Sun’iy Intellekt va Raqamli Iqtisodiyot

Suv sifatini monitoring qilishda sun’iy intellektning ko‘plab turlaridan foydalaniladi, mashinaviy o‘qitish va chuqur o‘qitish eng keng qo‘llaniladigan metodlardandir. Mashinaviy o‘qitish modellaridan regressiya, klassifikatsiya, klasterlash va neyron tarmoqlar modellaridan keng foydalaniladi. Regressiya bu bog‘liq o‘zgaruvchi (y) ni bir yoki bir nechta mustaqil o‘zgaruvchilar (x₁, x₂, …) orqali miqdoriy bashorat qilish usuli bo‘lib, suvni tahlil qilishda regressiya ifloslantiruvchi moddalarning konsentratsiyasini aniqlash, suv sifati indeksini (SSI) hisoblash, laboratoriya o‘lchovlarini optimallashtirish, vaqt bo‘yicha o‘zgarishlarni prognoz qilish uchun keng qo‘llaniladi. Klassifikatsiya mashinaviy o‘qitishning bir turi bo‘lib, bunda ma’lumotlarni oldindan belgilangan toifalarga ajratish vazifasi bajariladi. Suv sifatini monitoring qilishda klassifikatsiya suv ichimlikka yaroqli yoki yo‘qligini, suv sifatining “yaxshi”, “qoniqarli” yoki “ifloslangan” toifaga kirishini, ifloslanish tabiiy manbadan yoki antropogen manbadan ekanligini aniqlaydi. Klasterlash – nazoratsiz o‘qitish (unsupervised learning) usuli bo‘lib, ma’lumotlarni oldindan belgilangan jihatlarsiz, ularning o‘xshashlik darajasiga qarab guruhlarga ajratadi. Suv tahlilida klasterlash o‘xshash suv namunalari guruhini aniqlash, ifloslanish zonalarini ajratish, monitoring punktlarini optimallashtirish, yashirin qonuniyatlarni aniqlash imkonini beradi. Neyron tarmoqlar (Artificial Neural Network – ANN – inson miyasidagi biologik neyronlar faoliyatiga o‘xshash tarzda ishlovchi matematik modellar bo‘lib, murakkab va nolinear bog‘lanishlarni aniqlashga moslashgan bo‘lib, ekologik tizimlar, jumladan suv muhiti ko‘p omilli, nolinear, vaqt bo‘yicha o‘zgaruvchan bo‘lgani sababli neyron tarmoqlar ushbu sohada yuqori samaradorlik ko‘rsatadi. Neyron tarmoqlar yordamida NO3⁻, NH4⁺, PO4³⁻ miqdori yuqori aniqlik bilan prognoz qilinadi. Chuqur o‘qitish (Deep Learning) vazifasiga ko‘ra bir nechta asosiy algoritmlari mavjud. Feedforward Neural Network (FNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Gibrid modellar chuqur o‘qitish modellari sirasiga kiradi. Har bir modelning asosiy qo‘llanilish sohalari va ma’lumotlar bilan ishlash tuzilmasi turlicha(1-jadval) 1-jadval Suv tarkibini baholashda qo‘llaniladigan mashinaviy o‘qitish modellari Model turi Kirish ma’lumotlari turi FNN(Feedforward Neural Network) Sensor va laboratoriya o‘lchovlari asosidagi fizik-kimyoviy parametrlar CNN (Convolutional Neural Network) Tasviriy ma’lumotlar (sun’iy yo‘ldosh, dron yoki kamera tasvirlari) RNN (Recurrent Neural Network) Vaqt qatori (time-series) ma’lumotlari Gibrid model (CNN + LSTM) Tasviriy va vaqt qatori ma’lumotlarining kombinatsiyasi 39 Asosiy qo‘llanilish sohasi Nitrat, Fosfat va boshqa kimyoviy ko‘rsatkichlar konsentratsiyasini prognozlash Loyqalik va yuzaki ifloslanishlarni aniqlash Suv sifati parametrlarining vaqt bo‘yicha o‘zgarishini modellashtirish va prognozlash Suv resurslarini kompleks monitoring qilish va dinamik baholash

Suv sifati monitoringida sun’iy intellekt modellarini qo‘llash an’anaviy usullarga nisbatan tezkor va aniq tahlil imkonini beradi. Bunday yondashuv suv resurslarini samarali boshqarish va ifloslanish xavfini oldindan aniqlashda muhim ahamiyat kasb etadi. Xulosa. Olib borilgan tahlillar suv sifati monitoringida zamonaviy o‘lchash qurilmalari va sun’iy intellekt modellaridan foydalanish samarali natija berishini ko‘rsatdi. Fizik-kimyoviy parametrlarni aniqlashda an’anaviy analitik usullar muhim ahamiyat kasb etsa-da, ularni mashinaviy va chuqur o‘qitish modellar bilan integratsiyalash suv sifati ko‘rsatkichlarini aniq prognozlash va ifloslanish xavfini erta aniqlash imkonini beradi. Mazkur yondashuv suv resurslarini boshqarish va monitoring tizimlarini takomillashtirish uchun ilmiy-amaliy asos yaratadi. Foydalanilgan adabiyotlar ro‘yxati 1. Nazarov F., Yarmatov Sh.(2025) – Sun’iy intellekt asoslari. 8-11. 2. Chaudhry F.N., Malik M.F. Factors Affecting Water Pollution: A Review. Journal of Ecosystem & Ecography, 2017. 3. Ensuring Water Quality: The Role of Advanced Water Analysis Instrumentation, 2025. 4. Atlas Scientific. A Complete Guide to Water Analysis Methods in Industries. Atlas Scientific, 2023. 5. Abd M.H., Al-Ani Y., Allawi M.F. Applications of Artificial Intelligence Methods for Irrigation Water Quality Index: Review, 2025. 6. Alam G., Ihsanullah I., Naushad M., Sillanpää M. Applications of Artificial Intelligence in Water Treatment. Chemosphere, 2022. MASHINALI O‘QITISH VA CASE BASED REASONING INTEGRATSIYASI ASOSIDA KASBGA YO‘NALTIRISHNING INTELLEKTUAL MODELLARI TAHLILI D.K.Yakubjanova, TATU Samarqand filiali dotsenti. E-mail: yakubjanova55575@gmail.com D.A.Shodmonov, SamDU, 05.01.11 - Raqamli texnologiyalar va sun'iy intellekt ixtisoslik bo‘yicha mustaqil izlanuvchi. E-mail: shodmonovd1985@gmail.com Annotatsiya. Mazkur maqolada CBR asosida talabalarning akademik trayektoriyalariga tayangan adaptiv kasbga yo‘naltirish modeli taklif etiladi. HEMIS ma’lumotlari bilan integratsiya qilingan tizim shaxsiylashtirilgan, tushuntiriladigan karyera tavsiyalarini shakllantirib, qaror aniqligi va moslashuvchanligini oshiradi. Kalit so‘zlar: kasbga yo‘naltirish, Case-Based Reasoning (CBR), akademik trayektoriya, shaxsga yo‘naltirilgan tavsiya tizimi. Аннотация. В данной статье предлагается адаптивная модель профессиональной ориентации, основанная на методе Case-Based Reasoning (CBR) и академических траекториях студентов. Система, интегрированная с данными HEMIS, формирует персонализированные и объяснимые карьерные рекомендации, повышая точность и адаптивность принимаемых решений. Ключевые слова: профессиональная ориентация, Case-Based Reasoning (CBR), академическая траектория. Abstract. This article proposes an adaptive career guidance model based on Case-Based Reasoning (CBR) and students’ academic trajectories. The system, integrated with HEMIS data, generates personalized and explainable career recommendations, thereby improving decision accuracy and adaptability. 40

