Leoshchenko, S. D.Oliinyk, A. O.Subbotin, S. A.Netrebko, V. V.Gofman, Ye. O.Леощенко, Сергій ДмитровичОлійник, Андрій ОлександровичСубботін, Сергій ОлександровичНетребко Валерій ВолодимировичГофман, Євген Олександрович2026-03-132026-03-132021https://eir.zp.edu.ua/handle/123456789/27382Leoshchenko S. D. Synthesis of a neural network model of industrial construction processes using an indicator system / S. D. Leoshchenko, A. O. Oliinyk, S. A. Subbotin, V. V. Netrebko, Ye. O. Gofman // Радіоелектроніка, інформатика, управління. – 2021. – № 4 (59). – C. 69-77.EN: Context. The problem of a neural network model synthesis for industrial processes with the definition of an optimal topology characterized by a high level of logical transparency and acceptable accuracy is considered. The object of research is the process of neural network modeling of industrial processes using an indicator system to simplify and select the topology of neuromodels.. Objective of the work is consists in synthesis a neural network model of industrial processes with a high level of logical transparency and acceptable accuracy based on the use of the system. Method. A method is proposed to use artificial neural networks of feedforward propagation for modeling industrial processes. After evaluating the overall level of complexity of the modeling problem based on the indicator system, it was decided to build a neuromodel based on historical data. Using the characteristics of the input data of the problem, the most optimal structure of the neural network was calculated for further modeling of the system. A high level of logical transparency of neuromodels significantly expands their practical use and reduces the resource intensity of industrial processes. Results. Neuromodels of industrial processes are obtained based on historical data. The use of an indicator system made it possible to significantly increase the level of logical transparency of models, while maintaining a high level of accuracy. Constructed neuromodels reduce the resource intensity of industrial processes by increasing the level of preliminary modeling. Conclusions. The conducted experiments confirmed the operability of the proposed mathematical software and allow us to recommend it for use in practice in modeling industrial processes. Prospects for further research may lie in the neuroevolutionary synthesis of more complex topologies of artificial neural networks for performing multi-criteria optimization. UK: Актуальність. Розглянуто задачу побудови нейромережевої моделі промислових процесів із визначенням оптимальної топології, що відрізняється високим рівнем логічної прозорості та прийнятною точністю. Об’єктом дослідження є процес нейромережевого моделювання промислових процесів із застосуванням індикаторної системи для спрощення та вибору топології нейромоделі. Мета роботи полягає у побудові нейромережевої моделі промислових процесів з високим рівнем логічної прозорості та прийнятною точністю на основі використанні системи. Метод. Запропоновано використовувати штучні нейронні мережі прямого поширення для моделювання промислових процесів. Після оцінки загального рівня складності задачі моделювання на основі індикаторної системи було прийнято рішення будувати нейромодель на основі історичних даних. Використовуючи характеристики вхідних даних задачі було розраховано найбільш оптимальну структуру нейронної мережі для подальшого моделювання системи. Високий рівень логічної прозорості нейромоделей, значно розширює їх практичне використання та знижує ресурсоємність промислових процесів. Результати. Отримано нейромоделі промислових процесів на основі історичних даних. Використання індикаторної системи дозволило в значній мірі збільшити рівень логічної прозорості моделей, зберігаючи високий рівень точності. Побудовані нейромоделі знижують ресурсоємність промислових процесів за рахунок збільшення рівня попереднього моделювання. Висновки. Проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при моделюванні промислових процесів. Перспективи подальших досліджень можуть полягати нейроеволюційному синтезі більш складних топологій штучних нейронних мереж для виконання багатокритеріальної оптимізації.enmodelingindustrial processesindicator systemneuromodelsamplingtrainingerrorмоделюванняпромислові процесисистема індикаторівнейромодельвибірканавчанняпомилкаArticle