Том 5 № 160 (СТ ДМетІ)

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/20799

Volume 5 No. 160 (ST DMetI)

Browse

Now showing 1 - 3 of 3

Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Hryhorovych, Mykyta S.
ENG: Deep learning has emerged as a transformative approach for detecting structural damage and deformations, particularly for flat roofs and large-scale infrastructure. This article synthesizes recent progress in applying convolutional neural networks (CNNs), segmentation models, object detectors (YOLO, Faster R-CNN), and autoencoders for unsupervised anomaly detection. Drones (UAVs), thermal imaging, and vibration sensing all contribute critical data. By training on images or signals indicative of healthy vs. damaged conditions, deep models can locate cracks, spalling, missing fasteners, or stiffness loss at high speed and with impressive accuracy - often above 85%. A review of more than 300 publications indicates that remote inspection with AI can drastically reduce manual labor and improve the consistency of damage identification, even in hazardous or inaccessible areas. A summary table compares deep learning effectiveness across beams, walls, decks, roofs, and other structural components. Real-world deployments on bridges, high-rise facades, and post-disaster zones confirm that deep learning, coupled with UAV-based inspections, can accelerate maintenance workflows, detect subtle defects, and reduce safety risks. Ongoing challenges include data scarcity for rare failure modes, generalizing models to new environments, and the integration of physics-based reasoning. Recommendations for future research involve fusing multispectral data, automating calibration of deep models, and embedding AI in digital twins for continuous structural health monitoring.
Machine Learning Methods for Antifraud Systems
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Ostrovska, Kateryna Yu.; Nosov, Valerii O.
ENG: Fraud in the financial sector, e-commerce, and online services is becoming increasingly frequent and sophisticated. Traditional rule-based systems, while still helpful in detecting known fraud patterns, struggle to keep up with new, evolving attack vectors, as static rules are quickly circumvented. In contrast, machine learning (ML) provides a dynamic and scalable approach that can process vast amounts of transactional and behavioral data to identify subtle anomalies and suspicious activity. This paper provides a comprehensive overview of current ML techniques used in fraud detection, categorized into three main groups: classification models, anomaly detection methods, and deep learning architectures. It discusses real-world applications across various fraud scenarios, including credit card abuse, account takeovers, cybercrime, and scams in digital comerce. Emphasis is placed on the strengths and limitations of each approach, with attention to real-world considerations like scalability, model transparency, and the challenge of class imbalance. The paper also reviews recent advances, including graph-based representations of financial interactions, IP-based behavioral profiling, and the emergence of hybrid systems that integrate multiple ML techniques –such as combining autoencoders with boosting algorithms for improved accuracy, especially when labeled data is scarce. The findings aim to support the development of flexible, high-performance fraud detection solutions that leverage the most effective ML practices and capitalize on the synergy of hybrid model architectures.
Аналіз методик автоматизованого картування змін водойм
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Кавац, Олена Олександрівна; Кавац, Юрій Віталійович; Сергєєва, Катерина Леонідівна; Рой, Дмитро Миколайович
UKR: Моніторинг внутрішніх вод має стратегічне значення для розвитку країни. Оцінка екологічного стану, об’єм та площа водойм є ключовим у аналізі та прогнозі водного балансу. Внаслідок зміни клімату в Україні відбувається негативний за наслідками процес погіршення умов природного вологозабезпечення, в результаті якого у зоні Полісся зникають території надлишкового зволоження, а на півдні розпочався процес опустелювання земель. Наземні вимірювання з оцінки змін площі водойм є дорогим і ресурсоємним підходом, який особливо складний у віддалених районах. В статті розглянуті основні методи автоматизованого картування змін водойм на основі да-них ДЗЗ. Використання різнорідних даних у поєднанні з комбінацією методів на основі спектральних індексів та машинного навчання демонструють найкращий результат.