Keywords: career guidance, Case-Based Reasoning (CBR), academic trajectory, personalized recommendation system, hybrid similarity. Kirish. So‘nggi yillarda raqamli iqtisodiyotning jadal rivojlanishi mehnat bozorida kasbiy kompetensiyalarga qo‘yiladigan talablarning tubdan o‘zgarishiga olib kelmoqda. Sun’iy intellekt, katta ma’lumotlar, bulutli hisoblash va raqamli platformalar asosida shakllanayotgan yangi iqtisodiy muhitda mutaxassislarning faqat nazariy bilimlarga ega bo‘lishi yetarli emas, balki ularning moslashuvchanligi, tanqidiy fikrlashi, muammolarni yechish qobiliyati hamda uzluksiz o‘rganishga tayyorligi muhim ahamiyat kasb etmoqda. Bunday sharoitda yoshlarni mehnat bozorining real ehtiyojlariga mos kasblarga yo‘naltirish ta’lim tizimining ustuvor vazifalaridan biriga aylanmoqda [1]. Oliy ta’lim muassasalarida kasbga yo‘naltirish jarayoni an’anaviy tarzda psixometrik testlar, umumiy tavsiyalar yoki statik baholash modellari orqali amalga oshirilmoqda. Biroq mazkur yondashuvlar ko‘pincha talabalarning individual xususiyatlarini, akademik rivojlanish dinamikasini hamda uzoq muddatli ta’lim trayektoriyalarini yetarli darajada hisobga olmaydi. Natijada shakllantirilayotgan tavsiyalar umumiy xarakterga ega bo‘lib, shaxsga yo‘naltirilgan karyera qarorlarini qo‘llab-quvvatlash imkoniyatlari cheklangan bo‘lib qolmoqda. Zamonaviy ta’lim paradigmasi esa shaxsga yo‘naltirilgan yondashuvni talab etadi. Talabaning bilimlari, ko‘nikmalari, qiziqishlari va shaxsiy salohiyatini kompleks tahlil qilish asosida individual karyera maslahatini taqdim etish oliy ta’lim samaradorligini oshirishning muhim omili hisoblanadi. Ayniqsa, axborot texnologiyalari va muhandislik yo‘nalishlarida kadrlar tayyorlash jarayonida har bir talabaning akademik faoliyati va kompetensiyalarini doimiy monitoring qilish hamda moslashuvchan tavsiyalar berish zarurati ortib bormoqda [1,2]. Bugungi kunda oliy ta’lim muassasalarida talabalar haqidagi katta hajmdagi akademik ma’lumotlar shakllanmoqda. Jumladan, O‘zbekiston oliy ta’lim tizimida joriy etilgan HEMIS axborot tizimi orqali talabalarning o‘zlashtirish ko‘rsatkichlari, kreditlari, fanlar bo‘yicha natijalari va bitiruv ma’lumotlari jamlanmoqda. Ushbu ma’lumotlar akademik trayektoriyalarni tahlil qilish va asosli karyera qarorlarini shakllantirish uchun muhim resurs bo‘lib xizmat qiladi. Biroq amaliyotda mazkur ma’lumotlardan ko‘proq ma’muriy hisobotlar tayyorlashda foydalanilib, intellektual kasbga yo‘naltirish tizimlarini yaratishda yetarli darajada qo‘llanilmayapti [1,4]. Asosiy qism. Kasbga yo‘naltirish va karyera maslahatini avtomatlashtirish bo‘yicha mavjud yondashuvlar asosan psixometrik baholash vositalari, klassik mashinali o‘qitish algoritmlari hamda ekspert tizimlariga tayanadi. Ushbu yondashuvlar muayyan natijalarni berayotgan bo‘lsa-da, ularning ko‘pchiligi shaxsga yo‘naltirilgan, moslashuvchan va tushuntiriladigan tavsiyalarni shakllantirishda yetarli samaradorlikka ega emas. An’anaviy psixometrik testlar (qiziqishlar, qobiliyatlar va shaxsiy tiplarni aniqlashga mo‘ljallangan so‘rovnomalar) kasb tanlashda keng qo‘llaniladi. Biroq mazkur usullar odatda talabaning joriy holatini aks ettiradi va uning akademik 41

rivojlanish dinamikasini, fanlar bo‘yicha o‘zlashtirish ko‘rsatkichlarini hamda uzoq muddatli ta’lim trayektoriyalarini hisobga olmaydi. Bundan tashqari, psixometrik testlar subyektiv javoblarga asoslangan bo‘lib, natijalarning barqarorligi va obyektivligi ko‘pincha savol ostida qoladi [3,4]. So‘nggi yillarda kasbga yo‘naltirish masalalarini hal etishda klassifikatsiya algoritmlari, jumladan k-Nearest Neighbors (k-NN), qaror daraxtlari va neyron tarmoqlarga asoslangan modellar keng qo‘llanilmoqda. Mazkur cheklovlarni bartaraf etish maqsadida so‘nggi tadqiqotlarda holatlarga asoslangan xulosalash (Case-Based Reasoning, CBR) yondashuviga alohida e’tibor qaratilmoqda. CBR modeli yangi vaziyatlarni ilgari uchragan o‘xshash holatlar asosida tahlil qiladi va ularning yechimlarini moslashtirish orqali tavsiyalar shakllantiradi. [4,5]. Bundan tashqari, CBR yondashuvi talabalarning akademik trayektoriyalarini vaqt bo‘yicha hisobga olish, to‘liq bo‘lmagan ma’lumotlar bilan ishlash va dialogli mexanizmlar orqali yetishmayotgan atributlarni aniqlashtirish imkonini beradi. Gibrid o‘xshashlik funksiyalari va moslashuvchan agregatsiya usullari bilan boyitilgan CBR modellari shaxsga yo‘naltirilgan karyera maslahatini shakllantirishda yuqori moslashuvchanlik va barqarorlikni ta’minlaydi. Mazkur tadqiqotning asosiy maqsadi talabalarning akademik trayektoriyalariga tayangan holda shaxsga yo‘naltirilgan, moslashuvchan va tushuntiriladigan kasbga yo‘naltirish tizimini ishlab chiqishdan iborat. Ushbu maqsadga erishishda holatlarga asoslangan xulosalash (Case-Based Reasoning, CBR) modeli asosiy intellektual mexanizm sifatida tanlandi. Taklif etilayotgan yondashuv talabalarning o‘qish jarayonidagi rivojlanish dinamikasini, individual kompetensiyalarini hamda tarixiy pretsedentlar tajribasini birlashtirgan holda karyera tavsiyalarini shakllantirishga qaratilgan [4]. Mazkur tadqiqot doirasida taklif etilayotgan adaptiv kasbga yo‘naltirish tizimi talabalarning akademik trayektoriyalariga asoslangan ma’lumotlarni qayta ishlash, ularni holatlar (cases) ko‘rinishida saqlash hamda CBR mexanizmi orqali shaxsga yo‘naltirilgan tavsiyalarni shakllantirishga mo‘ljallangan. Arxitektura modul tamoyiliga asoslanib, ma’lumotlarni yig‘ishdan tortib tavsiya berishgacha bo‘lgan jarayonni izchil va kengaytiriladigan ko‘rinishda tashkil etadi. Tizimning umumiy arxitekturasi quyidagi asosiy komponentlardan iborat: Tizimning boshlang‘ich va eng muhim qatlami – HEMISdan olinadigan akademik ma’lumotlar hisoblanadi. Ushbu qatlamda talabalarga oid: № 1 2 3 4 5 Baholash mezoni Semestrlar bo‘yicha o‘zlashtirish (GPA, fan baholari) Kreditlar va kurslar tarkibi Qayta topshirishlar, akademik qarzdorlik Kontekst atributlari (yo‘nalish, guruh, ta’lim shakli) Bitiruv natijalari (ishga joylashish / davomiylik) Jami Maks ball (90–100%) O‘rtacha (70–89%) Qoniqarli (60–69%) (0–59%) 30 27–30 21–26 18–20 0–17 15 14–15 11–13 9–10 0–8 15 14–15 11–13 9–10 0–8 10 9–10 7–8 6 0–5 30 27–30 21–26 18–20 0–17 100 ball 90–100 70–89 60–69 0–59 Yuqori 42 Past

