Горизонты науки

Сарджаев Арслан

Т. 1, № 4, 2026

В данной расширенной научной статье представлены результаты комплексного междисциплинарного исследования, посвященного разработке и внедрению передовых методических подходов к построению высокодетальных цифровых геологических моделей месторождений углеводородов, характеризующихся сложным морфогенетическим типом пустотного пространства. Особая актуальность представленной работы продиктована глобальным трендом на истощение фонда традиционных, легкооткрываемых залежей и объективной необходимостью масштабного вовлечения в промышленную разработку категорий трудноизвлекаемых запасов (ТРИЗ), локализованных в глубокопогруженных и литологически изменчивых карбонатных толщах. В рамках статьи авторами осуществлена глубокая научно-техническая декомпозиция современных методов сейсмической инверсии и многопараметрического атрибутного анализа, а также детально исследованы генетические механизмы формирования вторичной пористости под воздействием процессов доломитизации и выщелачивания. Отдельное внимание уделено оценке влияния тектонической и литологической трещиноватости на гидродинамическую связность пластов и итоговую продуктивность эксплуатационных скважин. В основной части работы подробно рассматриваются инновационные математические алгоритмы комплексирования данных дистанционных (сейсморазведка 3D) и прямых (ГИС, петрофизический анализ керна) методов исследований. Авторы аргументированно доказывают, что интеграция стохастического моделирования в процесс проектирования позволяет радикально минимизировать геологические неопределенности при подсчете запасов и прогнозировании фациальной зональности. Значительный объем исследования посвящен петрофизическому обоснованию критериев выделения коллекторов в специфических условиях разрезов, осложненных наличием соленосных экранов и высокоплотных пород.

Белозерский Максим Станиславович, Черепанова Елена Валерьевна

Т. 1, № 4, 2026

В данной расширенной научной статье проводится детальное и многоаспектное исследование интеграции нейросетевых технологий в архитектуру современных телемедицинских систем. Актуальность работы продиктована необходимостью качественного скачка в точности интерпретации биомедицинских сигналов, получаемых в условиях повседневной активности пациента. Авторы осуществляют глубокую декомпозицию процесса обработки электрокардиографических данных, выделяя ключевые этапы фильтрации артефактов и автоматизированного поиска диагностически значимых признаков. В работе представлена авторская модификация архитектуры глубокой сверточной нейронной сети, оптимизированная для выявления ранних маркеров сердечной недостаточности и оценки рисков внезапной сердечной смерти на основе анализа вариабельности сердечного ритма. Особое внимание уделено математическому обоснованию моделей классификации и методам прецизионного препроцессинга сигналов в условиях низкого соотношения сигнал/шум. Практическая значимость исследования заключается в возможности внедрения разработанных алгоритмов в платформы удаленного мониторинга для обеспечения непрерывного врачебного контроля за пациентами в постинфарктном периоде, что позволяет существенно снизить частоту повторных госпитализаций и повысить эффективность превентивной терапии.

Николаев Сергей Викторович, Мартынова Дарья Александровна

Т. 1, № 4, 2026

В представленной научной статье проводится комплексное исследование возможностей применения методов машинного обучения для автоматизированной интерпретации данных электроэнцефалографии (ЭЭГ) с целью выявления ранних биомаркеров когнитивных нарушений. Актуальность работы обусловлена стремительным ростом распространенности нейродегенеративных заболеваний, таких как болезнь Альцгеймера и болезнь Паркинсона, что требует разработки доступных и высокоточных инструментов скрининга на доклинических стадиях. В рамках статьи осуществляется глубокая декомпозиция спектральных характеристик мозговой активности, анализируются изменения в частотных диапазонах и пространственная синхронизация нейрональных ансамблей. Авторы подробно рассматривают математические модели нелинейной динамики и доказывают, что использование глубоких нейронных сетей позволяет идентифицировать специфические микросостояния коры головного мозга, недоступные для визуального анализа специалистом. В работе уделяется внимание алгоритмам подавления окулографических и миографических артефактов, что критически важно для получения достоверных результатов в условиях клинического обследования.