpion_ser@mail.ru).

Тынченко Вадим Сергеевич (Красноярск, Россия) – кандидат технических наук, доцент, доцент кафедры «Информационно-управляющие системы» Сибирского государственного университета науки и технологий им. академика М.Ф. Решетнева (660037, Красноярск, пр. им. газеты «Красноярский рабочий», 31, e-mail: vadimond@mail.ru).

Мурыгин Александр Владимирович (Красноярск, Россия) – доктор технических наук, профессор, заведующий кафедрой «Информационно-управляющие системы» Сибирского государственного университета науки и технологий им. академика М.Ф. Решетнева (660037, Красноярск, пр. им. газеты «Красноярский рабочий», 31, e-mail: avm514@mail.ru).

Рогова Дарья Васильевна (Красноярск, Россия) – студентка, Сибирского государственного университета науки и технологий
им. академика М.Ф. Решетнева (660037, Красноярск, пр. им. газеты «Красноярский рабочий», 31, e-mail: dasha_28_05@mail.ru).

1. Sitnikov I.V., Belenkiy V.Y., Olshanskaya T.V. Study of the Effect of Focusing and Oscillation of Electron Beam on the Structure and Properties of Welded Seams // IOP Conference Series: Materials Science and Engineering. – 2019. – № 611(1). DOI: 10.1088/1757-899X/611/1/012009

2. Control of electron beam wielding parameters based on the gap scanning system data during the welding process / A.N. Kasitsyn, R.Y. Agafonov, A.V. Leonov, G.V. Grigoriev // IOP Conference Series: Materials Science and Engineering. – 2020. – № 759(1). DOI: 10.1088/1757-899X/759/1/012013

3. Electron beam welding features of cermet membranes /
I.A. Kharitonov, V.K. Dragunov, A.L. Goncharov, V.N. Martynov // Journal of Physics: Conference Series. – 2018. – № 1109(1). DOI: 10.1088/1742-6596/1109/1/012022

4. Modelling the shape of electron beam welding joints by neural networks / T.S. Tsonevska, E.G. Koleva, L.S. Koleva, G.M. Mladenov // Journal of Physics: Conference Series. – 2018. – № 1089(1). DOI: 10.1088/1742-6596/1089/1/012008

5. Belenkiy V.Y. Scanning of an electron beam along an x-shaped trajectory as a means of reducing defects in the root of a weld in EBW // Automatic welding. – 1986. – Vol. 9. – P. 35–37.

6. Prevention of the formation of root defects in EBW with non-penetration of up to 60 mm depth / K.S. Akopianc, A.V. Emchenko-Ribko, V.Y. Neporohin, G.A. Shilov // Automatic welding. – 1989. – Vol. 4. – P. 30–34.

7. Modeling of electron beam distribution in electron beam welding / Y.N. Seregin, A.V. Murygin, V.D. Laptenok, V.S. Tynchenko // IOP Conference Series: Materials Science and Engineering. – 2018. – № 450(3). DOI: 10.1088/1757-899X/450/3/032036

8. Modelling of the welded seam parameters at electron-beam welding / V.S. Tynchenko, A.V. Murygin, Y.N. Seregin, A.V. Milov // IOP Conference Series: Materials Science and Engineering. – 2018. – № 450(2). DOI: 10.1088/1757-899X/450/2/022019

9. Method for determination of technological mode parameters of electron-beam welding based on the application of optimality criterion with the view on the weld pool uniform heating / V.D. Laptenok, Y.N. Seregin,
A.V. Murygin, V.S. Tynchenko // IOP Conference Series: Materials Science and Engineering. – 2018. – № 467(1). DOI: 10.1088/1757-899X/467/1/012013

10. Detecting overdispersion in count data: A zero-inflated Poisson regression analysis / S.A.M. Jamil, M.A.A. Abdullah, S.L. Kek, M.E. Nor,
M. Mohamed, N. Ismail // Journal of Physics: Conference Series. – 2017. – № 890(1). DOI: 10.1088/1742-6596/890/1/012170

11. Ramli M., Ratnasari V., Budiantara I.N. Estimation of Matrix Variance-Covariance on Nonparametric Regression Spline Truncated for Longitudinal Data // Journal of Physics: Conference Series. – 2019. –
№ 1562(1). DOI: 10.1088/1742-6596/1562/1/012014

12. Saputro D.R.S., Sukmayanti A., Widyaningsih P. The nonparametric regression model using Fourier series approximation and penalized least squares (PLS) (case on data proverty in East Java) // Journal of Physics: Conference Series. – 2019. – № 1188(1). DOI: 10.1088/1742-6596/1188/1/012019

13. Santoso R., Prahutama A., Devi A.R. Modeling longitudinal data based on Fourier regression // Journal of Physics: Conference Series. – 2019. – № 1217(1). DOI: 10.1088/1742-6596/1217/1/012105

14. Drapper N.R., Smith H. Applied regression analysis 2. – New York: Marcel Dekker, 1998. – 715 p.

15. HSoE, National research university, regression analysis. – URL: https://srosovet.ru/content/editor/Metod/regression/9lekciyaKolcov.pdf

16. Серегин Ю.Н., Курашкин С.О. Моделирование режима ЭЛС для прогнозирования параметров сварного шва // Электронно-лучевая сварка и смежные технологии. – 2017. – С. 26–36.