Rasm 1. Akademik ko‘rsatkichlar bo‘yicha baholash jadvali Taklif etilayotgan adaptiv kasbga yo‘naltirish tizimida har bir talaba haqidagi ma’lumotlar alohida holat (case) sifatida modellashtiriladi. Holatlar modeli talabaning akademik faoliyati, rivojlanish dinamikasi hamda erishilgan natijalarni yagona tuzilmada ifodalash imkonini beradi. Ushbu yondashuv CaseBased Reasoning metodologiyasining asosiy tamoyiliga mos ravishda yangi vaziyatlarni ilgari uchragan holatlar tajribasi bilan taqqoslashga xizmat qiladi. Har bir holat quyidagi ko‘rinishda ifodalanadi [5]: C = (x, τ, z, y, R) bu yerda: - x – talabaning akademik profili bo‘lib, fanlar bo‘yicha o‘zlashtirish ko‘rsatkichlari, GPA, kreditlar, kompetensiyalar vektori va individual bilim darajasini tavsiflovchi raqamli atributlardan iborat; - τ – vaqt trayektoriyasi, ya’ni talabaning semestrlar kesimidagi rivojlanish dinamikasi, baholarning o‘zgarishi, fanlarni o‘zlashtirish sur’ati va akademik barqarorlikni aks ettiruvchi ketma-ketlik; - z – kontekstli atributlar majmui bo‘lib, bunda ta’lim yo‘nalishi, kurs, guruh, ta’lim shakli, universitet muhiti hamda boshqa tashqi omillar inobatga olinadi; - y – yakuniy natija, ya’ni talabaning tanlangan kasbiy yo‘nalishi, bitiruvdan keyingi faoliyati yoki tavsiya qilingan karyera yo‘li; - R – mazkur natijaga olib kelgan harakatlar va ta’limiy qarorlar to‘plami bo‘lib, unga tanlangan fanlar, qo‘shimcha kurslar, kompetensiyalarni rivojlantirish bo‘yicha tavsiyalar hamda individual rivojlanish bosqichlari kiradi. Mazkur model talabalarning faqat joriy holatini emas, balki ularning vaqt bo‘yicha shakllangan akademik trayektoriyasini ham hisobga olish imkonini beradi. Bu esa an’anaviy klassifikatsiya modellari bilan solishtirganda yanada boyroq va mazmunli bilim tasvirini yaratadi. Holatlar bazasida saqlanayotgan tarixiy pretsedentlar yangi talabalar uchun tavsiya shakllantirishda asos bo‘lib xizmat qiladi. O‘xshashlik mexanizmi orqali joriy holat eng yaqin pretsedentlar bilan taqqoslanadi va ularning natijalari moslashtirilgan holda qayta qo‘llaniladi. Shuningdek, R komponentining mavjudligi tizimga tavsiyalarni tushuntirish imkonini beradi, ya’ni foydalanuvchiga qaysi holatlar va qaysi atributlar qarorga asos bo‘lganini ko‘rsatish mumkin. Shu tariqa taklif etilgan holatlar modeli akademik ma’lumotlarni strukturali tarzda ifodalash, vaqt omilini hisobga olish va shaxsga yo‘naltirilgan karyera tavsiyalarini shakllantirish uchun mustahkam konseptual asos yaratadi. Taklif etilgan adaptiv kasbga yo‘naltirish tizimining samaradorligini baholash maqsadida real akademik ma’lumotlarga asoslangan eksperimental tadqiqot o‘tkazildi. Tajriba O‘zbekiston oliy ta’lim muassasalaridan birida tahsil olayotgan talabalar ma’lumotlari asosida amalga oshirildi hamda HEMIS axborot tizimidan olingan akademik yozuvlar bilan boyitildi. 43

Eksperimentda jami 1800 nafar talaba ishtirok etdi. Ular turli ta’lim yo‘nalishlari va kurslardan tanlab olindi, bu esa modelning umumlashuv qobiliyatini baholash imkonini berdi. Talabalar 1–4 kurs oralig‘ini qamrab olgan bo‘lib, har bir talaba uchun kamida uch semestrga oid akademik ma’lumotlar mavjud edi. Ma’lumotlar to‘plami trening va test qismlariga ajratilib, tarixiy holatlar bazasi shakllantirildi. Taklif etilgan CBR asosidagi adaptiv kasbga yo‘naltirish tizimining samaradorligi an’anaviy k-NN algoritmiga asoslangan model bilan taqqoslash orqali baholandi. Taqqoslash jarayonida aniqlik, moslik, foydalanuvchi qoniqishi va tushuntirilish darajasi mezonlari asos qilib olindi. CBR va k-NN modellari tahlili. Eksperimental natijalar shuni ko‘rsatdiki, CBR modeli akademik trayektoriyalarni hisobga olish va tarixiy holatlar tajribasidan foydalanish imkoniyati sababli k-NN modeliga nisbatan barqarorroq va moslashuvchanroq tavsiyalarni shakllantirdi. k-NN algoritmi asosan joriy atributlarning masofaviy yaqinligiga tayanib qaror chiqargan bo‘lsa, CBR yondashuvi ilgari uchragan o‘xshash holatlarning yakuniy natijalarini ham inobatga oldi [5]. 1-jadvalda CBR va k-NN modellarining asosiy ko‘rsatkichlari keltirilgan. 1-jadval CBR va k-NN modellari bo‘yicha taqqoslash natijalari Ko‘rsatkichlar Aniqlik (Accuracy), % Moslik (Relevance), % Adaptivlik darajasi Foydalanuvchi qoniqishi, % Tushuntirilish darajasi To‘liq bo‘lmagan ma’lumot bilan ishlash Yangi holatlardan o‘rganish k-NN modeli 72.4 69.1 Past 68.7 Past Cheklangan Yo‘q CBR modeli 84.6 82.3 Yuqori 86.1 Yuqori Yaxshi Bor Natijalarga ko‘ra, CBR modeli aniqlik va moslik ko‘rsatkichlari bo‘yicha ustunlikka ega bo‘ldi, ayniqsa talabalarning rivojlanish trayektoriyasi keskin o‘zgaradigan holatlarda k-NN modeliga nisbatan aniqroq tavsiyalar berdi. Xulosa va amaliy tavsiyalar. Mazkur tadqiqotda talabalarning akademik trayektoriyalariga asoslangan adaptiv kasbga yo‘naltirish tizimi ishlab chiqildi hamda uning asosiy intellektual mexanizmi sifatida holatlarga asoslangan xulosalash (Case-Based Reasoning, CBR) modeli taklif etildi. O‘tkazilgan eksperimental tadqiqotlar natijalari CBR yondashuvi an’anaviy k-NN algoritmiga nisbatan yuqori aniqlik, kuchli moslashuvchanlik va tushuntiriladigan qaror chiqarish imkoniyatlariga ega ekanligini ko‘rsatdi. Ayniqsa, akademik rivojlanish trayektoriyalarini hisobga olish orqali tavsiyalar barqarorligi va mosligi sezilarli darajada oshdi. Taklif etilgan model shaxsiylashtirilgan karyera tavsiyasini shakllantirish imkonini beradi. Talabaning bilim darajasi, rivojlanish dinamikasi, kontekstli atributlari va tarixiy pretsedentlar tajribasiga tayangan holda individual tavsiyalar ishlab chiqiladi. Dialogli CBR mexanizmi yordamida yetishmayotgan atributlarni aniqlashtirish va foydalanuvchi ustuvorliklarini hisobga olish imkoniyati yaratilgan 44

bo‘lib, bu shaxsga yo‘naltirilgan yondashuvni amaliyotda samarali qo‘llashga xizmat qiladi. Kelgusidagi tadqiqotlar doirasida CBR modelini chuqur o‘rganish algoritmlari bilan integratsiyalash, kasbiy kompetensiyalarni baholashda katta ma’lumotlar tahlilidan foydalanish, shuningdek, tavsiyalarni real mehnat bozori ma’lumotlari bilan boyitish rejalashtirilmoqda. Bundan tashqari, submodulli optimallashtirish mexanizmini yanada takomillashtirish hamda tizimni mobil platformalar orqali kengaytirish istiqbolli yo‘nalishlar sifatida qaraladi. Foydalangan adabiyotlar ro‘yxati 1.Куликов С. Принципы подготовки кадров высшей квалификации: междисциплинарный подход // Профессиональное образование в России и за рубежом. – 2023. – № 1 (49). – С. 6–12. DOI: 10.54509/22203036_2023_1_6 2. Агафонова Е.А. Трудоустройство выпускников как один из показателей эффективности работы вуза на современном этапе: анализ, проблемы и перспективы // Научно-методический электронный журнал «Концепт». – 2014. – № S10. – С. 1–5. – URL: http://e-koncept.ru/2014/14616.htm 3. Shodmonov D.A., Mamaraufov O.A., Yakubjanova D.K. Sun’iy intellekt yordamida ta’lim oluvchilarning mantiqiy fikrlashini moslashuvchan rivojlantirish modeli. “Media va sun’iy intellekt integratsiyasining ilmiy asoslari va zamonaviy muammolari” mavzusida хalqaro ilmiy-amaliy anjumani ma’ruzalar to‘plami. 2026- yil 15- yanvar. 4. Шодмонов, Д. (2025). Информационная модель профессиональной ориентации: анализ компетенций с использованием метода k-NN. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 8(1), 158–164. https://doi.org/10.62132/ijdt.v8i1.244 5. Aha, D.W.; Breslow, L.A.; Muñoz-Avila, H. Conversational Case-Based Reasoning. Applied Intelligence, vol. 14, no. 1, pp. 9–32, 2001. TEXNOLOGIK JARAYONLARNI BOSHQARISHDA SUN’IY INTELLEKT VA NEYROBOSHQARUVNI MATEMATIK MODELLASHTIRISH Djumabekova Ayzada Ilyasovna, assistent, Nukus davlat texnika universiteti, ayzada673@gmail.com Saparova Ulbosin Ajiniyazovna,assistent, Nukus davlat texnika universiteti, ulbos@gmail.com Annotatsiya. Ushbu maqolada raqamli iqtisodiyot sharoitida texnologik jarayonlarni boshqarishning intellektual usullari tahlil qilinadi. Tadqiqotda noravshan mantiq, neyron to‘rlari va genetik algoritmlar yordamida boshqaruv samaradorligini oshirish masalalari yoritilgan. Shuningdek, neyroboshqaruvning to‘g‘ri va teskari usullari hamda ularning aviatsiya va sanoatdagi amaliy tatbiq etish bosqichlari bayon etilgan. Kalit so‘zlar: Raqamli, sun’iy intellekt, neyroboshqaruv. Аннотация. В данной статье анализируются интеллектуальные методы управления технологическими процессами в цифровой экономике. В исследовании освещены вопросы повышения эффективности управления с помощью нечеткой логики, нейронных сетей и генетических алгоритмов. Также описаны прямые и обратные методы нейроуправления и их практические этапы в авиации и промышленности. Ключевые слова: Цифровой, искусственный интеллект, нейроуправление. Abstract. This article analyzes intelligent methods of managing technological processes in the digital economy. The study highlights the issues of increasing the effectiveness of 45

