В данной работе рассматривается проектирование, разработка и испытания прототипа прикладной системы с применением технологий искусственного интеллекта для автоматизированного анализа документации атомной отрасли, включая проверку соответствия регламентирующим документам и нормативным требованиям. Система использует технологии больших языковых моделей (LLM) и поисково-дополненной генерации (RAG). Рассмотрены варианты применения данного стека технологий для использования специализированных доменов знаний (массива нормативной документации и технических инструкций атомной отрасли) для качественной оперативной экспертизы рабочих документов с применением искусственного интеллекта. Повышение качества и скорости квалифицированных экспертиз для сложных высокотехнологичных отраслей может зачастую иметь критическую важность для реализации серьезных проектов. В связи с наличием значимой чувствительной информации технического и экономического характера в отрасли, важным является организация работ без внешнего доступе к анализируемой проектной документации. В работе рассмотрены способы организации работ с применением как облачных, так и внутриконтурных LLM. Разработан прототип инструмента оркестрации разнородных моделей с доступом в закрытый контур компании через VPN-каналы. Выполнено сравнение решения задачи интеллектуальным ассистентом эксперта в облачном и внутриконтурном режиме. Описан разработанный прототип системы, функционирующей без подключения к внешним сетям, обеспечивающей высокий уровень конфиденциальности и импортозамещения. Прототип обеспечивает разделение ролей предметного пользователя (эксперта) и администратора, предоставляя возможность защищённого взаимодействия с системой. Разработанный интеллектуальный ассистент реализует продвинутый контекстный поиск и аналитику/экспертизу проектной документации на основании информации из специализированных доменов знаний ограниченного доступа на базе применения технологии RAG. Реализация решения выполнена на базе цифрового стенда-полигона Высшей инженерной школы МИФИ и рассчитана на применение для образовательных задач, учебно-практических кейсах индустриальных партнеров и для выполнения работ в интересах заказчиков из производственной сферы, в первую очередь – предприятий Росатома (включая, но не ограничиваясь). This paper discusses the design, development and testing of a prototype of an application system using artificial intelligence technologies for automated analysis of nuclear industry documentation, including verification of compliance with regulatory documents and regulatory requirements. The system uses large language model (LLM) and search-augmented generation (RAG) technologies. Options for using this technology stack for the use of specialized knowledge domains (an array of regulatory documents and technical instructions of the nuclear industry) for high-quality operational examination of working documents using artificial intelligence are considered. Improving the quality and speed of qualified expertise for complex high-tech industries can often be critical for the implementation of serious projects. Due to the availability of significant sensitive information of a technical and economic nature in the industry, it is important to organize work without external access to the analyzed design documentation. The paper discusses methods of organizing work using both cloud and in-loop LLMs. A prototype of a tool for orchestrating heterogeneous models with access to the company's closed loop via VPN channels has been developed. A comparison of the solution of the problem by the intelligent assistant of the expert in the cloud and intra-contour modes is carried out. The developed prototype of a system operating without connection to external networks, providing a high level of confidentiality and import substitution, is described. The prototype provides for the separation of the roles of the subject user (expert) and the administrator, providing the possibility of secure interaction with the system. The developed intelligent assistant implements advanced contextual search and analytics/examination of project documentation based on information from specialized knowledge domains of limited access based on the use of RAG technology. The solution was implemented on the basis of a digital test site of the Higher School of Engineering MEPhI and is designed for use for educational tasks, educational and practical cases of industrial partners and for performing work in the interests of customers from the production sector, primarily Rosatom enterprises (including, but not limited to).
Данный номер журнала International Journal of Open Information Technologies является очередной шагом уже ставшего традиционным и систематическим взаимодействия между журналом INJOIT и Высшей инжиниринговой школой НИЯУ МИФИ. В настоящий номер журнала вошли работы, выполненных в 2024-2025 учебном году преподавателями, сотрудниками, аспирантами и магистрантами ВИШ НИЯУ МИФИ по тематикам системной инженерии, цифрового инжиниринга и инженерии данных. This issue of the International Journal of Open Information Technologies is the next step in the already traditional and systematic interaction between the INJOIT journal and the Higher Engineering School of the National Research Nuclear University MEPHI. This issue of the journal includes works performed in the 2024-2025 academic year by teachers, staff, graduate students and undergraduates of the HES MEPHI on the topics of systems engineering, digital engineering and data engineering.
