Artyom Y. Mikhailov

Artyom Y. Mikhailov

Auto-generated profile, based on publicly available information

Artyom Y. Mikhailov


Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
14 June 2026
Verified
Book Chapter
Closed access
VBVladimir Bukhtoyarov
Vladimir Bukhtoyarov
OKOleg Kolenchukov
Oleg Kolenchukov
AGAleksey Aleksandrovich Gorodov
Aleksey Aleksandrovich Gorodov
NSNatalya Shepeta
Natalya Shepeta
Vadim TynchenkoVadim Tynchenko
Vadim Tynchenko
AMArtyom Y. Mikhailov
Artyom Y. Mikhailov

8 December 2025 in Информатика. Экономика. Управление - Informatics. Economics. Management
Verified
Journal Article
Open access
ВБВ. В. Бухтояров
В. В. Бухтояров
НШН. А. Шепета
Н. А. Шепета
Ivan Sergeevich NekrasovIvan Sergeevich Nekrasov
Ivan Sergeevich Nekrasov
АМА. Ю. Михайлов
А. Ю. Михайлов
В условиях роста доли тяжёлого сырья в нефтепереработке целенаправленное получение нефтяного кокса с заданной структурой является ключевой задачей для максимизации экономической отдачи. Существующие методы визуальной классификации обладают субъективностью и значительным временным лагом, что исключает возможность оперативного управления процессом. В данной работе проведён сравнительный анализ эффективности трёх методов машинного обучения: многослойного персептрона, метода опорных векторов и градиентного бустинга для решения задачи многоклассовой классификации структурного типа кокса на основе промышленных данных установки замедленного коксования. Использован массив исторических данных, включающий параметры сырья и технологического режима. Результаты показали, что наивысшую точность (98,5%) и сбалансированность метрик демонстрирует нейросетевая модель, превзойдя метод градиентного бустинга (96,7%) и метод опорных векторов (91,3%). Выявлены и ранжированы ключевые факторы, влияющие на формирование структуры: максимальная температура, коксуемость сырья и скорость нагрева. Разработанная модель предлагается в качестве интеллектуального модуля для интеграции в архитектуру гибридного цифрового двойника технологического процесса, обеспечивая переход к предиктивному управлению качеством продукции.