17. Analytical characteristics of the electron beam distribution density over the heated spot for optimizing the electron-beam welding process / S.O. Kurashkin, V.D. Laptenok, A.V. Murygin, Y.N. Seregin // IOP Conference Series: Materials Science and Engineering. – 2019. – № 681(1). DOI: 10.1088/1757-899X/681/1/012021

18. Seregin Y.N., Kurashkin S.O. Modeling the thermal process using the temperature functional by electron beam welding // IOP Conference Series: Materials Science and Engineering. – 2020. – № 734(1). DOI: 10.1088/1757-899X/734/1/012003

Полиэтилен (ПЭ), термопластичный полимер, отличается способностью к плавке и формовке при повышенных температурах. По этой причине стандартные марки полиэтилена оказываются ограниченными в их применении рамками таких максимальных температур, которые будут значительно ниже, чем температура плавления. За счет сшивания термическая стабильность размеров полиэтилена (PEX) может быть существенно повышена. Это обеспечивает возможность для того, чтобы использовать продукты из PEX в областях применения с более высокими температурными требованиями, которые превосходят температурные ограничения для нормальных термопластических марок. Цель исследования: Создание математической модели процесса тепломассопереноса в ванне для силановой сшивки изоляции кабеля, наполненной горячей водой с непрерывной подачей перегретого пара, определение времени нагрева изоляции. Методы: Численная реализация разработанной математической модели осуществлялась методом конечных элементов в среде ANSYS, Fluent. Для описания положения границы раздела пар – воздух используется модель VOF, для описания турбулентного течения привлекается классическая kе-модель. Для построения геометрии и разбиения на сетку конечных элементов использовались препроцессор ICEM CFD и квадратичные элементы. Результаты: В работе разработана нестационарная  двумерная математическая модель процессов тепломассопереноса в ванне
с кабелем и двухкомпонентной средой – пар-вода. Проведен анализ работоспособности предложенной модели. В результате исследования были получены векторное поле скоростей, поля температур и распределения фаз в силанольной ванне. Построена зависимость температуры кабеля, представляющего собой монолит с усредненными свойствами, от времени нагревав центре монолитной изоляции. Оценена адекватность математической модели и определена возможность её использования на практике. Практическая значимость: Результаты данной работы могут быть использоваться при создании технологических режимов сшивки силановой изоляции, при смене конструктивных особенностей заготовки и её длины на барабане. Использование цифровой модели позволяет оценить время протекания процесса силановой сшивки для кабелей среднего напряжения и определить рациональные режимы технологического процесса.

Ключевые слова: модель volume of fluid, силановая сшивка, теплообмен, кабель, вода, пар.

Гольцов Евгений Сергеевич (Пермь, Россия) – студент Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: evgeny.goltsov@yandex.ru).

Дятлов Илья Яковлевич (Пермь, Россия) – аспирант кафедры «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: d.i.994@yandex.ru).

Труфанова Наталия Михайловна (Пермь, Россия) – доктор технических наук, профессор, заведующая кафедрой «Конструирование и технологии в электротехнике» Пермского национального исследовательскогополитехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: trufanova@pstu.ru).

1. Yussuf A., Kosior E., Alban L. Silane grafting and crosslinking of metallocene-catalysed LLDPE and LDPE // Malaysian Polym. – 2007. – No. 2. – P. 58–71.
2. Laminating of chemically modified silan based nanosols for advanced functionalization of cotton textiles / A.L. Mohamed, M.E. El-Naggar, T.I. Shaheen, A.G. Hassabo // International Journal of Biological Macromolecules. – 2017. – Vol. 95. – P. 429–437.
3. P(4-vp) based nanoparticles and composites with dual action as antimicrobial materials / O. Ozay, N. Sahiner, A. Akcali, M.T. Otkun, C. Silan, N. Aktas // Colloids and Surfaces B: Biointerfaces. – 2010. – Vol. 79, № 2. – P. 460–466.
4. Bhagat S.D., Filho E.B.D.S., Stiegman A.E. High refractive index polymer composites synthesized by cross-linking of oxozirconium clusters through thiol-ene polymerization // Macromolecular Materials and Engineering. – 2015. – № 6. – P. 580–585.
5. Пешкова О.И., Холодный С.Д. Расчет времени сшивания полиэтиленовой изоляции с применением силанов // Исследовано в России. – 2014. – C. 28–32.
6. Bengtsson M., Oksman K. The use of silane technology in crosslinking polyethylene/wood flour composites / Department of Engineering Design and Materials, Norwegian University of Science and Technology, 2005. – P. 752–766.
7. ГОСТ Р 55025-2012. Кабели силовые с пластмассовой изоляцией на номинальное напряжение от 6 до 35 кВ включительно // Доступ из справ.-правовой системы КонсультантПлюс.
8. Гольцов Е.С., Дятлов И.Я., Труфанова Н.М. Исследование процесса теплообмена при силановой сшивке // Автоматизированные системы управления и информационные технологии: материалы всерос. науч.-техн. конф.: в 2 т. – Пермь: Изд-во Перм. нац. исследов. политехн. ун-та, 2019. – Т. 2. – С. 199–203.
9. Бурлаченко О.В., Чеснокова О.Г., Чередниченко Т.Ф. Исследование теплофизических свойств сверхтонкой жидкой теплоизоляции // Актуальные проблемы строительного и дорожного комплексов: материалы междунар. науч.-техн. конф., посв. 50-лет. Института строительства и архитектуры Поволжского гос. технолог. ун-та. – Йошкар-Ола, 2019. – С. 199–204.
10. Навалихина Е.Ю., Труфанова Н.М. Управление токовой нагрузкой линий в кабельном канале с учетом сложного теплообмена // Известия Самар. науч. центра Рос. акад. наук. – 2012. – Т. 14. – № 4(5). – С. 1318–1321.
11. Костарев Н.А., Труфанова Н.М. Исследование процессов тепломассопереноса в нефтяной скважине с учетом процесса парафинообразования // Автоматизированные системы управления и информационные технологии: материалы всерос. науч.-техн. конф.: в 2 т. – Пермь, 2017. – Т. 2. – С. 136–142.
12. Теоретическое исследование теплопроводности в многослойном сферическом теле с фазовыми переходами в слоях / В.Е. Мизонов, А.В. Митрофанов, Е.В. Басова, Е.А. Шуина, К. Таннус // Известия высших учебных заведений. Сер. Химия и химическая технология. – 2020. – Т. 63, № 7. – С. 54–60.
13. Li H., Waldman R.M., Hu H. An experimental investigation on unsteady heat transfer and transient icing process upon impingement of water droplets // 54th AIAA Aerospace Sciences Meeting. 54th. – 2016.
14. Zhang X., Li Z. Entransy of water vapor and its balance equation for heat and mass transfer process in the absorber // International Heat Transfer Conference. Proceedings of the 16th International Heat Transfer Conference, IHTC 2018. – 2018. – P. 5795–5802.
15. Transient 3d simulation for heating and melting process of pwr core after sbo / X. Zhang, H. Chen, F. Liu, D. Zhan // Annals of Nuclear Energy. – 2018. – Vol. 115. – P. 256–267.
16. Земляная Н.В., Шаланин В.А. Применение принципа минимума кривизны для расчета форм криволинейных водосливных поверхностей // Вестник инженерной школы Дальневост. федерал. ун-та. – Владивосток, 2019. – № 4.
17. Numerical simulation of multiphase flow in a vanyukov furnace / H.L. Zhang, Y.M. Chen, C.Q. Zhou, W.U. Bing // Journal of the Southern African Institute of Mining and Metallurgy. – 2015. – No. 5. – P. 457–463.
18. Иванов А.В., Смирнов Ю.Д. Оптимизация работы форсунки пылеподавления с использованием вычислительного моделирования // Записки Горного института. – СПб., 2013.
19. Wang T., Zhao H., Meng T. Analysis of tsunami effect and structural response // Tehnicki Vjesnik. – 2015. – No. 6. – P. 1365–1371.
20. Гольцов Е.С., Дятлов И.Я., Труфанова Н.М. Численный анализ процесса тепломассопереноса при силановой сшивке в водной ванне // Научно-технический вестник Поволжья. – Казань, 2019. – № 7.