В статье представлена методология построения цифровых моделей для анализа, проектирования и оптимизации производственно-технологических цепочек (ПТЦ) в отраслях с непрерывной или квазинепрерывной переработкой сырья. Основу подхода составляет формализация понятий «технологический поток», «передел» и «воздействие», что позволяет создавать цифровые двойники на всех этапах жизненного цикла технологии — от лабораторной верификации до опытно-промышленной и промышленной реализации. Рассмотрены онтологическая структура моделирования, параметризация потоков, классификация моделей по уровням сложности (структурные, балансовые, динамические, вариационные, сценарные), а также подходы к построению цифровых моделей как отдельных переделов, так и комплексных ПТЦ. Подчёркивается значение интеграции с автоматизированными системами управления, применения no-code/low-code платформ и использования цифровых экспериментов при выборе и оптимизации производственных схем. Концепция направлена на снижение рисков внедрения инноваций в условиях нереферентных технологий и сформирована на основе работ авторов в широком спектре промышленных отраслей, включая высокоинтенсивную аквакультуру, целлюлозно-бумажное производство и переработку жидких радиоактивных отходов в гражданской атомной энергетике. The article presents a methodology for building digital models for the analysis, design and optimization of production and technological chains (PTC) in industries with continuous or quasi-continuous processing of raw materials. The approach is based on the formalization of the concepts of "technological flow", "redistribution" and "impact", which makes it possible to create digital twins at all stages of the technology life cycle, from laboratory verification to pilot and industrial implementation. The ontological structure of modeling, the parameterization of flows, the classification of models by levels of complexity (structural, balance, dynamic, variational, scenario), as well as approaches to the construction of digital models of both individual processing stages and complex PTCs are considered. The importance of integration with automated control systems, the use of no-code/low-code platforms and the use of digital experiments in the selection and optimization of production schemes is emphasized. The concept is aimed at reducing the risks of introducing innovations in the context of non-reference technologies and is formed on the basis of the authors' work in a wide range of industrial sectors, including high-intensity aquaculture, pulp and paper production and processing of liquid radioactive waste in civil nuclear energy.
Превышение плановых сроков реализации объектов строительства остается одной из наиболее острых проблем, снижающих эффективность строительной отрасли России. Ключевым препятствием использования исторических данных и методов машинного обучения является крайняя разрозненность и денормализованность исходных данных, в частности, значительная вариативность и нестандартность наименований строительных работ. Авторами предложена методология автоматической унификации вариативности в наименованиях строительных работ с применением машинного обучения. Данная унификация рассмотрена как критический шаг для построения систем прогнозирования сроков в рамках государственной стратегии сокращения строительных циклов на 30% к 2030 г. Предложена комплексная методология: предобработка данных, векторизация текста и автоматическая унификация. Исследовано применение двух подходов: кластеризации (K-Means, DBSCAN) для выявления групп схожих работ и классификации (включая Логистическую регрессию, SVM, Random Forest, XGBoost, LSTM) для отнесения описаний к унифицированным классам. Проведен сравнительный анализ эффективности алгоритмов по метрикам точность/полнота/F1. Доказана высокая эффективность методов машинного обучения (особенно XGBoost, Random Forest, LSTM) для унификации, что позволяет формировать структурированный массив исторических данных. Предложено комплексное решение для формирования рекомендаций для оптимизации календарных планов на основе анализа схожих исторических объектов методами машинного обучения. Сформирован структурированный массив исторических данных, включающий информацию о наименованиях работ и их длительностях, который после будет использован для внедрения решений, позволяющих получать обоснованные прогнозы сроков, корректировать плановые длительности строительных работ и минимизировать риски срыва, повышая эффективность управления проектами. Exceeding the planned deadlines for the implementation of construction projects remains one of the most pressing problems reducing the efficiency of the Russian construction industry. The key obstacle to using historical data and machine learning methods is the extreme fragmentation and denormalization of the source data, in particular, significant variability and non-standardization of the names of construction works. The authors propose a methodology for the automatic unification of variability in the names of construction works using machine learning. This unification is considered as a critical step in building systems for forecasting deadlines within the framework of the state strategy to reduce construction cycles by 30% by 2030. A comprehensive methodology is proposed: data preprocessing, text vectorization and automatic unification. The use of two approaches is studied: clustering (K-Means, DBSCAN) to identify groups of similar works and classification (including Logistic regression, SVM, Random Forest, XGBoost, LSTM) to assign descriptions to unified classes. A comparative analysis of the efficiency of algorithms by the metrics accuracy/recall/F1 was conducted. High efficiency of machine learning methods (especially XGBoost, Random Forest, LSTM) for unification was proven, which allows to form a structured array of historical data. A comprehensive solution for generating recommendations for optimizing calendar plans based on the analysis of similar historical objects using ML was proposed. A structured array of historical data was formed, including information on the names of works and their durations, which will then be used to implement solutions that allow to obtain reasonable forecasts of deadlines, adjust the planned duration of construction work and minimize the risks of failure, increasing the efficiency of project management.
The safety of nuclear power plants (NPPs) is achieved through the implementation of a multi-layered protection system and safety functions, tailored to the configuration of the nuclear facility. One of the critical systems in ensuring safety is the reactor protection system, which ensures the automatic transition of the reactor to a controlled safe state during emergency situations and in the event of deviations from normal operating conditions. An effective assessment of the functional safety of reactor protection systems during the design, implementation, and operation phases serves as a vital tool for confirming compliance with safety requirements and ensuring reliable protection of NPPs. In contemporary contexts, the evaluation of functional safety effectiveness is conducted based on a risk-oriented approach, which is implemented in accordance with the regulatory requirements set forth by the IAEA and national regulatory bodies. This article presents a systematic study that investigates the risk-oriented approach to assessing the functional safety of reactor protection systems in NPPs. The research is grounded in a systematic mapping of findings from a sample of 72 articles, selected according to predefined criteria. Consequently, the current state of the field has been defined, and key methodologies, methods, and tools have been identified. Additionally, significant trends have been highlighted, including the integration of modern modeling techniques with traditional approaches. Furthermore, areas for growth and promising directions for future research have been identified, as noted in the reviewed articles.
