Sun’iy Intellekt va Raqamli Iqtisodiyot

2. Sun’iy intellekt asosidagi kiberxavfsizlik vositalari bir qator ijtimoiyaxloqiy muammolarni keltirib chiqaradi, ularni hal etishda texnik yechimlar yetarli emas. 3. Talabalarda axborot madaniyati va axloqiy kompetensiyani shakllantirish maxsus pedagogik shart-sharoitlarni, jumladan, fanlararo integratsiya, muammoli ta’lim, keys-stadi va loyiha metodlarini qo‘llashni talab qiladi. 4. Xorijiy tajribalar tahlili O‘zbekiston oliy ta’lim tizimida ushbu yo‘nalishda tizimli ishlarni amalga oshirish zarurligini ko‘rsatadi. Oliy ta’lim muassasalari uchun: 1. Kiberxavfsizlik va axborot texnologiyalari yo‘nalishlari o‘quv rejalariga “Sun’iy intellekt va axloq”, “Axborot madaniyati” kabi majburiy fanlarni kiritish; 2. “Axborot xavfsizligi”, “Kiberxavfsizlik asoslari” fanlari tarkibiga axloqiy kompetensiyani shakllantirishga yo‘naltirilgan modullarni integratsiya qilish; 3. Talabalar uchun “Raqamli axloq kodeksi”ni ishlab chiqish va unga rioya etilishini monitoring qilish; 4. Professor-o‘qituvchilar malakasini oshirish kurslarida “SI va axloqiy kompetensiya” mavzusidagi treninglarni tashkil etish. Foydalanilgan adabiyotlar ro‘yxati 1. O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston – 2030” strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risidagi Farmoni. (2020). Qonun hujjatlari ma’lumotlari milliy bazasi, 06.10.2020 y., 06/20/6079/1301-son. 2. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1), 1-15. 3. Karimov, U.B. (2021). Talabalarning axborot madaniyatini shakllantirishning pedagogik asoslari. Pedagogik mahorat, 2(4), 112-118. 4. Vallor, S. (2020). Technology and the virtues: A philosophical guide to a future worth wanting. Oxford University Press. 5. Saidova, D. Teaching Programming Collaboratively Through Google Colab AND Github Integration. Green Economy and Development, 3(11), 667884. 6. Qodirov, A.A. (2022). Bo‘lajak informatika o‘qituvchilarida axborot xavfsizligi kompetensiyasini shakllantirish metodikasi. Zamonaviy ta’lim, 5(3), 45-53. 7. Burton, E., Goldsmith, J., & Mattei, N. (2020). How to teach computer ethics through science fiction. Communications of the ACM, 61(8), 54-64. 8. Stanford University. (2023). Digital Civil Society Lab Annual Report 2022-2023*. Stanford Digital Repository. 9. European Commission. (2021). Ethics guidelines for trustworthy AI. Publications Office of the European Union. 10. Toshpo‘latov, S.T. (2023). Oliy ta’limda sun’iy intellekt texnologiyalaridan foydalanishning ijtimoiy-falsafiy jihatlari. Ijtimoiy-gumanitar fanlar, 1(2), 78-86. 11. Saidova, D., & Begmatova, M. (2023, May). MODELLASHTIRUVCHI DASTURLARDA PEDAGOGIK DASTURIY VOSITALARNI YARATISH. In International Scientific and Practical Conference on Algorithms and Current Problems of Programming. 12. Ashurovna, K.N., Hakimovna, B.N., & Ergashovna, S.D. Teaching Energy Efficiency: Integrating Servers with Student Engagement. 13. Норов, А.М., & Саидова, Д.Э. (2020). Обработка и анализ узбекских предложений по n-граммной модели. Научно-практические исследования, (6-9), 28-30. 159

