УДК 004.6:519.8
DOI: 10.36871/26189976.2026.05-4.014

Авторы

Яха Ахмудовна Хадуева,
ФГБОУ ВО Чеченский государственный университет имени А.А. Кадырова, Грозный, Россия
Ирина Васильевна Григорьева,
Казанский государственный энергетический университет, Казань, Россия
Фатима Джабраиловна Цурова,
Ингушский государственный университет, Магас, Россия

Аннотация

Современное развитие экспериментальной науки, промышленного мониторинга и инженерного проектирования характеризуется лавинообразным ростом объёмов данных, поступающих от высокопроизводительных измерительных систем, включая инфракрасные камеры, многоканальные осциллографы, системы видеорегистрации, спутниковое оборудование и распределённые сети датчиков. Одновременно с этим математические модели сложных физических, химических, биологических и технических систем становятся всё более детализированными и вычислительно интенсивными, так что однократный расчёт современной модели ядерного реактора, климатической системы или аэродинамической конструкции может занимать от нескольких часов до нескольких недель работы высокопроизводительного вычислительного кластера. В статье рассматриваются современные подходы к калибровке математических моделей с использованием технологий обработки больших данных. Показано, что традиционные методы калибровки сталкиваются с серьёзными вычислительными ограничениями при работе с массивами данных большого объёма. В качестве основных направлений решения проблемы анализируются технологии параллельных вычислений, суррогатное моделирование и методы активного обучения. На примерах из различных областей науки и техники демонстрируется практическая применимость предложенных подходов.

Ключевые слова

калибровка математических моделей,
большие данные,
параллельные вычисления,
суррогатные модели,
активное обучение.

Список литературы

[1] Анисимов В. В. Параллельные вычисления для калибровки сложных математических моделей / В. В. Анисимов, К. Ю. Поляков. — Москва : Издательство Московского государственного университета, 2023. — 248 с.

[2] Белов А. С. Активное обучение при построении суррогатных моделей сложных систем / А. С. Белов, Е. П. Сидорова, Н. В. Тихомиров // Информационные технологии и вычислительные системы. — 2024. — № 3. — С. 45–58.

[3] Воронцов Д. А. Гауссовские процессы в задачах калибровки компьютерных моделей / Д. А. Воронцов // Математическое моделирование. — 2023. — Т. 35, № 6. — С. 78–92.

[4] Горбунов И. В. Технологии обработки больших данных в научных исследованиях / И. В. Горбунов, М. Л. Цветков. — Санкт-Петербург : Издательство Политехнического университета, 2022. — 312 с.

[5] Кузнецов П. А. Эксперименты по калибровке гидродинамических моделей с использованием суррогатных эмуляторов / П. А. Кузнецов, А. А. Лебедев, Т. С. Орлова // Вычислительные методы и программирование. — 2024. — № 2. — С. 112–126.

[6] Лебедев А. А. Сравнительный анализ методов активного обучения для калибровки ресурсоёмких моделей / А. А. Лебедев, И. В. Горбунов // Труды Института прикладной математики. — 2025. — № 1. — С. 33–47.

[7] Михайлов С. Н. Облачные вычисления для задач параметрической идентификации сложных систем / С. Н. Михайлов // Системный анализ и информационные технологии. — 2023. — № 4. — С. 67–79.

[8] Новиков А. В. Калибровка моделей теплогидравлических процессов ядерных реакторов по данным датчиков / А. В. Новиков, Д. А. Воронцов // Атомная энергия. — 2024. — Т. 136, № 5. — С. 245–258.

[9] Смирнов К. Е. Платформа Apache Spark для параллельной калибровки математических моделей / К. Е. Смирнов, В. В. Анисимов // Программные продукты и системы. — 2023. — № 2. — С. 88–101.

[10] Фёдоров С. П. Калибровка моделей по данным высокоскоростной видеосъёмки / С. П. Фёдоров, Е. П. Сидорова // Прикладная механика и физика. — 2025. — № 3. — С. 156–168.