Возрастающая роль информационной сферы жизнедеятельности общества ставит перед государством задачу по работе в новом направлении деятельности – реализации информационной функции. Для реализации этой функции на внутреннем уровне, органами государственной власти создаются государственные информационные системы, используемые, в том числе, для обработки данных ограниченного доступа. В связи с этим, обеспечение информационной безопасности при обработке данных в таких системах приобретает немаловажное значение для государства. Цель исследования: противодействие угрозам целенаправленных атак на системы облачных вычислений на примере частной облачной среды. Методы: в данной статье предлагается подход к распознаванию атак на государственные информационные системы, основанный на методах функционального анализа, теории распознавания образов и использовании методов оценки рисков для снижения числа ложных срабатываний. Результаты: Предложен подход
к обнаружению атак для частной облачной среды на основе теории распознавания образов. Атака представляется как образ, который необходимо распознать в ходе выполнения процессов накопления, обработки и передачи информации в гостевой операционной системе. Для выявления атаки необходимо установить вероятность соответствия определенному классу атак множества атак каждому объекту из множества атак на основе имеющегося описания и информации о классах атак. Затем можно использовать функции оценки близости (например, чебышевское расстояние) выявленного объекта атаки к известному классу атаки. В качестве дополнения
к предложенному методу для снижения числа ложных срабатываний предлагается подход, основанный на методе оценки информационных рисков. Суть подхода заключается в том, что признаки атак ранжируются по уровню влияния определенных компонент. По каждому из критериев ранжирования для признака атаки устанавливается определенное количество баллов, оценивающее отнесения того или иного критерия к факту реализации атаки. Если сумма баллов превысит определенный порог, то можно говорить о выявлении атаки. Практическая значимость: полученные результаты могут быть использованы при создании систем обнаружения компьютерных атак в информационно-телекоммуникационных системах, функционирующих на основе
технологии облачных вычислений, используемых при реализации информационной функции государства.

Ключевые слова: информационная функция государства, информационная безопасность, частная облачная среда, обнаружение компьютерных атак, система обнаружения вторжений, теория распознавания образов, оценка рисков.

Волков Сергей Дмитриевич (Москва, Россия) – аспирант кафедры «Международная информационная безопасность» Московского государственного лингвистического университета (119034, Москва, ул. Остоженка, 38/1, e-mail: volkov1234@gmail.com).

Царегородцев Анатолий Валерьевич (Москва, Россия) – профессор кафедры «Международная информационная безопасность» Московского государственного лингвистического университета (119034, Москва, ул. Остоженка, 38/1, e-mail: avtsaregorodtsev@linguanet.ru).

