Тема выпускной квалификационной работы: « Интеллектуальная система поддержки принятия решений для формирования компонентных составов мо-торных масел». В данной работе изложен процесс разработки системы помощи эксперту при формировании компонентных составов моторных масел. Разработанная си-стема позволяет решать задачу прогнозирования свойств масла на основе ин-формации о компонентном составе, а также задачу синтеза смеси по заданным требованиям к свойствам смеси, в том числе, с учетом стоимости. В работе строятся прогнозные модели двух основных типов – на основе известных эмпирических уравнений, и на основе нейронных сетей. Показано, что в задаче прогнозирования испаряемости масла нейросетевая модель заметно превосходит по точности эмпирическую модель. В задаче оценки вязкости точность нейросетевой модели оказалась близка к точности эмпирической мо-дели. В процессе разработки моделей было показано, что для задачи прогнози-рования свойств смесей хорошо подходит архитектура Deep Sets. В случае мо-дели вязкости также исследовалась возможность построения модели при нали-чии редких компонентов в целевых данных. Для данного случая показал свою пригодность подход, основанный на адаптации векторных представлений редких компонентов. Задача синтеза сформулирована как задача максимизации вероятности попадания свойств смеси в заданные пользователем диапазоны и решалась с использованием построенных прогнозных моделей и известных методов опти-мизации.

The subject of the graduate qualification work is «Intelligent decision support system for the formation of engine oil formulations». This paper describes the process of developing an expert assistance system in the formation of component compositions of motor oils. The developed system al-lows us to solve the problem of predicting the properties of oil based on information about the component composition, as well as the task of synthesizing the mixture ac-cording to the specified requirements for the properties of the mixture, taking the cost into account. Predictive models of two main types were studied – one based on the known empirical equations, and another based on neural networks. It is shown that in the problem of predicting oil volatility, the neural network model is significantly more accurate comparing to empirical model. In the problem of estimating oil viscosity, the accuracy of the neural model turned out to be close to the accuracy of the empirical model. In the process of developing models, it was shown that the Deep Sets architec-ture is well suited for the task of predicting the properties of mixtures. In the case of the viscosity model, the possibility of constructing a model in the presence of rare components in the target data was also investigated. For this case, an approach based on the adaptation of rare components embeddings has shown its suitability. The synthesis problem is formulated as the problem of maximizing the proba-bility of the properties of the mixture to fall within the ranges specified by the user and is solved using the constructed forecast models and well-known optimization methods.