СОВРЕМЕННЫЙ ЭТАП РАЗВИТИЯ ТЕХНОЛОГИЙ ОЧИСТКИ СВЯЗАН С ВНЕДРЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (ИИ) С ЦЕЛЬЮ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ, АВТОМАТИЗАЦИИ И СНИЖЕНИЯ ЭКСПЛУАТАИОННЫХ ЗАТРАТ Сафарова Мархабо Асадуллаевна, ассистент, Джизакский политехнический институт msafarova187@gmail.com +998941957588 Эшмаматов Диёрбек Бахриддинович, студент Джизакский политехнический институт Аннотация. В настоящее время эффективная очистка бытовых и промышленных сточных вод является актуальной задачей. В данной статье анализируются фильтры, применяемые при очистке нефтесодержащих сточных вод, их виды, конструкция и принципы работы. Также освещаются технические характеристики и области применения каждого типа фильтра.В работе рассматриваются возможности интеграции современных технологий искусственного интеллекта (ИИ) в процесс фильтрации. В частности, описываются методы мониторинга эффективности работы фильтров на основе ИИ, прогнозирования степени загрязнения, оптимизации процесса регенерации и снижения эксплуатационных затрат. Результаты исследования показывают, что использование интеллектуальных систем управления позволяет повысить уровень автоматизации процесса очистки сточных вод в нефтехимической промышленности и усилить экологическую безопасность. Ключевые слова: фильтр, процесс фильтрации, сточные воды, микрофильтры, каркасные фильтры, микроротор, регенерация, нефтехимическая промышленность, фильтроцикл, фильтры с эластичной загрузкой, песколовка, нефтеловушка, искусственный интеллект, интеллектуальный мониторинг, предиктивный анализ. Annotatsiya. Bugungi kunda maishiy va sanoat oqova suvlarini samarali tozalash dolzarb masala hisoblanadi. Ushbu maqolada neft saqlovchi oqova suvlarni tozalashda qo‘llaniladigan filtrlar, ularning turlari, tuzilishi va ishlash prinsiplari tahlil qilinadi. Shuningdek, har bir filtr turining texnik xususiyatlari va qo‘llanilish sohalari yoritiladi. Maqolada zamonaviy sun’iy intellekt (SI) texnologiyalarini filtratsiya jarayoniga integratsiya qilish imkoniyatlari ham ko‘rib chiqiladi. Jumladan, SI asosida filtr ishlash samaradorligini monitoring qilish, ifloslanish darajasini prognozlash, regeneratsiya jarayonini optimallashtirish va ekspluatatsion xarajatlarni kamaytirish usullari bayon etiladi. Tadqiqot natijalari intellektual boshqaruv tizimlari orqali nefteximiya sanoatida oqova suvlarni tozalash jarayonini yanada avtomatlashtirish va ekologik xavfsizlikni oshirish mumkinligini ko‘rsatadi. Kalit so‘zlar: filtr, filtrlash jarayoni, oqova suvlar, mikrofiltrlar, karkas filtrlar, mikrotor, regeneratsiya, nefteximiya sanoati, filtrotsikl, elastik yuklamali filtrlar, qumtutgich, neftetutgich, sun’iy intellekt, intellektual monitoring, prediktiv tahlil. Abstract. Today, the effective treatment of domestic and industrial wastewater is considered a pressing issue. This article analyzes the filters used in the treatment of oilcontaining wastewater, their types, structures, and operating principles. In addition, the technical characteristics and application areas of each filter type are described. The article also examines the possibilities of integrating modern artificial intelligence (AI) technologies into the filtration process. In particular, AI-based methods for monitoring filter performance efficiency, predicting contamination levels, optimizing regeneration processes, and reducing operational costs are discussed. The research results demonstrate that through intelligent control systems, it is possible to further automate the wastewater treatment process in the petrochemical industry and enhance environmental safety. Keywords: filter, filtration process, wastewater, microfilters, frame filters, micro-rotor, regeneration, petrochemical industry, filter cycle, elastic media filters, grit chamber, oil separator, artificial intelligence, intelligent monitoring, predictive analysis. 160