management using fuzzy logic, neural networks, and genetic algorithms. Direct and inverse methods of neural control and their practical stages in aviation and industry are also described. Keywords: Digital, artificial intelligence, neural control. Kirish. Hozirgi kunda raqamli iqtisodiyot jahon iqtisodiy taraqqiyotining asosiy yo‘nalishiga aylangan bo‘lib, sun’iy intellekt (SI) texnologiyalari uning ajralmas qismiga aylanib bormoqda [1]. Sun’iy intellekt nafaqat alohida sohalarni modernizatsiya qilish, balki umuman davlat miqyosidagi strategik taraqqiyotda alohida o‘rin egallamoqda. Mazkur texnologiyalar inson mehnatini avtomatlashtirish, katta hajmdagi ma’lumotlarni (Big Data) qayta ishlash va iqtisodiy samaradorlikni oshirishda eng asosiy vositalardan biriga aylandi. Asosiy qism. So‘nggi yillarda texnologik jarayonlarni boshqarishda intellektual tizimlar keng joriy etilib, ekspert tizimlar yordamchi vazifasidan asosiy bajaruvchi vazifasini olmoqda [2]. Texnologik jarayonlarni boshqarishda intellektual tizimlar qo‘llanilishining ikki asosiy yondashuv mavjud: 1. Noravshan mantiq (fuzzy logic) vositasida tizimlarni boshqarish; 2. Modellashtirishning evolyutsion yo‘li bilan boshqarish asosan genetik algoritmlar va sun’iy neyron to‘rlariga tayanadi. Ushbu yo‘nalish tabiatdagi evolyutsiya jarayonlariga (tanlanish, mutatsiya, chatishtirish) taqlid qilgan holda, murakkab tizimlarning optimal parametrlarini topish imkonini beradi. Modellashtirishning evolyutsion yo‘li bilan boshqarish (genetik algoritmlar va sun’iy neyron to‘rlari asosida); Noravshan mantiq asosidagi boshqarishning negizi noravshan modellar hisoblanadi. Noravshan modellar mahsuliy qoidalardek tasvirlanadi, lekin noravshanlik berilgan qoidalar orqali mantiqan yechimni toppish orqali bartaraf etiladi. Evolyutsion modellashtirish asosidagi boshqarishda neyroboshqaruv va genetik algoritmli neyroboshqarish kabi usullar qo‘llaniladi. Genetik algoritmli boshqarishda neyron to‘rlari genetik algoritm vositasida o‘rgatiladi. Genetik algoritmlarda genetic operator va genetik ma’lumot tarkibiy qismlari mavjud bo‘lib, neyron to‘rlari tashkil etuvchilarini “kodlashtirish”dan iborat. Sun’iy neyron to‘rlari tashkil etuvchilari – sinaptik vazn (W) va W0 siljish (W, W0) vektorni shakllantiradi. (W, W0) vektor genetik kod sifatida qaraladi. Genetik algortimlar neyrorostlagich parametrlari (W, W0) yoki an’anaviy rostlagichlar parametrlarini (Kp, Ki va Kd ) shakllantirishda foydalaniladi. Neyroboshqaruv (inglizcha neurocontrol) intellektual boshqarishning xususiy holi hisoblanib, unda dinamik obyektlarni boshqarish masalalarini yechish uchun sun’iy neyron to‘rlaridan foydalaniladi. Neyroboshqaruvning nazariy asoslarini sun’iy intellekt asoslari, avtomatik boshqaruv nazariyasi tashkil etadi. Neyron to‘rlari boshqarish tizimini shakllantirishda kuchli vosita sanaladi. Boshqarish tizimlarida sun’iy neyron to‘rlari qo‘llanilgan tizim xususiyatlari quyidagilardan iborat: 1. Ma’lumotlarni real vaqt davomida sun’iy neyron to‘riga o‘rgatib, qayta ishlab borish; 46

2. Boshqaruv obyekti va avtomatlashtirish vositalarining xususiyatlari o‘zgarish yuz berganida moslashuvchanligi; 3. Nochiziqli tizimlaridagi rostlagichlar uchun zaruriy vosita ekanligi; 4. Neyroboshqaruv parallel neyron to‘r arxitekturasiga ega ekanligi sababli elementlarining yuqori darajadagi turg‘unligi; «Neyroboshqaruv» atamasi birinchi bo‘lib, 1976-yil Pol Verbos tomonidan kiritilgan [3]. Hozirgi kunda rivojlangan mamalakatlarda neyroboshqaruv amaliyotda quyidagi sohalarda keng qo‘llanilmoqda: 1. Aviatsiyada boshqarish masalalarini yechishda; 2. Avtomobillar gibrid dvigatellarida; 3. Murakkab, nochiziqli boshqarish tizimlarida, jumladan, kimyoviy reaktorlarda; Boshqarishida neyron to‘rlaridan foydalanish usullariga ko‘ra neyroboshqaruv ikki turga bo‘linadi: 1. To‘g‘ri usul; 2. Teskari usul; To‘g‘ri usuldagi neyroboshqaruvda boshqaruv obyekti neyron to‘riga bevosita o‘rgatiladi (1-rasm) [4]. Teskari usulda neyron to‘ri boshqaruv obyektini identifikatsiyalash, rostlagich koeffitsiyentlarini sozlash ishlari yordamida o‘rgatiladi. 1-rasm. Qayta aloqa prinsipli to‘g‘ri usuldagi neyroboshqaruv tizimi sxemasi Mazkur sxemada k taktda neyrorostlagich r(k+1) kirish va boshqaruv obyektining S(k) holat ko‘rsatkichlarini qabul qilib oladi va boshqaruv obyektining y(k+1) holati uchun u(k) boshqarish ta’siri ishlab chiqaradi. Neyroboshqaruv tizimlari neyrorostlagich tarkibiga va neyron to‘rlari soniga ko‘ra bir modulli va ko‘p modulli turlarga bo‘linadi. Neyroboshqaruv an’anaviy rostlagichlar bilan birgalikda qo‘llanilib, gibrid boshqaruv tizimlarini tashkil etadi. Neyroboshqaruvda boshqarish obyektini tizimli tahlil qilishda qora quti uslubidan foydalanib, obyekt uchun kirish va chiqish parametrlarini aniqlaymiz. Obyekt dinamikasini quyidagi diskret ko‘rinishda tasvirlaymiz: S(k+1)=φ(S(k), u(k)); y(k+1)= ψ(S(k)); bu yerda, S(k) ϵ RN– k taktdagi N darajali obyekt holati ko‘rsatkichi; u(k) ϵ RP– k taktdagi boshqarishning P o‘lchamli vektor ko‘rsatkichi; y(k+1) ϵ RV–k+1 taktdagi boshqarishning V o‘lchamli vektor ko‘rsatkichi; Hozirgi kunda zamonaviy ishlab chiqarish korxonalarida, aviatsiyada, yuqori aniqlik talab etuvchi tizimlarda turli strukturali neyrorostlash tizimlari keng 47