1. Околёснова О.А. Обеспечение информационной безопасности в рамках реализации информационной функции государства // Информационное пространство: обеспечение информационной безопасности и право: сб. науч. трудов / под ред. Т.А. Поляковой, В.Б. Наумова, А.В. Минбалеева. – М.: Изд-во ИГП РАН, 2018. – С. 304–308.
2. Царегородцев А.В., Качко А.К. Обеспечение информационной безопасности на облачной архитектуре организации // Национальная безопасность. – М.: НБ Медиа, 2011. – № 5. – С. 25–34.
3. The NIST Definition of Cloud Computing [Электронный ресурс]. – URL: http://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf (дата обращения: 15.05.2020).
4. Царегородцев А.В. SWOT-анализ информационной безопасности корпоративных систем на основе облачных вычислений // Новые информационные технологии: тез. докл. ХX Междунар. студенческой конф.-школы-семинара. – М.: Изд-во МИЭМ, 2012. – 416 с.
5. Волков С.Д. Обзор подходов к построению систем обнаружения компьютерных атак для информационно-телекоммуникационных систем, функционирующих на основе технологии облачных вычислений // Collegium Linguisticum-2017: материалы ежегодной конф. студ. науч. общества МГЛУ. – М.: Изд-во МГЛУ, 2017. – С. 442–447.
6. Гамаюнов Д.Ю. Обнаружение компьютерных атак на основе анализа поведения сетевых объектов: дис. – М.: Изд-во МГУ, 2007.
7. Волков С.Д. Нейросетевая система обнаружения вторжений в информационно-телекоммуникационные системы, функционирующие на основе технологии облачных вычислений: выпускная квалификационная работа (магистер. дис.) / Моск. гос. лингвист. ун-т. – М., 2017.
8. Климов С.М. Методы и модели противодействия компьютерным атакам. – Люберцы: КАТАЛИТ, 2008. – 316 с.
9. ГОСТ Р 56938-2016. Защита информации. Защита информации при использовании технологий виртуализации. Общие положения. [Электронный ресурс]. – URL: http://docs.cntd.ru/document/1200135524 (дата обращения: 15.05.2020).
10. Intrusion detection in cloud computing based attack patterns and risk assessment / B.C. Youssef, M. Nada, B. Elmehdi, R. Boubker // Advances in Science, Technology and Engineering Systems Journal. – 2017. – Vol. 2, № 3. – С. 479–484.
11. Царегородцев А.В., Савельев И.А., Мухин И.Н. Один из подходов анализа рисков безопасности данных в облачных средах // Современная наука: актуальные проблемы теории и практики. Сер. Естественные и технические науки. – М.: Научные технологии, 2014. – № 1–2. – С. 57–65.
12. Царегородцев А.В., Мухин И.Н. Синтез развивающихся информационно-управляющих систем // Автоматизация и современные технологии. – М.: Машиностроение, 2004. – № 11. – С. 12–21.
13. Мухин И.Н. Анализ рисков управления информационной безопасностью предприятия как этап комплексной защиты объектов информатизации // Современная наука: актуальные проблемы теории и практики. Сер. Естественные и технические науки. – М., 2012. – № 4/5. – С. 33–37.
14. Царегородцев А.В., Мухин И.Н., Белый А.Ф. Методика построения защищенных информационно-телекоммуникационных систем на базе гибридной облачной среды // Информация и безопасность. – Воронеж: Изд-во ВГТУ, 2015. – Т. 18, № 3. – С. 404–407.
15. Царегородцев А.В., Мухин И.Н., Боридько С.И. Один из подходов к построению информационной инфраструктуры организации на базе гибридной облачной среды // Информация и безопасность. – Воронеж: Изд-во ВГТУ, 2015. – Т. 18. – № 3. – С. 400–403.
16. Information security management for cloud infrastructure / A.V. Tsaregorodotsev, I.Ya. Lvovich, M.S. Shikhaliev, A.N. Zelenina, O.N. Choporov // International Journal on Information Technologies and Security. – 2019. – Vol. 11, No. 3. – P. 91–100.
17. Information security risk estimation for cloud infrastructure / A.V. Tsaregorodtsev, O.Ja. Kravets, O.N. Choporov, A.N. Zelenina // International journal on information technologies and security. – 2018. – Vol. 10, No. 4. – P. 64–76.
18. Царегородцев А.В., Тараскин М.М. Методы и средства защиты информации в государственном управлении: учеб. пособие. – М.: Проспект, 2017. – 193 с.
19. Царегородцев А.В., Макаренко Е.В. Оценка уязвимостей для различных типов развертывания облачных сред // Безопасность информационных технологий. – 2014. – № 4. – С. 112–117.
20. Tsaregorodtsev А., Zelenina А., Ružický E. Methodology of vulnerability assessment for various types of cloud structures // Information Technology Applications. – Bratislava, Slovakia, 2017. – No. 1. – P. 51–60.
21. Царегородцев А.В., Зеленина А.Н., Савельев В.А. Классификация уязвимостей облачных сред в задаче количественной оценки риска // Моделирование, оптимизация и информационные технологии. – Воронеж: Изд-во Воронеж. ин-та высоких технол., 2017. – № 4(19). – С. 38.