Введение. Очищение и обеззараживание сточных вод остаётся одной из наиболее актуальных экологических и технологических задач. В условиях ужесточения требований к качеству очищенной воды особое значение приобретает не только совершенствование механических, физикохимических и биологических методов очистки, но и внедрение интеллектуальных систем управления процессами фильтрации. Одним из ключевых сооружений в системе очистки являются фильтры. Метод фильтрования широко применяется после отстаивания или биологической очистки сточных вод и основан на адгезии грубодисперсных частиц нефти и нефтепродуктов к поверхности фильтрующего материала. Современный подход предполагает оснащение фильтрационных установок датчиками давления, расхода, мутности и содержания нефтепродуктов с последующей обработкой данных алгоритмами искусственного интеллекта (ИИ). Фильтры по типу фильтрующей среды подразделяются на тканевые (сетчатые), каркасные (насыпные), зернистые, мембранные, а также фильтры с эластичной загрузкой. Интеллектуальные системы позволяют выбирать оптимальный тип фильтра и режим его работы в зависимости от состава сточных вод и производственных условий. Микрофильтры представляют собой аппараты с металлическими сетками, тканями или полимерными материалами, часто выполненные в виде вращающихся барабанов диаметром 1,5–3 м. В традиционной схеме процесс фильтрации происходит за счёт разности уровней воды внутри и снаружи барабана. При интеграции ИИ становится возможным автоматический контроль скорости вращения барабана, степени загрязнения сетки и своевременное включение системы промывки. Алгоритмы машинного обучения анализируют динамику перепада давления и прогнозируют момент засорения, снижая риск аварийных остановок. Каркасные фильтры включают фильтрование через пористые зернистые материалы (кварцевый песок, антрацит, керамзит и др.), волокнистые и эластичные материалы (пенополиуретан, синтетические нетканые материалы), а также коалесцирующие фильтры для укрупнения эмульгированных частиц нефтепродуктов. В условиях цифровизации ИИ может моделировать перемещение фронта насыщения нефтепродуктами внутри слоя загрузки, прогнозировать окончание фильтроцикла и автоматически запускать процесс регенерации. При постоянной или переменной скорости фильтрования интеллектуальная система анализирует перепад давления до и после фильтра, объём фильтрата и качество очищенной воды. На основе предиктивной аналитики система оптимизирует режим работы — поддерживает постоянную производительность или минимизирует энергозатраты. Особый интерес представляют фильтры с эластичной загрузкой из пенополиуретана с открыто ячеистой структурой (размер пор 0,8–1,2 мм, плотность 25–60 кг/м³). Благодаря высокой нефтеёмкости и гидрофобности такие материалы эффективно поглощают нефтепродукты. Интеллектуальная система способна контролировать степень 161

насыщения материала по косвенным параметрам (масса, давление, концентрация нефтепродуктов в фильтрате) и автоматически управлять процессом регенерации с использованием отжимных барабанов. Таким образом, интеграция искусственного интеллекта в процессы фильтрации нефтесодержащих сточных вод обеспечивает: • непрерывный мониторинг технического состояния оборудования; • прогнозирование засорения и износа фильтрующей загрузки; • автоматическое управление фильтроциклом и регенерацией; • снижение эксплуатационных затрат и энергопотребления; • повышение экологической безопасности производства. Применение интеллектуальных систем управления позволяет перевести традиционные фильтрационные сооружения на качественно новый уровень автоматизации и эффективности, что особенно важно для нефтяной и нефтехимической промышленности. Список использованной литературы 1. Закон Республики Узбекистан «О воде и использовании вод». 