qo‘llanilmoqda [5]. Mazkur neyrorostlash tizimlarda analitik rostlash qonunlari va neyromodellar qo‘llaniladi. Strukturalashgan rostlash usulida sun’iy neyron to‘ri boshqarish obyekti modeli matritsasi elementlarini qabul qilib oladi. 2-rasm. Neyroboshqaruv bosqichlari ketma-ketligi Stukturalashmagan rostlash usulida sun’iy neyron to‘rining approksimatsion pontesiali vazn koeffitsiyentlaridan to‘la foydalaniladi. Neyroboshqaruvning boshqarish tizimida bosqichlar uzluksiz bo‘lib, ularni quyidagi ketma - ketlikni tashkil etadi: -boshqarish maqsadini topish; -boshqaruv obyektini aniqlash; -boshqaruv obyekti modelining strukturaviy tahlili; -boshqaruv obyekti modelining parametrik tahlili; -boshqarish tizimi tahlili; -boshqarishga tadbiq etish; Xulosa va amaliy tavsiyalar. Sun’iy intellekt tizimlari shunchaki yordamchi vositadan asosiy ijrochi (boshqaruvchi) darajasiga ko‘tarildi. Bu ishlab chiqarishda inson omilini kamaytirish va iqtisodiy samaradorlikni keskin oshirish imkonini beradi. An’anaviy rostlagichlardan farqli o‘laroq, neyroboshqaruv tizimlari nochiziqli, murakkab va o‘zgaruvchan muhitda yuqori moslashuvchanlik (adaptivlik) neyroboshqaruvning ustunligini ko‘rsatadi. Genetik algoritmlarni neyron to‘rlari bilan birgalikda qo‘llash (neyrorostlagich parametrlarini optimallashtirish uchun) gibrid tizimlar istiqboli eng samarali yo‘l ekanligi isbotlangan. Tizimni loyihalashda maqsadni aniqlashdan boshlab, obyektning parametrik tahliligacha bo‘lgan barcha bosqichlarni uzluksiz ketma-ketlikda bosqichma-bosqich amalga oshirish zarur. Foydalanilgan adabiyotlar ro‘yxati 48

1. Mukhamedrizayeva T.M., Khamrokulov B.T., Sun’iy intellekt va raqamli iqtisodiyot: strategik ahamiyati va kelajak istiqbollari “Raqamli iqtisodiyot” ilmiy-elektron jurnali 11-SON 2025-y. 2. Djumabekova A., Saparova U., Joldasova Q. “Yashil iqtisodiyot va ekologik barqarorlikni ta’minlashda sun’iy intellektning roli” mavzusidagi respublika miqyosidagi ilmiyamaliy anjuman Nukus davlat texnika universiteti 2025 yil 27-28 noyabr 3. Yusupbekov N.R., Aliyev R.A., Aliyev R.R., Yusupbekov A.N. Boshqarishning intellectual tizimlari va qaror qabul qilish. –Toshkent: O‘zbekiston milliy ensiklopediyasi, 2015. –571 b. 4. Юсупбеков Н.Р., Алиев Р.А., Алиев Р.Р., Юсупбеков А.Н. Интеллектуальные системы управления и принятия решений. –Т.:«Ўзбекистон миллий энциклопедияси», 2014. -490с. 5. Пегат А. Нечеткое моделирование и управление. – М.: БИНОМ. Лаборатория знаний, 2009. 798 с. (серия «Адаптивные и интеллектуальные системы). INTELLIGENT MONITORING SYSTEM WITH SEMICONDUCTOR SENSORS BASED ON ESP32 Gaibnazarov Bobur, assoc. prof.TSTU named after I.A. Karimov Eshonqulova Gulshan, master's student E-mail: jasurtojiev609@gmail.com Annotatsiya. Ushbu maqolada ESP32 mikrokontrolleri va yarim o‘tkazgichli datchiklar asosida energiya tejamkor intellektual monitoring tizimini loyihalash, ishlab chiqish va tajribaviy sinov natijalari keltiriladi. Tizim real vaqt rejimida aniq o‘lchash, simsiz uzatish, masshtablilik va minimal energiya sarfini ta’minlaydi hamda turli monitoring sohalarida qo‘llaniladi. Tayanch iboralar: ESP32, yarimo‘tkazgichli sensorlar, intellektual monitoring, IoT, energiya samaradorligi, o‘rnatilgan tizimlar. Аннотация. В статье рассматриваются проектирование, реализация и экспериментальная проверка энергоэффективной интеллектуальной системы мониторинга на базе микроконтроллера ESP32 и полупроводниковых датчиков. Система обеспечивает точный сбор данных в реальном времени, беспроводную передачу, масштабируемость и минимальное энергопотребление для различных областей мониторинга. Keywords: ESP32, полупроводниковые датчики, интеллектуальный мониторинг, IoT, энергоэффективность, встроенные системы Abstract. This paper presents the design, implementation, and experimental validation of an energy-efficient intelligent monitoring system based on the ESP32 microcontroller and semiconductor sensors. The system integrates adaptive processing, wireless IoT communication, and optimized power management to ensure accurate, scalable, and low-power real-time monitoring applications. Keywords: ESP32, semiconductor sensors, intelligent monitoring, IoT, energy efficiency, embedded systems Introduction. The rapid evolution of digital technologies and the Internet of Things (IoT) paradigm has significantly increased the demand for compact, realtime, and energy-efficient monitoring systems. Modern industrial and environmental applications require wireless architectures capable of continuous data acquisition, embedded processing, and remote supervision. Microcontroller49

based platforms provide a flexible solution by integrating sensing, computation, and communication capabilities within a single architecture [1]. This study proposes a unified intelligent monitoring system based on the ESP32 microcontroller and semiconductor sensors. The architecture integrates sensing modules, adaptive signal processing algorithms, wireless data transmission, and advanced power optimization techniques to ensure both measurement reliability and long-term energy sustainability. Main part. The core of the proposed system is the ESP32 microcontroller, a dual-core 32-bit Xtensa LX6 processor operating at up to 240 MHz, with integrated Wi-Fi (802.11 b/g/n) and Bluetooth 4.2 connectivity [1]. The microcontroller includes multiple 12-bit analog-to-digital converters (ADCs) and supports various low-power operating modes, including Light Sleep and Deep Sleep, which are essential for energy-efficient embedded applications [1], [2]. The sensor subsystem consists of semiconductor-based sensors for temperature, humidity, gas concentration, and atmospheric pressure measurements. According to Fraden [3], semiconductor sensors offer high sensitivity, fast response time, and compact integration capability, making them suitable for embedded monitoring systems. The analog output signals of these sensors are digitized through the ESP32 ADC channels and processed via embedded software algorithms. The main technical characteristics of the microcontroller used in the proposed system are presented in Table 1. Table 1 Technical Specifications of ESP32 Microcontroller Parameter CPU Value Dual-core 32-bit Xtensa LX6 Clock Frequency ADC Resolution Up to 240 MHz 12-bit Wireless Connectivity Wi-Fi 802.11 b/g/n, Bluetooth 4.2 Deep Sleep Current < 10 µA As shown in Table 1, the ESP32 integrates high processing capability with ultralow power consumption, which makes it suitable for IoT-based monitoring systems [1]. The performance parameters of the selected semiconductor sensors are summarized in Table 2. Table 2 Semiconductor Sensor Characteristics. Sensor Type Temperature Humidity Gas Pressure Range -40°C to 125°C 0–100% RH 200–10000 ppm 300–1100 hPa Accuracy ±0.5°C ±2% ±5% ±1 hPa Response Time <1 s <2 s <5 s <1 s As demonstrated in Table 2, the sensors provide high measurement accuracy and fast response time, ensuring reliable real-time monitoring performance [3]. 50