Нефтехимические, нефтеперерабатывающие предприятия, шинные заводы характеризуются большими производственными площадями, имеют в основном радиальные схемы электроснабжения, по которым запитывается огромное количество асинхронных двигателей напряжением 0,4 кВ мощностью до 200 кВт. Их запитывают медными или алюминиевыми кабелями, которые с учетом их длины имеют значительное активное сопротивление. В связи с этим потери
активной мощности при передаче электроэнергии к асинхронным двигателям приобретают ощутимые значения, и возникает необходимость решить задачу по их уменьшению. Цель исследования: снижение потерь активной мощности в кабельных линиях 0,4 кВ на нефтехимических и нефтеперерабатывающих предприятиях. Методы: предлагается решить задачу оптимизации по критерию минимума потерь активной мощности в радиальной схеме электроснабжения путем оптимального распределения между компенсирующими устройствами реактивной мощности заданной величины. Рассмотрена однолинейная схема электроснабжения группы насосов технологической установки нефтеперерабатывающего завода, составлена математическая модель задачи оптимизации по критерию минимума активных потерь, образующихся при протекании реактивной мощности, в кабельных линиях 0,4 кВ. Математическая модель включает в себя целевую функцию, граничные условия и ограничения. Приведен анализ возможных способов решения системы линейных алгебраических уравнений по числу математических операций для нахождения оптимальных значений величин реактивной мощности. Результаты: решена задача оптимизации по критерию минимума активных потерь в кабельных линиях радиальной схемы электроснабжения группы насосов технологической установки, получены оптимальные значения реактивной мощности конденсаторных установок, подключенных к асинхронным двигателям и обеспечивающих заданный коэффициент мощности на секции шин. Рассчитаны потери активной мощности в кабельных линиях, питающих асинхронные двигатели, при оптимальном распределении мощности конденсаторных установок для различных режимов нагрузки двигателей. Практическая значимость: решение задачи оптимального распределения устройств компенсации реактивной мощности приводит к снижению активных потерь в радиальной схеме электроснабжения насосов технологической установки, а также в силовых трансформаторах и вышестоящих элементах схемы электроснабжения, что приводит в конечном итоге к снижению себестоимости выпускаемой продукции. Разработана принципиальная схема автоматизированного электротехнического комплекса группы асинхронных электродвигателей с оптимальным распределением мощности компенсирующих устройств для группы насосов технологической установки.

Ключевые слова: асинхронный двигатель, кабельные линии, радиальные схемы электроснабжения, индивидуальная компенсация реактивной мощности, оптимальное значение реактивной мощности, оптимизационная задача, минимум потерь активной мощности, метод множителей Лагранжа.

Тумаева Елена Викторовна (Нижнекамск, Россия) – кандидат технических наук, доцент, заведующая кафедрой «Электротехника
и энергообеспечение предприятий» Нижнекамского химико-технологи­ческого института (филиала) Казанского национального исследовательского технологического университета (423578, Нижнекамск, пр. Строителей, 47, e-mail: e.tumaeva@mail.ru).

Кузин Станислав Сергеевич (Казань, Россия) – аспирант кафедры «Электропривод и электротехника» Казанского национального исследовательского технологического университета (420015, Казань, ул. Карла Маркса, 68, e-mail: stanislav_kuzin@mail.ru).

Афлятунов Ильдар Фаатович (Нижнекамск, Россия) – кандидат технических наук, доцент кафедры «Электротехника и энергообеспечение предприятий» Нижнекамского химико-технологического института (филиала) Казанского национального исследовательского технологического университета (423578, Нижнекамск, пр. Строителей, 47,
e-mail: aif_69@inbox.ru).

Макусева Татьяна Гавриловна (Нижнекамск, Россия) – кандидат педагогических наук, доцент цикла физико-математических дисциплин Нижнекамского химико-технологического института (филиала) Казанского национального исследовательского технологического университета (423578, Нижнекамск, пр. Строителей, 47, e-mail: makuseva2008@yandex.ru).

1. Кабышев А.В. Компенсация реактивной мощности в электроустановках промышленных предприятий. – Томск: Изд-во Томск. политехн. ун-та, 2012. – 234 с.
2. Железко Ю.С. Компенсация реактивной мощности и повышение качества электроэнергии. – М.: Энергоатомиздат, 1985. – 224 с.
3. Радкевич В.Н., Тарасова М.Н. Оценка снижения потерь активной мощности в трансформаторах при установке батарей низковольтных конденсаторов // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. – 2014. – № 5. – С. 27–37.
4. Радкевич В.Н., Тарасова М.Н. Оценка степени снижения потерь активной мощности в линиях электропередачи при компенсации реактивной мощности // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. – 2016. – Т. 59. – № 1. – С. 5–13.
5. Кудрин Б.И. Электроснабжение промышленных предприятий. – М.: Интермет Инжиниринг, 2006. – 672 с.  
6. Железко Ю.С. Потери электроэнергии. Реактивная мощность. Качество электроэнергии: руководство для практ. расчетов. – М.: ЭНАС, 2009. – 456 с.
7. Киреева Э.А., Юнес Т., Айюби М. Автоматизация и экономия электроэнергии в системах промышленного электроснабжения. – М.: Энергоатомиздат, 1998. – 320 с.
8. Липкин Б.Ю. Электроснабжение промышленных предприятий и установок. – М.: Высшая школа, 1990. – 363 с.
9. Тумаева Е.В., Кузин С.С. Минимизация потерь активной мощности в кабельных линиях электропередачи 0,4 кВ на предприятиях нефтехимии и нефтепереработки // Вестник Чуваш. ун-та. – 2019. – № 1. – С. 154–160.
10. Tumaeva E.V., Kuzin S.S., Gavrilov E.N. Minimazation of active capacity losses in cable power lines of 0,4 kV using optimally distributed compensating devices at petrochemical and oil refining enterprises // IOP Conference Series: Materials Science and Engeneering. – 2019. – Vol. 643. – No. 1. – 012100.
11. Костин В.Н. Оптимизационные задачи электроэнергетики. – СПб.: Изд-во СЗТУ, 2006. – 128 с.
12. Ашманов С.А., Тимохов А.В. Теория оптимизации в задачах и упражнениях: учеб: пособие. – СПб.: Лань, 2012. – 448 с.
13. Тумаева Е.В., Попов А.В. Алгоритм расчета оптимальных токов моментного вентильного двигателя в установившемся режиме работы // Вестник Казан. технолог. ун-та. – 2011. – Т. 46. – № 19. – С. 86–91.
14. Красник В.В. Автоматические устройства по компенсации реактивной мощности в электросетях предприятий. – М.: Энергоатомиздат, 1983. – 136 с.
15. Шеховцов В.П. Расчет и проектирование схем электроснабжения: метод. пособие для курсового проектирования. – М.: Форум: ИНФРА-М, 2010. – 214 с.
16. Климов Г.Н. Элементы энергоснабжения в электроснабжении промышленных предприятий. – Томск: Изд-во ТПУ, 2008. – 187 с.
17. Карагодин В.В., Рыбаков Д.В. Оптимизация размещения устройств компенсации реактивной мощности в распределительных электрических сетях // Вопросы электромеханики. – 2014. – № 1. – С. 43–50.
18. Белявский Р.В. Анализ влияния коэффициента загрузки асинхронных двигателей на потребление реактивной мощности // Вестник Кузбас. гос. техн. ун-та. – 2010. – № 6. – С. 66–69.
19. Ефременко В.М., Белявский Р.В. О влиянии параметров асинхронных двигателей на потребление реактивной мощности и потери электрической энергии // Вестник Кузбас. гос. техн. ун-та. – 2011. – № 1. – С. 76–79.
20. Zatsepin E.P. Informational and measuring system for EAF // Сталь. – 2004. – № 3. – C. 23–27.

