Опубликовано: 06.08.2026 | Источник: CNews (новости)

```html

Технология томских учёных в ВКР: автоматизация эксперимента и ML-прогноз свойств керамики

Материаловеды Томского политехнического университета разработали технологию, которая заставляет керамику светиться меньше чем за минуту. Для ИТ-специалиста это не просто научная новость, а готовый сценарий выпускной квалификационной работы: нужно автоматизировать установку, собрать данные, обучить модель предсказывать параметры свечения. В статье показываю, как из новости сделать структурированный проект, какие метрики считать и как не завалить защиту из-за формальностей.

От новости к теме ВКР: что можно взять из технологии ТПУ

Ключевая идея публикации — скорость получения люминесцентной керамики. Раньше это занимало часы, теперь — минуты. Для ИТ это означает, что можно в реальном времени снимать данные с датчиков температуры, давления, интенсивности излучения и сразу же использовать их для оптимизации процесса. Это прямое поле для машинного обучения и автоматизации. Ниже — три темы ВКР, которые легко защитить: они актуальны, у них есть техническая новизна и понятная структура.

Три готовые темы для диплома

Проектирование системы автоматизации эксперимента

Как применить эту тему в ВКР? Возьмём задачи синтеза керамики: печь, контроллер нагрева, датчики температуры и спектрометр. Нужно собрать данные и управлять процессом. Для пояснения архитектуры используйте диаграммы C4 — контекст, контейнеры, компоненты. Это современный стандарт, который легко защищать. На уровне контекста покажите, кто взаимодействует с системой: оператор, БД, облачный сервис. На уровне контейнеров — модуль сбора данных, брокер сообщений, ML-сервис. Схематически это выглядит так:

Контекст: Оператор → IoT-шлюз → Установка синтеза
Контейнеры: Шлюз (Python) → MQTT Broker → БД Timescale
Компоненты: Модуль опроса датчиков, Предобработка, REST API

Для оформления по ГОСТ 34.601 нужно составить техническое задание и техпроект. Опишите функции системы, требования к надёжности и интерфейсу. Не забудьте про ГОСТ 19.701 — блок-схемы алгоритмов. Например, алгоритм сбора данных с датчика температуры может быть таким:

while True:
    temp = sensor.read()
    if temp > threshold:
        control.heat_off()
    else:
        control.heat_on()
    db.insert(timestamp, temp)
    time.sleep(1)

Реализация ML-модели и оценка эффективности

Когда данные собраны, можно решать обратную задачу: по параметрам синтеза (температура, давление, концентрация активатора) предсказать интенсивность люминесценции. Для ВКР достаточно использовать Python, scikit-learn или PyTorch. Вот пример обучения модели случайного леса:

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error, r2_score

model = RandomForestRegressor(n_estimators=200, max_depth=10)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("MAE:", mean_absolute_error(y_test, y_pred))
print("R2:", r2_score(y_test, y_pred))

Метрики для материаловедческого проекта — MAE, RMSE, R². Они показывают, насколько точно модель предсказывает результат. Если MAE меньше 5% от среднего значения — отличный результат. Не полагайтесь на одну метрику, в отчёте по ГОСТ приведите график остатков.

Оценку качества всей системы проводите по ISO/IEC 25010: функциональная пригодность, производительность, надёжность, защищённость. Например, в разделе «Надёжность» укажите, что при обрыве связи система сохраняет данные в локальной очереди и отправляет на сервер после восстановления.

Чему вы научитесь

Работа над такой ВКР даст новые навыки, которые пригодятся на собеседовании:

• проектировать архитектуру IoT-решений и автоматизированных систем;
• строить диаграммы C4 и UML, схемы алгоритмов по ГОСТ 19.701;
• обрабатывать временные ряды и строить прогнозные ML-модели;
• оценивать качество ПО по международному стандарту ISO/IEC 25010;
• грамотно оформлять ТЗ и техпроект по ГОСТ 34.601.

Частые вопросы студентов

Можно ли сделать такой проект без реальных данных из лаборатории?

Да. Используйте открытые датасеты по керамике с Kaggle, или сгенерируйте синтетические данные на основе известных зависимостей. В ВКР это честно описывается как «имитационное моделирование».

Какой стек технологий подойдёт?

Минимальный набор: Python, pandas, scikit-learn, FastAPI для веб-части, SQLite/PostgreSQL. Для IoT можно взять Raspberry Pi с датчиками — всё запускается за неделю.

Как доказать, что моя система эффективна?

Сравните время синтеза и энергию на один образец «до» и «после» автоматизации. Для ML-модели сравните MAE/RMSE с базовой моделью (например, линейной регрессией).

Как оформить схемы по ГОСТ?

Для алгоритмов используйте ГОСТ 19.701, для структуры системы — ГОСТ 34.601. Если не уверены в нотации, сделайте диаграммы в UML-редакторе и подпишите как «Иллюстрация 1 — Блок-схема...».

Чек-лист перед сдачей

Типичные ошибки студентов

Источник: Технология ученых ТПУ меньше чем за минуту заставляет керамику светиться (опубликовано 2026-03-17)

```