Embedded software implements digital filtering, anomaly detection, threshold monitoring, and adaptive sampling strategies. Adaptive signal processing reduces measurement noise and improves system reliability in dynamic environments [3]. Dynamic adjustment of sampling intervals significantly reduces redundant measurements and unnecessary wireless transmissions. Comparative analysis demonstrates that adaptive sampling reduces data transmission volume by approximately 45%, thereby lowering energy consumption in accordance with modern low-power embedded system principles [2]. Processed data are transmitted in real time to a remote server or cloud platform via Wi-Fi connectivity integrated within the ESP32 module [1]. The system also includes automatic alert generation when predefined thresholds are exceeded, increasing reliability in safety-critical monitoring applications. Experimental validation was conducted under controlled laboratory conditions. Temperature measurement accuracy reached ±0.5°C, and humidity accuracy was ±2%, confirming compliance with semiconductor sensor performance specifications [3]. Power consumption measurements demonstrated 200 mA in active mode, 20 mA in Light Sleep mode, and less than 10 µA in Deep Sleep mode, consistent with the ESP32 technical documentation [1]. The measured power consumption values under different operating modes are presented in Table 3. Table 3 Power Consumption Analysis. Mode Active Light Sleep Deep Sleep Current 200 mA 20 mA <10 µA Estimated Battery Life (3000 mAh) ~15 hours ~6 days >1 year standby According to Table 3, adaptive power management significantly increases battery lifetime compared to continuous active mode operation [2]. Adaptive duty cycling significantly extended operational lifetime from approximately 15 hours in continuous active mode to nearly 28 days under optimized scheduling. These results align with established low-power design methodologies for embedded systems [2]. Energy efficiency is achieved through the combined use of ESP32 sleep modes and programmatic control of sensor activation, minimizing unnecessary power consumption while maintaining real-time responsiveness [1], [2]. The analytical evaluation confirms that adaptive power management substantially improves system sustainability without compromising measurement accuracy. The integration of embedded filtering and anomaly detection ensures high data reliability while minimizing computational overhead, consistent with modern semiconductor sensor application principles [3]. The architecture satisfies contemporary IoT monitoring requirements and demonstrates high stability, scalability, and flexibility for industrial and environmental deployment. 51

Future improvements may include the integration of machine learning algorithms for predictive diagnostics and intelligent decision-making capabilities. Conclusion and practical recommendations. The proposed energyefficient intelligent monitoring system based on the ESP32 microcontroller and semiconductor sensors demonstrates high measurement accuracy, real-time responsiveness, and significant energy savings. Experimental validation confirms extended battery lifetime through adaptive power optimization techniques grounded in established low-power embedded system design principles [2]. The modular and scalable architecture makes the system suitable for a wide range of IoT-based monitoring applications, including smart building automation, environmental monitoring networks, laboratory systems, and industrial process supervision. Figure 1. Temperature monitoring result (300 dpi) Figure 2. Power consumption comparison (300 dpi) References: 1. Espressif Systems, ESP32 Technical Reference Manual, Shanghai: Espressif Systems, 2023. 2. IEEE, “Low-Power Design Techniques for Embedded Systems,” IEEE Transactions on Industrial Electronics, vol. 67, no. 4, pp. 3214–3223, 2020. 3. J. Fraden, Handbook of Modern Sensors: Physics, Designs, and Applications, 5th ed., New York: Springer, 2016. ELEKTR TA’MINOTI TIZIMINI RAQAMLASHTIRISH: 0,4 KV TARMOQLAR UCHUN SUN’IY INTELLEKTGA ASOSLANGAN SMART GRID YECHIMLARI Xoliddinov Ilxom Xosiljonovich, DSc, xoliddinovilxom@gmail.com, Halimjonov Bahtiyor Abduhalil o‘g‘li, magistrant halimjonovbahtiyor@gmail.com 52

Annotatsiya. Maqolada 0,4 kV kuchlanishli tarmoqlarda energiya samaradorligini oshirish uchun neyron tarmoqlar va genetik algoritmga asoslangan Smart Grid tizimi taklif etilgan. Natijada neytral o‘tkazgichdagi tok 91,3 %ga, quvvat isroflari 30 %ga kamaytirilib, elektr energiya sifati yaxshilandi. Kalit so‘zlar: Smart Grid, sun’iy intellekt, 0,4 kV tarmoqlar, energiya samaradorligi, fazalar nomutanosibligi. Аннотация. В статье предложена система Smart Grid на основе нейронных сетей и генетического алгоритма для повышения энергоэффективности сетей 0,4 кВ. В результате ток нейтрали снижен на 91,3 %, потери мощности на 30 %, а также улучшено качество электроэнергии. Ключевые слова: Smart Grid, искусственный интеллект, сети 0,4 кВ, энергоэффективность, несимметрия фаз. Abstract. The article proposes a Smart Grid system based on neural networks and genetic algorithms to improve energy efficiency in 0.4 kV networks. As a result, neutral current decreased by 91.3 %, power losses by 30 %, and power quality improved. Keywords: Smart Grid, artificial intelligence, 0.4 kV networks, energy efficiency, phase unbalance. Kirish. Jahon energetikasida "Industry 4.0" tamoyillari asosida Smart Grid tizimlariga o‘tish jarayoni jadallashmoqda. Xalqaro energetika agentligi ma’lumotlariga ko‘ra, elektr ta’minotidagi asosiy texnik isroflar aynan 0,4 kV kuchlanishli tarmoqlardagi fazalar nomutanosibligi va yuklamalarning notekis taqsimlanishi hisobiga to‘g‘ri keladi [1, 2]. O‘zbekistonda ham qayta tiklanuvchi energiya manbalarining keng joriy etilishi tarmoq yuklamasining stoxastik (tasodifiy) xususiyatini oshirib, an’anaviy rele himoyasi va elektromexanik boshqaruv tizimlarini samarasiz qilmoqda [3, 4]. Mavjud tadqiqotlar tahlili shuni ko‘rsatadiki, X. Fang va O. Omitaomu kabi olimlar asosan yuqori kuchlanishli tarmoqlarni raqamlashtirishga e’tibor qaratganlar [5]. 0,4 kV tarmoqlar bo‘yicha M.A. Yakupova (2024) taklif etgan yechimlar esa reaktiv xarakterga ega bo‘lib, nomutanosiblik yuzaga kelgandan so‘nggina ishga tushadi [6]. Ushbu tadqiqotdagi ilmiy bo‘shliq (gap) shundaki, "oxirgi milya" (last mile) hisoblangan past kuchlanishli tarmoqlar uchun arzon va samarali, oldindan bashorat qiluvchi (proaktiv) intellektual modellar yetarlicha o‘rganilmagan. Shu bois, tadqiqotning maqsadi – neyron tarmoqlar (ANN) va genetik algoritmlar (GA) integratsiyasiga asoslangan, yuklama o‘zgarishlarini prognoz qiluvchi va avtonom boshqaruvchi "Raqamli egizak" (Digital Twin) elementlariga ega Smart Grid modelini ishlab chiqishdan iborat [7, 9]. Bu yondashuv isroflarni minimallashtirish va tarmoq elementlarining xizmat muddatini uzaytirish imkonini beradi. 1-jadval Elektr tarmoqlarini boshqarish usullarining qiyosiy tahlili Boshqaruv usuli An’anaviy (Qo‘lda) Avtomatlashtirilgan (Yakupova, 2024) AI asosida (Taklif Ishlash prinsipi Dispetcher tomonidan fazalarni mexanik o‘zgartirish Rele va kontaktorlar yordamida avtomatik kommutatsiya Neyron tarmoqlar orqali Afzalligi Arzon, oddiy qurilmalar Kamchiligi Inson omili, operativlik past, yuqori isrof Tezkorlik, inson omili yo‘q Reaktiv yondashuv, kontaktlarning tez yemirilishi Hisoblash quvvati talab Proaktiv boshqaruv, 53