Современные информационные системы подвергаются угрозам при недостаточной оценке эффективности защиты информации. Эта проблема характеризует нарушение процесса управления информационной безопасностью. Очевидно, что нехватка научной базы методов
и алгоритмов оценки приводит к нарушению эффективности защиты. С позиции влияния на бизнес при оценке экономической эффективности выявляются уязвимые показатели. Поэтому научной задачей является обеспечение процесса функционирования системы защиты информации методом оценки экономической эффективности. Цель исследования: разработка актуального метода оценки экономической эффективности системы защиты информации на основе модели экономически эффективного функционирования системы. Методы: оценка экономической эффективности определяется аналитической и математической моделями лингвистического описания эффективной системы защиты. На их основе строится метод из 9 последовательных этапов оценивания. Он реализует организационный и математический алгоритм, основанный на методе анализа иерархий. Результаты: в статье приводятся результаты проектирования лингвистической модели в виде неориентированного графа подбора подсистем, требований и средств защиты информации для обеспечения максимальной экономической эффективности системы. Новизна подхода заключается в осуществлении предварительного расчёта результатов метода оценки экономической эффективности. Совместно с моделью, проведено проектирование метода оценки. Разработанный метод получил апробацию на реальном объекте защиты, с его помощью были получены достоверные показатели эффективности системы защиты информации. Результатами моделирования являются данные экономической эффективности, степени риска для информационной системы, а также параметры модели, дающие словесное описания параметров эффективной системы защиты, в том числе коэффициент защищенности. Практическая значимость: разработанный метод испытан и применен в рамках улучшения показателей системы защиты на объекте – коммерческом предприятии Пермского края. Также в статье даны рекомендации по применению метода в организационных мероприятиях по защите информации. Более того, авторами обозначены пути развития метода оценки экономической эффективности в виде многокритериального подхода.

Ключевые слова: эффективность защиты информации, экономическая эффективность, модели и методы оценки, многокритериальная оценка, метод парных сравнений, риск информационной безопасности.

Шабуров Андрей Сергеевич (Пермь, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shans@at.pstu.ru).

Шлыков Алексей Игоревич (Пермь, Россия) – магистрант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: thekingofthedas@gmail.com).