2. Орлов В.А., Квитка В.А. “Водоснабжение и водоотведение.” Учебник. Москва. Инфра-М.2017 г. 144стр. 3. Ливчак И.Ф., Воронов Ю.В. Охрана окружающей среды. -М.: Стройиздат, 1988. – стр.113-155. 4. Санитарные правила и нормы охраны поверхностных вод от загрязнения. КМК 2.04.03-97, Ташкент 1997. 5. Мясников И.Н., Пономарев В.Г., Ермолов Г.М. Сооружения и схемы очистки сточных вод НПЗ и НХЗ за рубежом (Обзор). - М.: «ЦНИИТЭНефтехим. MA’LUMOTLAR BAZASI FANINI O‘QITISHDA INTERFAOL METODLARDAN FOYDALANISH B. Qodirov, Axborot texnologiyalari va menejment universiteti dotsenti, p.f.f.d (PhD) E-mail: bqodirovv@icloud.com Annotatsiya. Maqolada oliy ta’limda ma’lumotlar bazasi fanini o‘qitishda interfaol metodlardan foydalanish samaradorligi tahlil qilingan. Loyiha, muammoli ta’lim, teskari sinf va guruhli ishlar talabalarning bilim, amaliy ko‘nikma hamda zamonaviy axborot tizimlariga tayyorgarligini oshirishi asoslanadi va o‘quv jarayonini tashkil etishga xizmat qilishi ko‘rsatilgan. Kalit so‘zlar: ma’lumotlar bazasi, interfaol metodlar, loyiha asosida o‘qitish, muammoli ta’lim, teskari sinf, amaliy ko‘nikmalar, kasbiy kompetensiya, oliy ta’lim Аннотация. В статье проанализирована эффективность использования интерактивных методов в преподавании дисциплины «Базы данных» в высших учебных заведениях. Обосновано, что проектное обучение, проблемное обучение, перевёрнутый класс и групповая работа способствуют повышению уровня знаний студентов, формированию практических навыков и подготовке к работе с современными информационными системами, а также совершенствованию организации учебного процесса. Ключевые слова: базы данных, интерактивные методы, проектное обучение, проблемное обучение, перевёрнутый класс, практические навыки, профессиональная компетентность, высшее образование. 162

Abstract. The article analyzes the effectiveness of using interactive teaching methods in teaching the course “Databases” in higher education institutions. It is substantiated that project-based learning, problem-based learning, the flipped classroom approach, and group work contribute to improving students’ knowledge acquisition, developing practical skills, and preparing them to work with modern information systems, as well as enhancing the organization of the educational process. Keywords: databases, interactive methods, project-based learning, problem-based learning, flipped classroom, practical skills, professional competence, higher education. Kirish. Bugungi kunda axborot texnologiyalarining jadal rivojlanishi ta’lim tizimiga ham yangi talablarni qo‘ymoqda. Ayniqsa, oliy ta’lim muassasalarida axborot bilan ishlash, uni saqlash, qayta ishlash va tahlil qilishga oid bilimlarni shakllantirish muhim ahamiyat kasb etmoqda. Shu jihatdan, ma’lumotlar bazasi fani zamonaviy mutaxassislarni tayyorlash jarayonida tayanch fanlardan biri hisoblanadi. Ushbu fan orqali talabalar axborot tuzilmalarini loyihalash, ma’lumotlar bazasini boshqarish tizimlari bilan ishlash, hamda amaliy masalalarni yechish ko‘nikmalariga ega bo‘ladilar. An’anaviy o‘qitish usullari ko‘pincha nazariy bilimlarni yetkazishga yo‘naltirilgan bo‘lib, talabalarning mustaqil fikrlashi, muammoni tahlil qilish va amaliy faoliyatga jalb etilish darajasini to‘liq ta’minlab bera olmaydi. Shu sababli, ta’lim