etilayotgan) prognozlash va Genetik algoritm orqali optimallashtirish isroflarni minimal darajaga tushirish, "Raqamli egizak" etiladi, dastlabki ma’lumotlar bazasi kerak Tadqiqotda 0,4 kV kuchlanishli past kuchlanishli elektr tarmoqlarida (PKET) energiya samaradorligini oshirish masalasi ko‘p mezonli optimallashtirish (multi-objective optimization) muammosi sifatida qaraldi. Taklif etilayotgan metodologiya ikki bosqichli intellektual boshqaruv tizimiga asoslanadi: 1. Prognozlash moduli: Iste’molchilarning yuklama grafigini bashorat qilish uchun sun’iy neyron tarmoqlari (ANN). 2. Optimallashtirish moduli: Fazalar yuklamasini muvozanatlash uchun Genetik Algoritm (GA). Ma’lumki, 0,4 kV tarmoqlarda yuklamalar notekis taqsimlanganda, neytral (nol) o‘tkazgichda tok hosil bo‘ladi, bu esa qo‘shimcha quvvat isroflariga olib keladi. Tizimdagi umumiy aktiv quvvat isroflari (ΔPΣ) quyidagi formula orqali ifodalandi: 3 ∆𝑃𝛴 = ∑ 𝐼𝐽2 𝑅𝐽 + 𝐼𝑁2 𝑅𝑁 𝑗=1 Asimmetriya koeffitsienti (Kas) va neytral tok o‘rtasidagi bog‘liqlik simmetrik tashkil etuvchilar usuli yordamida quyidagicha modellashtirildi: 𝐼𝑁 = √𝐼𝐴2 + 𝐼𝐵2 + 𝐼𝐶2 − (𝐼𝐴 𝐼𝐵 + 𝐼𝐴 𝐼𝐶 + 𝐼𝐵 𝐼𝐶 ) Maqsad funksiyasi (Objective Function): Bizning maqsadimiz kommutatsiya jarayonlarini (fazani o‘zgartirish) minimal darajada ushlab turgan holda, umumiy isroflarni minimallashtirishdir: 𝐹(𝑥) = 𝑚𝑖𝑛(𝜔1 ⋅ 𝛥𝑃𝛴 + 𝜔2 ⋅ 𝑁𝑆𝜔 ) Iste’molchilarning elektr energiya iste’moli stoxastik (tasodifiy) xarakterga ega bo‘lganligi sababli, biz MLP (Multilayer Perceptron) tipidagi neyron tarmog‘idan foydalandik. Model "Backpropagation" (xatolikni orqaga tarqatish) algoritmi asosida o‘qitildi [4]. Modelning kirish va chiqish parametrlari: Input (Kirish): Vaqt (t), hafta kuni (D), ob-havo harorati (T), oldingi 24 soatlik yuklama (Pt−1). Output (Chiqish): Keyingi soat uchun kutilayotgan yuklama (Pforecast). Rasm 1. 2-jadval Neyron tarmoqning o‘qitish parametrlari Parametr Tarmoq turi Yashirin qatlamlar soni Neyronlar soni (har qatlamda) Aktivatsiya funksiyasi Qiymat / Tavsif Feed-forward Backpropagation 2 ta 64 ta ReLU (yashirin qatlam), Linear 54

Optimizator O‘qitish tezligi (Learning rate) Epoxalar soni (Epochs) Aniqlik (Loss function) (chiqish) Adam (Adaptive Moment Estimation) 0.001 500 MSE (Mean Squared Error) Neyron tarmoq tomonidan prognoz qilingan ma’lumotlar Genetik Algoritmga uzatiladi. GA har bir iste’molchini qaysi fazaga ulash eng optimal ekanligini aniqlaydi. Algoritm qadamlari: Populyatsiyani yaratish: Iste’molchilarning fazalarga ulanish variantlari (A, B, C) tasodifiy kodlanadi. Masalan: [A, B, C, A, B...]. Fitness (Moslik) funksiyasi: yuqoridagi maqsad funksiyasi (F(x) bo‘yicha har bir variantning samaradorligi baholanadi. Seleksiya va Krossing: eng yaxshi natija bergan variantlar tanlanib, yangi avlod (yechimlar) yaratiladi. Mutatsiya: mahalliy minimumda qolib ketmaslik uchun 1 – 2 % ehtimollik bilan ayrim iste’molchilarning fazasi o‘zgartiriladi. 3-jadval Tadqiqot obyekti (0,4 kV tarmoq) parametrlari Parametr Transformator quvvati (KTP) Nominal kuchlanish Iste'molchilar soni Tarmoq uzunligi Kabel markasi Kabelning aktiv qarshiligi (R0) Boshqaruv diskretligi Qiymat 160 kVA 0.4 kV 50 ta (Aholi xonadonlari) 600 metr SIP-2 4x50 0.64 Ohm/km 1 soat (Real vaqt rejimi) Ushbu metodologiya MATLAB/Simulink R2023b dasturiy muhitida modellashtirildi va real Smart Meter ma’lumotlari asosida sinovdan o‘tkazildi. Taklif etilayotgan intellektual boshqaruv tizimining samaradorligini baholash maqsadida Farg‘ona viloyati elektr tarmoqlarining real 0,4 kV li segmentida (TP-214 transformator punkti misolida) simulyatsiya tajribalari o‘tkazildi. Tajriba obyekti sifatida 160 kVA quvvatli transformatorga ulangan, uzunligi 600 metr bo‘lgan va 50 ta aholi xonadoni mavjud bo‘lgan tarmoq tanlandi. Tajribalar ikki bosqichda amalga oshirildi: 1. I-bosqich. Mavjud holat (AI qo‘llanilmagan, tabiiy yuklama). 2. II-bosqich. Taklif etilgan AI (ANN + GA) algoritmi qo‘llanilgan holat. Dastlabki o‘lchovlar shuni ko‘rsatdiki, kechki maksimal yuklama vaqtida (soat 18:00–21:00 oralig‘ida) fazalardagi toklar keskin farq qiladi: IA =145A, IB=90A, IC=115A. Bu holatda teskari ketma-ketlikdagi kuchlanishning nomutanosiblik koeffitsienti K2U 4,2 %ni tashkil etdi, bu esa GOST 32144-2013 standarti talablaridan (2 %) yuqoridir. 4-jadval Fazalar yuklamasi va asimmetriya koeffitsientining o‘zgarishi Ko‘rsatkichlar Boshqaruvsiz AI Boshqaruvi bilan (Taklif 55 O‘zgarish

Faza A toki (IA,) A Faza B toki (IB), A Faza C toki (IC), A Neytral sim toki (IN), A Nomutanosiblik (K2U), % (Mavjud holat) 145 90 115 48.5 4.2 etilgan) 118 115 117 4.2 0.4 (%) -18.6 % +27.7 % +1.7 % -91.3 % -90 % AI algoritmi ishga tushirilgandan so‘ng, tizim 12 ta iste’molchining fazasini avtomatik ravishda o‘zgartirish (kommutatsiya) bo‘yicha buyruq berdi. Natijada fazalar yuklamasi quyidagicha tekislandi: IA=118A, IB=115A, IC=117 A. Neytral o‘tkazgichdagi tokning keskin kamayishi IN ning 48.5 A dan 4.2 A gacha tushishi tarmoqdagi texnik isroflarni sezilarli darajada qisqartirdi. Aktiv quvvat isroflarini hisoblash natijalari quyidagi diagrammada keltirilgan. Hisob-kitoblarga ko‘ra, bir sutkalik umumiy elektr energiya isrofi boshqaruvsiz rejimda 18,4 kVt·soatni tashkil etgan bo‘lsa, AI tizimi qo‘llanilganda bu ko‘rsatkich 13,1 kVt·soatga tushdi. ∆𝑊 = 𝑊𝑜𝑙𝑑 − 𝑊𝑛𝑒𝑤 = 18.4 − 13.1 = 5.3 𝑘𝑉𝑡 𝑠𝑜𝑎𝑡/𝑘𝑢𝑛 Bu bir oyda bitta transformator punkti bo‘yicha o‘rtacha 159 kVt·soat elektr energiyasi tejalishini anglatadi. Smart Grid tizimining qo‘llanilishi nafaqat isroflarni kamaytirdi, balki iste’molchilardagi kuchlanish sifatini ham yaxshiladi. Tarmoqning eng chekka nuqtasidagi (600 m) iste’molchida kuchlanishning pasayishi: Mavjud holatda: Umin = 185 V (Me’yordan past). AI qo‘llanilganda: Umin = 212 V (Me’yoriy oraliqda, 220 ± 5 %). Olingan natijalar taklif etilayotgan neyron tarmoq va genetik algoritmga asoslangan gibrid model 0,4 kV tarmoqlarda nomutanosiblikni 8 – 10 barobarga, texnik isroflarni esa 28 – 30 %ga kamaytirish imkonini berishini tasdiqladi. Ushbu tadqiqotda 0,4 kV kuchlanishli elektr tarmoqlarida energiya samaradorligini oshirish uchun taklif etilgan neyron tarmoqlar (ANN) va genetik algoritm (GA) integratsiyasiga asoslangan "proaktiv" boshqaruv tizimi tahlil qilindi. Olingan natijalar shuni ko‘rsatadiki, intellektual modellar nafaqat tarmoq holatini monitoring qilish, balki uni optimal boshqarishda an’anaviy usullardan sezilarli darajada ustundir. Mavjud yechimlar bilan qiyosiy tahlil Tadqiqot natijalarimizni M.A. Yakupova (2024) tomonidan taklif etilgan elektromexanik simmetriyalash qurilmalari bilan solishtirganda muhim farq kuzatildi. Yakupovaning yechimi "reaktiv" xarakterga ega bo‘lib, nomutanosiblik yuzaga kelgandan so‘nggina ishga tushadi [6]. Bizning modelimizda esa, neyron tarmoqlar yordamida yuklama grafigini oldindan bashorat qilish (forecast) hisobiga kommutatsiya jarayonlari nomutanosiblik yuzaga kelishidan oldin amalga oshirildi. Bu yondashuv transformator moyining ortiqcha isishini va izolyatsiya qatlamining erta eskirishini oldini oladi. Shuningdek, O.A. Omitaomu va H. Niu (2021) o‘z tadqiqotlarida AI texnologiyalarini asosan yuqori kuchlanishli magistral tarmoqlarda qo‘llashni 56

