Технічна діагностика та неруйнівний контроль, 2026, №03

2026 №03 (03)

DOI of Article 10.37434/tdnk2026.03.04

2026 №03 (01)

---

Технічна діагностика і неруйнівний контроль, 2026, №3, стор. 48-53

Нейромережева ідентифікація об’єкта керування в системі автоматизованого процесу укладання асфальтобетонного покриття

А.Г. Протасов, Я.В. Стешенко

Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського». 03056, м. Київ, Берестейський проспект, 37. E-mail: a.g.protasov@gmail.com

Статтю присвячено удосконаленню замкненої автоматизованої системи керування процесом укладання асфальтобетонного покриття шляхом розробки алгоритму нейромережевої ідентифікації об’єкта керування та інтеграції його в контур системи. На основі багатошарового персептрона (perceptron) сформовано логічну схему, що відтворює нелінійний комплексний вплив термічних і механічних чинників на формування щільності покриття. Запропонований підхід дозволяє подолати ключову проблему традиційних аналітичних моделей, а саме, їхню низьку адаптивність до мінливих польових умов і необхідність постійного лабораторного перерахунку та калібрування емпіричних коефіцієнтів при переході до іншого складу суміші чи типу обладнання. Завдяки процедурі стандартизації вхідних ознак і застосуванню механізмів регуляризації вдалося знизити середню абсолютну помилку визначення щільності асфальтобетонного шару на тестовій вибірці. Це забезпечує підвищення точності та достовірності контролю, гарантуючи надійне виявлення потенційних зон недоущільнення ще на етапі укладання суміші. Доведено високу обчислювальну ефективність алгоритму, оскільки експериментально зафіксований середній час інференції (inference time) нейромережевої моделі становить 4,038 мс, що підтверджує придатність моделі для систем реального часу. Для чисельного підтвердження переваг нейромережевого підходу було проведено порівняльний аналіз статистичних метрик точності для базової аналітичної моделі, класичної лінійної регресії та побудованого багатошарового персептрона. Розглянуто збіжність фактичних і прогнозованих нейромережевою моделлю значень щільності асфальтобетонного покриття. Характер розподілу точок підтверджує, що розроблена структура MLP (Multilayer Perceptron) здатна з високою точністю відтворювати складні взаємозв’язки між вхідними технологічними чинниками та підсумковим показником якості без системних зміщень чи накопичення похибок на краях діапазону. Бібліогр. 8, табл. 1, рис. 2.
Ключові слова: автоматичне керування, асфальтобетонне покриття, нейромережева ідентифікація, багатошаровий персептрон, час інференції

Отримано 12.08.2026
Отримано у переглянутому вигляді 28.08.2026
Підписано до друку 06.09.2026
Оприлюднено 22.09.2026

Список літератури

1. Forgione, M., Piga, D. (2021) Continuous-time system identification with neural networks: Model structures and fitting criteria. European J. of Control, 59, 69–81. https://doi.org/10.1016/j.ejcon.2021.01.008
2. Dong, A., Starr, A., Zhao, Y. (2023) Neural network-based parametric system identification: A review. Intern. J. of Systems Science, 54(13), 2676–2688. https://doi.org/10.1080/00207721.2023.2241957
3. Стешенко Я.В., Протасов А.Г. (2025) Автоматизована система керування технологічним процесом укладання асфальтобетонного покриття. Технічна діагностика та неруйнівний контроль, 2, 30–35. https://doi.org/10.37434/tdnk2025.02.05
4. Стешенко Я.В., Протасов А.Г. (2026) Інтелектуальна система адаптивного керування технологічним процесом укладання асфальтобетону на основі нейромережевих моделей. Наукові новини КПІ, 142(1), 32–39. https://doi.org/10.20535/kpisn.2026.1.350095
5. Commuri, S., Mai, A.T., Zaman, M. (2011) Neural networkbased intelligent compaction analyzer for estimating compaction quality of hot asphalt mixes. J. of Construction Engineering and Management, 137(9), 634–644. https://doi.org/10.1061/(ASCE)CO.1943-7862.0000343
6. Xue, Z., Cao, W., Liu, S. et al. (2021) Artificial neural networkbased method for real-time estimation of compaction quality of hot asphalt mixes. Appl. Sci., 11(15), 7136. https://doi.org/10.3390/app11157136
7. Yu, S., Shen, S., Lu, M. (2023) Data sensing and compaction condition modeling for asphalt pavements. Automation in Construction, 154, 105021. https://doi.org/10.1016/j.autcon.2023.105021
8. Hunt, K.J., Sbarbaro, D. (1991) Neural networks for nonlinear internal model control. IEE Proc. D: Control Theory and Applications, 138(5), 431–438. https://doi.org/10.1049/ip-d.1991.0059

---

Ця стаття у відкритому доступі за Creative Commons Attribution Non-Commercial 4.0 International (CC-BY-NC).

---

Рекомендоване цитування

А.Г. Протасов, Я.В. Стешенко (2026) Нейромережева ідентифікація об’єкта керування в системі автоматизованого процесу укладання асфальтобетонного покриття. Технічна діагностика та неруйнівний контроль, 03, 48-53. https://doi.org/10.37434/tdnk2026.03.04

---

Реклама в цьому номері:

---