jarayoniga interfaol metodlarni joriy etish dolzarb masalalardan biri bo‘lib qolmoqda. Interfaol metodlar talabalarning o‘quv jarayonidagi faolligini oshiradi, ularni hamkorlikda ishlashga, fikr almashishga va bilimlarni amaliyot bilan bog‘lashga undaydi. Asosiy qism. Ma’lumotlar bazasi fanini o‘qitishda interfaol metodlardan foydalanish nafaqat bilimlarni chuqurroq o‘zlashtirishga, balki talabalarni real hayotdagi axborot tizimlari bilan ishlashga tayyorlashga xizmat qiladi. Masalan, amaliy mashg‘ulotlar, muammoli vaziyatlar, loyiha asosida o‘qitish va guruhli ishlash kabi metodlar talabalarda kasbiy kompetensiyalarni shakllantirishga ijobiy ta’sir ko‘rsatadi. M.O. To‘raqulovich tomonidan yozilgan maqola “Informatika fanini o‘qitish metodikasi” fanini innovatsion yondashuv asosida tashkil etish masalasiga bag‘ishlangan [1]. Muallif ta’lim jarayonini zamonaviy texnologiyalar, interfaol metodlar va raqamli vositalar bilan boyitish orqali talabalar faolligi, amaliy ko‘nikmalari va kasbiy kompetensiyalarini rivojlantirish mumkinligini ilmiy jihatdan asoslaydi. Muallif loyiha asosida o‘qitish, gamifikatsiya, teskari sinf, STEAM integratsiyasi hamda mobil va veb-ilovalar asosida ta’limni tashkil etish metodlarini misollar orqali tushuntiradi. S.M. Muhammedovich va A.F. Bekmurodovnaning maqolasida informatika fanining bugungi axborotlashgan jamiyatdagi o‘rni tahlil qilinib, ushbu fanni o‘qitishda faqat an’anaviy ma’ruza usuli bilan cheklanib qolish o‘quvchilarning darsga bo‘lgan qiziqishini pasaytirishi ta’kidlanadi [2]. Shu nuqtai nazardan, o‘yinli texnologiyalar va interfaol usullarni qo‘llash ta’lim samaradorligini oshiruvchi muhim omil sifatida qaraladi. Mualliflar o‘yin texnologiyalarining psixologik-pedagogik jihatlarini ham tahlil qilib, ularning o‘quvchilarning ijtimoiylashuvi, kommunikativ ko‘nikmalari, 163

o‘zini namoyon qilish va ijodiy salohiyatini rivojlantirishdagi rolini ko‘rsatib bergan. Shuningdek, bilimlarni ko‘rish, eshitish va sezish orqali o‘zlashtirish samaradorligi haqida keltirilgan statistik yondashuvlar maqolaning amaliy ahamiyatini oshiradi. E.S. Malikovich tomonidan olib borilgan ilmiy tadqiqot tibbiyot ta’limida axborot texnologiyalarini o‘qitishning bugungi holati, mavjud muammolari va istiqbolli rivojlanish yo‘nalishlarini kompleks tarzda tahlil qilishga bag‘ishlangan [3]. Muallif mavzuni tanlashda zamonaviy tibbiyotning raqamli transformatsiyasi, xususan, sun’iy intellekt, telemeditsina va raqamli simulyatsion texnologiyalarning tez sur’atlarda rivojlanayotganini asosiy omil sifatida ko‘rsatgan. Maqolaning kuchli jihatlaridan biri – dolzarblikning aniq asoslanishidir. B.K. Kadyrov ning ilmiy maqolasida oliy ta’lim muassasalarida kreditmodul tizimi sharoitida ma’lumotlar bazasi fanini o‘rganishda yuzaga kelayotgan muammolar va ularni bartaraf etish yo‘llarini aniqlashga qaratilgan. Muallif mavzuning dolzarbligini raqamlashtirish jarayonlari va mustaqil ta’limga yo‘naltirilgan kredit-modul tizimining joriy etilishi bilan asoslaydi. Bu yondashuv maqolani zamonaviy ta’lim islohotlari bilan bevosita bog‘laydi [4]. Muallif talabalarning bilimni o‘zlashtirish darajasini to‘rtta mezon (eslab qolish, tushunish, amaliy qo‘llash va tuzilmani tahlil qilish) asosida baholagan. Dastlabki natijalar talabalarda amaliy va tahliliy ko‘nikmalar yetarli darajada shakllanmaganini ko‘rsatadi. Keyingi bosqichda esa Flipped Classroom, Projectbased learning va Remote Labs metodlari joriy etilib, qayta baholash o‘tkazilgan. Jadval ma’lumotlariga ko‘ra, ushbu