tavsiya etgan edilar [5]. Bizning tadqiqotimiz shuni isbotladiki, "Deep Learning" algoritmlarini quyi bo‘g‘in (0,4 kV) tarmoqlariga, ya’ni bevosita iste’molchilarga yaqin nuqtalarga joriy etish orqali "Oxirgi milya" (Last Mile) muammosini samarali hal etish mumkin. Natijalarning nazariy va amaliy ahamiyati Simulyatsiya natijasida neytral o‘tkazgichdagi tokning 91,3 %ga (48,5 A dan 4,2 A gacha) kamayishi klassik elektrotexnika nazariyasidagi "simmetrik tashkil etuvchilar" qonuniyatining amaliy tasdig‘idir. Bu natija tarmoqdagi texnik isroflarni 28 – 30 %ga qisqartirish imkonini berdi. Iqtisodiy nuqtai nazardan, bitta transformator punkti misolida oyiga o‘rtacha 159 kVt·soat elektr energiyasi tejalishi, respublika miqyosida minglab transformatorlarda qo‘llanilganda gigavattlab quvvatni iqtisod qilish imkonini beradi. Ijtimoiy jihatdan esa, chekka hududlardagi iste’molchilar uchun kuchlanishning 185 V dan 212 V gacha ko‘tarilishi maishiy texnikalarning barqaror ishlashini kafolatlaydi.[4] Tadqiqot cheklovlari va kelajakdagi yo‘nalishlar Ushbu tadqiqot asosan MATLAB/Simulink muhitidagi raqamli modellashtirishga asoslangan. Real sharoitda ma’lumotlarni uzatishdagi kechikishlar (latency) va Smart Meter qurilmalarining o‘lchash xatoliklari tizim aniqligiga ta’sir qilishi mumkin. Kelajakdagi tadqiqotlarda ushbu algoritmni FPGA yoki Raspberry Pi kabi mikrokontrollerlarga yuklab, real "pilot" loyiha sifatida sinovdan o‘tkazish hamda tizimga quyosh panellari (PV) integratsiyasini qo‘shish rejalashtirilgan. O‘zbekiston energetika tizimini raqamli transformatsiya qilish sharoitida 0,4 kV kuchlanishli past kuchlanishli tarmoqlarning energiya samaradorligini oshirish bo‘yicha olib borilgan ushbu tadqiqot quyidagi ilmiy va amaliy xulosalarni shakllantirish imkonini berdi: 1. Ilmiy yondashuvning samaradorligi: Tadqiqotda ilk bor 0,4 kV tarmoqlar uchun neyron tarmoqlar (ANN) va genetik algoritm (GA) integratsiyasiga asoslangan "proaktiv" boshqaruv modeli ishlab chiqildi. Simulyatsiya natijalari shuni ko‘rsatdiki, ushbu model yuklama o‘zgarishlarini oldindan bashorat qilish orqali, an’anaviy "reaktiv" usullarga nisbatan tezkorlik va aniqlik bo‘yicha ustunlikka ega. 2. Energiya sifati va isroflar: Taklif etilgan intellektual tizim yordamida: Fazalar nomutanosibligi koeffitsienti 4,2 %dan 0,4 %gacha kamaytirildi; Neytral (nol) o‘tkazgichdagi tok miqdori 91,3 %ga (48,5 A dan 4,2 A gacha) qisqartirildi; Tizimdagi umumiy texnik quvvat isroflari 28–30 %ga iqtisod qilindi. 3. Ijtimoiy-iqtisodiy ahamiyat: 160 kVA quvvatli bitta transformator punkti misolida oyiga o‘rtacha 159 kVt·soat elektr energiyasi tejalishi isbotlandi. Bu respublika miqyosida katta iqtisodiy samara beradi. Shuningdek, tarmoqning chekka nuqtalarida kuchlanishning 185 V dan 212 V gacha ko‘tarilishi aholi xonadonlaridagi maishiy texnikalarning barqaror ishlashini ta’minlaydi va transformatorlarning xizmat muddatini uzaytiradi. 4. Tadqiqot cheklovlari va istiqbollar: Ushbu tadqiqot MATLAB/Simulink muhitida raqamli modellashtirish asosida bajarildi. Kelajakda ushbu algoritmlarni 57

arzon narxli mikrokontrollerlar (Raspberry Pi, STM32) bazasida "Smart Box" qurilmasi sifatida real tarmoqlarga joriy etish hamda tizimga quyosh panellari (PV) generatsiyasini integratsiya qilish maqsadga muvofiqdir. Foydalanilgan adabiyotlar: 1. Omitaomu, O.A., & Niu, H. (2021). Artificial Intelligence Techniques in Smart Grid: A Survey. Smart Cities, 4(2), 548–568. https://doi.org/10.3390/smartcities4020029 2. Yakupova, M.A. (2024). Razrabotka samoreguliruyemogo simmetriruyushego ustroystva i metoda rascheta yego parametrov dlya selskix elektricheskix setey 0,4 kV [Development of a self-regulating balancing device for 0.4 kV rural electric networks]. (PhD Dissertation). Irkutsk State Agrarian University. 3. He, Y., et al. (2022). AI-Based Power Quality Enhancement in Smart Grids. IEEE Access, 10, 12345-12356. 4. Al-Turjman, F. (2019). IoT and AI for Smart Grid Applications. Journal of Network and Computer Applications, 134, 1-12. 5. Fang, X., Misra, S., Xue, G., & Yang, D. (2012). Smart Grid — The New and Improved Power Grid: A Survey. IEEE Communications Surveys & Tutorials, 14(4), 944-980. 6. Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Professional. 7. IEEE Std 1159-2019. IEEE Recommended Practice for Monitoring Electric Power Quality. IEEE Power and Energy Society. 8. Bose, B.K. (2017). Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications. Proceedings of the IEEE, 105(11), 2262-2273. 9. Halimjonov, B. (2025). Smart Grid tizimlarida quvvat isroflarini kamaytirish uchun sun’iy intellektdan foydalanish [Using Artificial Intelligence to Reduce Power Losses in Smart Grids]. (Bitiruv malakaviy ishi). Farg‘ona Davlat Texnika Universiteti. SUN’IY INTELLEKT VA FRAKTAL MODELLASHTIRISHNING OFTALMOLOGIK TASHXISLASHDAGI AHAMIYATI Ibrohimova Z.E., dot., G‘aybullayeva M.Sh., magistr Abdumajitov J.S., talaba Muhammad al-Xorazmiy nomidagi TATU Samarqand filiali, Zuli117@mail.ru Annotatsiya. Ushbu maqolada raqamli oftalmologiyada fraktal indikatorlar asosida diagnostik qarorlarni qo‘llab-quvvatlash tizimining ishlab chiqilishi tahlil qilingan. Retinal tasvirlardan olingan fraktal o‘lchovlar biomarker sifatida qo‘llanilgan va ko‘z kasalliklarini erta bosqichda aniqlash imkoniyatlari tadqiq etilgan. Kalit so‘zlar: raqamli oftalmologiya, fraktal indikatorlar, diagnostik tizim, retinal tasvirlar. Аннотация. В данной статье анализируется разработка системы поддержки принятия диагностических решений на основе фрактальных индикаторов в цифровой офтальмологии. Фрактальные измерения, полученные из изображений сетчатки, используются в качестве биомаркеров, и исследуются возможности раннего выявления заболеваний глаз. Ключевые слова: цифровая офтальмология, фрактальные индикаторы, диагностическая система, изображения сетчатки. Abstract. This article analyzes the development of a diagnostic decision support system based on fractal indicators in digital ophthalmology. Fractal measurements obtained from retinal images are used as biomarkers and the possibilities for early detection of eye diseases are explored. Keywords: digital ophthalmology, fractal indicators, diagnostic system, retinal images. 58