Опубликовано: 16.09.2026 | Источник: CNews (новости)

Цифровая модель тепловой сети на ИИ: как перенести патентный кейс НГУ в дипломную работу

Поддомен: AI/ML + Data Engineering. Роль эксперта: Data/ML-инженер.

Введение

24 марта 2026 года сотрудники Центра искусственного интеллекта НГУ получили патент на модель тепловой сети для ЖКХ. Речь о программно-аппаратном решении, которое прогнозирует поведение трубопроводов и позволяет управлять режимами теплоснабжения без аварийных перегревов. Для выпускника ИТ это не абстрактная новость, а готовый каркас темы: городская инфраструктура — источник живой телеметрии, задачи регрессии и оптимизации, а результат легко защищается экономикой и метриками. Такой кейс снимает главную боль дипломника — «где взять данные и зачем это бизнесу». Ниже — как разложить патентную идею на главы, схемы и метрики, чтобы комиссия увидела инженерное решение, а не пересказ пресс-релиза.

Частые вопросы до старта (разбор боли)

Темы ВКР, которые реально защитить

• Прогнозирование тепловой нагрузки участка сети методами ML.
  Актуальность: патент НГУ подтверждает интерес отрасли к предиктивным моделям ЖКХ.
  Цель: снизить ошибку прогноза относительно нормативного графика.
  Задачи: собрать и очистить телеметрию; обучить бейзлайн и бустинг; оценить MAPE/RMSE; спроектировать сервис выдачи прогноза.
  Структура: Гл.1 — обзор методов;
  Гл.2 — пайплайн и архитектура сервиса;
  Гл.3 — эксперименты и экономика.
• Цифровой двойник теплового контура: графовая модель и мониторинг.
  Актуальность: патентная модель — по сути, основа цифрового двойника.
  Цель: построить граф сети и алгоритм поиска утечек.
  Задачи: граф связности узлов; модель распространения тепла; метрики точности детекции; дашборд.
  Структура: Гл.1 — теория графов и тепломассопереноса;
  Гл.2 — реализация на GNN;
  Гл.3 — тесты и внедрение.
• MLOps-контур для инфраструктурной модели ЖКХ.
  Актуальность: модель без воспроизводимости не защищается.
  Цель: обеспечить версионирование данных и моделей.
  Задачи: настроить эксперимент-трекинг; CI/CD; мониторинг дрейфа; регламент переобучения.
  Структура: Гл.1 — анализ процессов ML-жизненного цикла;
  Гл.2 — конфигурация стека;
  Гл.3 — нагрузочные тесты.

Как встроить кейс в главы: практический разбор

Глава 1. Что анализировать по аналогии с патентом

Не ограничивайтесь обзором литературы. Постройте сравнительную таблицу решений: физические модели, статистические, ML. Добавьте C4-диаграмму контекста (кто пользователь — диспетчер, инженер), а требования к качеству распишите через ISO/IEC 25010: функциональная полнота, точность, надёжность, сопровождаемость. Здесь же — обоснование выбора метрики: для ЖКХ MAPE важнее RMSE, потому что диспетчер мыслит процентами.

Глава 2. Проектирование и реализация

Разложите систему на слои: сбор телеметрии (SCADA, MQTT), хранилище временных рядов, слой признаков, модель, API выдачи прогноза. Для мониторинга пайплайна используйте OpenTelemetry — трассировка запросов прогноза отлично смотрится на защите как «взрослое» решение. Пример каркаса:

# training/train.py — псевдокод пайплайна прогноза
from sklearn.ensemble import GradientBoostingRegressor
from metrics import mape, rmse

def build_features(telemetry):
    # лаги, скользящие средние, температура наружного воздуха
    return telemetry.rolling(window=24).mean()

X_train, X_val = split(build_features(telemetry))
model = GradientBoostingRegressor(n_estimators=400, learning_rate=0.05)
model.fit(X_train, y_train)

log_metrics({"mape": mape(y_val, model.predict(X_val)),
             "rmse": rmse(y_val, model.predict(X_val))})

Схему развертывания нарисуйте в нотации C4 (уровень контейнеров): сервис прогноза, очередь сообщений, БД, дашборд. Это закрывает вопрос комиссии «а как оно работало бы на реальном объекте».

Глава 3. Оценка и эффективность

Три обязательных блока: технические метрики (MAPE, RMSE, время инференса), эксплуатационные (SLA, доля отказов), экономические (TCO, экономия топлива). Сравните с baseline. Если хотите усилить работу — добавьте тест на дрейф данных: сдвиньте распределение температур и покажите, как деградирует модель. Такой слайд на защите запоминается.

Чему вы научитесь на такой теме

• Проектировать ML-пайплайн от сырых данных до сервиса прогноза;
• Обосновывать выбор модели метриками, а не модой;
• Оформлять ТЗ и листинги по ГОСТ 34.601;
• Считать TCO и экономический эффект внедрения;
• Настраивать версионирование экспериментов и мониторинг дрейфа.

Источник: Ученые НГУ получили патент на модель тепловой сети для ЖКХ (опубликовано 2026-03-24)