1. Анализ рынка ИБ в России. Ч. 1 [Электронный ресурс]. – URL: https://www.anti-malware.ru/analytics/Market_Analysis/analysis-information-security-market-russia-part-1 (дата обращения: 17.10.20).
2. Бережная Е.В. Математические методы моделирования систем. – М.: Финансы и статистика, 2006. – 432 с.
3. Полянский Д.А. Экономика защиты информации. – Владимир: Изд-во ВлГУ, 2009. – 592 с.
4. Motzek A., Möller R. Context- and bias-free probabilistic mission impact assessment // Computers & Security. – 2017. – № 65. – P. 166–186. DOI: https://doi.org/10.1016/j.cose.2016.11.005
5. Selection of Pareto-efficient response plans based on financial and operational assessments / A. Motzek, R. Möller, H. Debar, J. Garcia-Alfaro, G.G. Granadillo // EURASIP Journal on Information Security. – 2017. – № 1. – P. 1–22. DOI: https://doi.org/10.1186/s13635-017-0063-6
6. Aslanyan Z., Nielson F. Pareto Efficient Solutions of Attack-Defence Trees // International Conference on Principles of Security and Trust. – 2015. – P. 95–114. DOI: https://doi.org/10.1007/978-3-662-46666-7_6
7. Маслова Н.А. Методы оценки эффективности систем защиты информационных систем // Искусственный интеллект. – 2008. – № 4. – С. 253–264.
8. Anderson R., Moore T. The Economics of Information Security // Science. – 2006. – № 314. – P. 610–613. DOI: https://doi.org/10.1126/science.1130992
9. Wheeler E. Security Risk Management: Building Information Security Risk Management Program from the Ground Up // Syngress Publishing. – 2011.
10. Economics of Information Security and Privacy III [Электронный ресурс]. – URL: https://ru.scribd.com/document/379404173/Economics-of-Information-Security-and-Privacy-III/ (дата обращения: 15.10.2020).
11. Голиков Ю.А. Экономическая эффективность системы защиты информации. – Новосибирск: СГГА, 2012. – 41 с.
12. Баранова Е.К. Методики анализа и оценки рисков ИБ // Образовательные ресурсы и технологии. – 2015. – № 1(9). – С. 73–79.
13. Цуканова О.А. Экономика защиты информации. – СПб.: Изд-во НИУ ИТМО, 2014. – 79 с.
14. ГОСТ Р ИСО/МЭК 27005-2010. Информационная технология. Методы и средства обеспечения безопасности. Менеджмент риска информационной безопасности // Доступ из справ.-правовой системы КонсультантПлюс.
15. Шлыков А.И., Шабуров А.С. О формализации подходов к разработке моделей многокритериальной оценки эффективности систем защиты информации // Автоматизированные системы управления и информационные технологии: материалы всерос. науч.-техн. конф. (г. Пермь 9–11 июня 2020 г.). – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2020. – Т. 2. – С. 408–414.
16. Положение Гостехкомиссии от 25 ноября 1994 г. по аттестации объектов информатизации по требованиям безопасности информации // Доступ из справ.-правовой системы КонсультантПлюс.
17. ГОСТ Р ИСО/МЭК 17799-2005. Информационная технология. Практические правила управления информационной безопасностью // Доступ из справ.-правовой системы КонсультантПлюс.
18. Государственный реестр сертифицированных средств защиты информации N РОСС RU.0001.01БИ00 [Электронный ресурс]. – URL: https://fstec.ru/tekhnicheskaya-zashchita-informatsii/dokumenty-po-sertifikatsii/153-sistema-sertifikatsii/591-gosudarstvennyj-reestr-serti­fitsirovannykh-sredstv-zashchity-informatsii-n-ross-ru-0001-01bi00 (дата обращения: 22.10.2020).
19. Актуальные киберугрозы – 2019 [Электронный ресурс]. – URL: https://www.ptsecurity.com/ru-ru/research/analytics/cybersecurity-threatscape-q1-2019/ (дата обращения: 17.10.20).
20. Шлыков А.И. Разработка модели определения критичных ресурсов и связанных с ними рисков информационной безопасности // Инновационные технологии: теория, инструменты, практика: материалы XI Междунар. интернет-конф. молодых ученых, аспирантов, студентов (15 ноября – 31 декабря 2019 г.). – Пермь: Изд-во Перм. нац. исследов. политехн. ун-та. – 2019. – C. 244–248.

Управление эколого-экономической деятельностью в современных условиях играет важную роль в обеспечении эффективного функционирования как отдельных промышленных предприятий, так и региона в целом. Такая ситуация требует поиска не только направлений совершенствования организационно-экономического механизма управления природоохранной деятельностью, но и его отдельных инструментов, адаптированных к особенностям конкретного объекта управления.  В качестве данного инструмента можно применять ориентированные графы, позволяющие создавать имитационные модели различных экологических и эколого-экономических процессов и систем. Вершины орграфа могут быть использованы для хранения необходимой информации об объектах исследования, например, о локальном уровне достижения экологической или эколого-экономической безопасности. Цель исследования: провести анализ эффективных способов использования ориентированных графов в управлении эколого-экономической деятельностью и адаптировать имеющиеся разработки к процессам обеспечения эколого-экономической безопасности промышленных предприятий и региона. Результаты: проведен анализ известных организационно-технологических решений в области управления системами разного уровня с использованием ориентированных графов. Разработаны графы возможных стратегий достижения требуемого уровня экологической безопасности региона с учетом соблюдения интересов предприятий-природопользователей и обеспечения устойчивого социо-эколого-экономического развития территории. Определена оптимальная траектория движения, обеспечивающая необходимый уровень эколого-экономической безопасности с учетом минимальных затрат на ее достижение. Отличие используемого подхода заключается в построении ориентированного графа с учетом особенностей исследуемой эколого-экономической системы, а также вида работ, необходимых для достижения заданного уровня эколого-экономической безопасности и их стоимостной оценки. Практическая значимость: предложенный механизм управления рассмотренными эколого-экономическими системами (регион – промышленные предприятия) рекомендуется для использования управляющими структурами региона и руководством предприятий, оказывающих существенное негативное воздействие на окружающую среду. Полученные результаты целесообразно использовать при разработке стратегий устойчивого развития территорий, предприятий и их объединений (кластеры, холдинги, финансово-промышленные группы и другие формы интеграции).

Ключевые слова: управление, ориентированный граф, эколого-экономическая деятельность, эколого-экономическая система, эколого-экономическая безопасность, организационно-экономический механизм, природоохранная деятельность, предприятие.

Киселева Тамара Васильевна (Новокузнецк, Россия) – доктор технических наук, профессор кафедры «Прикладные информационные технологие и программирование» Сибирского государственного индустриального университета (654007, Новокузнецк, ул. Кирова, 42,
e-mail: kis@siu.sibsiu.ru).

Михайлов Владимир Геннадьевич (Кемерово, Россия) – кандидат технических наук, доцент кафедры «Производственный менеджмент» Кузбасского государственного технического университета имени Т.Ф. Горбачева (650000, Кемерово, ул. Весенняя, 28, e-mail: mvg.eohp@kuzstu.ru).

Ивушкин Анатолий Алексеевич (Новокузнецк, Россия) – доктор технических наук, профессор, профессор-консультант кафедры «Автоматизация и информационные системы» Сибирского государственного индустриального университета (654007, Новокузнецк, ул. Кирова, 42, e-mail: office@sshs.ru).

