Details

Цель - разработка и сравнительный анализ нейросетевых моделей. Разработана виртуальная модель жидкостной системы и сгенерирован синтетический набор данных (50 000 шагов). Созданы три архитектуры: PureMLP, PureLSTM и гибридная LSTM-MLP. Обучение и оценка проводились по метрикам MAE, RMSE, R². Результаты: PureLSTM показала наивысшую точность (R² = 0,970147). PureMLP -- рекордную скорость обучения (53,53 с) при высокой точности (R² = 0,968959). Гибридная модель -- несколько ниже (R² = 0,967253) из‑за простоты данных. Область применения -- промышленные гидравлические системы для управления, предотвращения аварий и планирования обслуживания. Выводы подтверждают эффективность нейросетевых подходов и дают рекомендации по выбору архитектуры.

Aim - development and comparative analysis of neural network models. A virtual fluid system model was developed and a synthetic dataset (50,000 steps) generated. Three architectures were created: PureMLP, PureLSTM, and hybrid LSTM‑MLP. Training and evaluation used MAE, RMSE, R². Results: PureLSTM achieved highest accuracy (R² = 0.970147). PureMLP -- record training speed (53.53 s) with high accuracy (R² = 0.968959). Hybrid model slightly lower (R² = 0.967253) due to data simplicity. Application -- industrial hydraulic systems for control, accident prevention, maintenance planning. Conclusions confirm neural network effectiveness and provide architecture selection recommendations.