Михайлов Геннадий Сергеевич (Кемерово, Россия) – кандидат технических наук, доцент кафедры «Энергоресурсосберегающие процессы в химической и нефтегазовой технологиях» Кузбасского государственного технического университета им. Т.Ф. Горбачева (650000, Кемерово, ул. Весенняя, 28, e-mail: mgs.kuzgtu@yandex.ru).

1. Бурков В.Н., Заложнев А.Ю., Новиков Д.А. Теория графов в управлении организационными системами: учеб. пособие. – М.: Изд-во ИПУ РАН, 2001. – 124 с.
2. Подлевских М.Н. Использование ориентированных графов в математических моделях экологических и биологических систем // Вестник Пермского государственного гуманитарно-педагогического университета. Сер. № 2. Физико-математические и естественные науки. – 2017. – № 1. – С. 47–55.
3. Бурков В.Н., Новиков Д.А., Щепкин А.В. Механизмы управления эколого-экономическими системами. – М.: Физико-математи­ческая литература, 2008. – 244 с.
4. Бурков В.Н., Новиков Д.А., Щепкин А.В. Модели и механизмы управления эколого-экономическими системами // Проблемы управления. – 2009. – № 1. – С. 2–7.
5. Киселева Т.В., Михайлов В.Г. Оценка основных подходов к определению состояния эколого-экономических систем // Вестник Томск. гос. пед. ун-та. – 2007. – № 9. – С. 31–32.
6. Эвристические алгоритмы распределения ресурсов / В.И. Алферов, В.Н. Бурков, А.Е. Кравцов [и др.] // Вестник Воронеж. гос. техн. ун-та. – 2009. – Т. 5. – № 12. – С. 176–179.
7. Баркалов С.А., Курочка П.Н. Эвристические алгоритмы моделей стимулирования // ФЭС: финансы, экономика. – 2019. – Т. 16. – № 6. – С. 9–13.
8. Хорольский В.Я., Гальвас А.В. Использование теории графов в сложных информационных процессах // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. – 2007. – № 4. – С. 10–12.
9. Нужина И.П., Юдахина О.Б. Концептуальная модель региональной эколого-экономической системы // Вестник Томск. гос. ун-та. Экономика. – 2008. – № 1. – С. 54–67.
10. Жемадукова С.Р. Экологическая ёмкость территории и прогнозирование поведения эколого-экономической системы с помощью орграфов (на примере Республики Адыгея) // Новые технологии. – 2008. – № 6. – С. 58–61.
11. Бестужева А.С., Волкова А.В. Прогнозирование последствий крупного гидротехнического строительства на основе орграфов социально-экономических систем // Вестник МГСУ. – 2010. – № 4–2. – С. 374–381.
12. Рогачев А.Ф., Шеченко А.А., Кузьмин В.А. Оценивание эколого-экономической безопасности промышленных предприятий методами нечеткой логики // Труды СПИИРАН. – 2013. – № 7. – С. 77–87.
13. Avdeev V.P., Kiseleva T.V., Burkov V.N. Multivariant active systems // Automation and Remote Control. – 2001. – T. 62. – No. 10. – P. 1645–1650. DOI: 10.1023/A:1012410432131
14. Киселева Т.В., Михайлов В.Г., Михайлова Я.С. Формирование региональной системы управления эколого-экономической безопасностью // Наукоемкие технологии разработки и использования минеральных ресурсов. – 2020. – № 6. – С. 403–409.
15. Новиков Д.А. Механизмы снижения ожидаемого ущерба в эколого-экономических системах // Системы управления и информационные технологии. – 2008. – № 1. – С. 20–24.
16. Модель комплексной оценки уровня безопасности / С.А. Баркалов, А.М. Котенко, А.И. Половинкина [и др.] // Вестник Воронеж. гос. техн. ун-та. – 2005. – Т. 1. – № 7. – С. 28–33.
17. Дружинин П.В., Шкиперова Г.Л. Эколого-экономические модели и прогнозы в системе регионального управления // Проблемы прогнозирования. – 2012. – № 1. – С. 88–98.
18. Burkov V.N., Burkova I.V. Network programming technique in project management problems // Automation and Remote Control. – 2012. – Vol. 73. – No. 7. – P. 1242–1250. DOI: 10.1134/S0005117912070132
19. Burkov V.N., Iskakov M.B., Korgin N.A. On strategy-proof direct mechanism of active expertise over strictly convex compact set // Automation and Remote Control. – 2010. – Vol. 71. – No. 10. – P. 2168–2175. DOI: 10.1134/S0005117910100188
20. Incentive systems in project management / S.A. Barkalov, V.N. Burkov, N.Yu. Kalinina, T.V. Nasonova // Bulletin of the South Ural State University. Series: Computer Technologies, Automatic Control, Radio Electronics. – 2018. – Vol. 18. – No. 4. – P. 152–159. DOI: 10.14529/ctcr180415
21. Mathematical and algorithmic foundations of resource allocation upon parallel development / S.A. Barkalov, O. Kravets, P.N. Kurochka, T.V. Nasonova, A.I. Polovinkina // International Journal of Pure and Applied Mathematics. – 2017. – Vol. 117. – No. 9. – P. 83–87. DOI: 10.12732/ijpam.v117i9.15
22. Mikhailov V.G., Mikhailov G.S., Koryakov A.G. Ecological risk management in coal mining and processing // Journal of Mining Science. – 2015. – Vol. 51. – No. 5. – P. 930–936. DOI: 10.1134/S1062739115050101