metodlar qo‘llangach, tajriba guruhida barcha mezonlar bo‘yicha sezilarli ijobiy o‘sish qayd etilgan (masalan, amaliy qo‘llash ko‘rsatkichi 77 %gacha oshgan). N.V. Titovskaia va mualliflar jamoasi yordamida olib borilgan ilmiy maqola oliy ta’lim muassasalarida ma’lumotlar bazasini loyihalash bo‘yicha mutaxassislarni tayyorlashda interfaol yondashuv va amaliy metodlarni qo‘llash muammosiga bag‘ishlangan [5]. Mualliflar axborot tizimlarining sifati bevosita ma’lumotlar bazasining to‘g‘ri loyihalanishiga bog‘liqligini asoslab, aynan shu bosqichni o‘qitish jarayonida mavjud bo‘lgan kamchiliklarni aniqlaydi. Maqolaning dolzarbligi shundaki, unda an’anaviy o‘qitish usullarida ma’lumotlar bazasini loyihalashning boshlang‘ich bosqichlari – predmet sohasini tahlil qilish va konseptual loyihalash yetarli darajada yoritilmasligi muammo sifatida ko‘rsatilgan. Mualliflar fikricha, tayyor misollar asosida o‘qitish talabalarda faqat texnik ko‘nikmalarni shakllantiradi, biroq ularning tizimli va mantiqiy fikrlashini rivojlantirmaydi. Tadqiqotning muhim jihati – ikki bosqichli, amaliyot bilan bog‘langan interfaol o‘qitish metodikasining taklif etilishidir. Birinchi bosqichda talabalarga ma’lumotlar bazasi nazariyasi, SQL tili, CASE-vositalar (MS Access, Oracle SQL Developer Data Modeler) asoslari o‘rgatiladi. Ikkinchi bosqichda esa ishlab chiqarish amaliyoti orqali real korxona misolida predmet sohasi tahlil qilinib, to‘liq ma’lumotlar bazasi va axborot tizimi prototipi ishlab chiqiladi. Bu yondashuv talabalarda bilimlarning uzviyligini ta’minlaydi. 164

Ma’lumotlar bazasi fanini o‘qitishda quyidagi interfaol metodlar samarali hisoblanadi: Loyiha asosida o‘qitish (Project-based Learning) metodida talabalar real yoki shartli predmet sohasi asosida ma’lumotlar bazasini loyihalash, normalizatsiya qilish va amaliy muammolarni yechish bilan shug‘ullanadilar. Ushbu metod talabalarni mustaqil ishlashga, jamoada hamkorlik qilishga va mas’uliyatni his etishga o‘rgatadi. Muammoli ta’lim (Problem-based Learning) metodida talabalarga tayyor bilimlar berilmaydi, balki muammoli vaziyatlar yaratilib, ularni tahlil qilish va yechim topish jarayonida bilimlar egallanadi. Masalan, noto‘g‘ri loyihalangan ma’lumotlar bazasidagi xatolarni aniqlash va ularni bartaraf etish orqali talabalar mantiqiy fikrlashni rivojlantiradilar. Flipped Classroom (teskari sinf) metodida nazariy materiallar mustaqil o‘rganishga berilib, auditoriya mashg‘ulotlari amaliy topshiriqlar va muhokamalarga bag‘ishlanadi. Bu yondashuv ma’lumotlar bazasi fanida SQL so‘rovlarini tuzish, jadvallarni bog‘lash va optimallashtirish kabi amaliy ko‘nikmalarni mustahkamlashda samarali natija beradi. Guruhli ishlash va muhokama metodi talabalar o‘rtasida bilim almashinuvi va jamoaviy qaror qabul qilishni ta’minlaydi. Guruhda ishlash jarayonida talabalar bir-birining fikrini tahlil qiladi, baholaydi va umumiy xulosaga keladi. Darsning modullariga ko‘ra turlicha metodlarni birga qo‘llash orqali ijobiy natijalarga erishish mumkin. Albatta buning uchun dars mashg‘ulotida rejalashtirilgan mavzularning mantig‘i ham katta ahamiyat kasb etadi. 1-jadval Amaliy mashg‘ulotlarda turlicha metodlarni maqsadli qo‘llash Metod № 1 2 3 4 5 6 7 Amaliy mashg‘ulot mavzusi Loyiha asosida o‘qitish Ma’lumotlar bazasi dasturlarini o‘rnatish va sozlash (MySQL Server, Oracle Server, Microsoft SQL Server Ma’lumotlar bazasini loyihalash, mohiyat – aloqa diagrammasini qurish. Relyatsion ma’lumotlar bazasini loyihalash. SQL tilida jadvallar yaratish, o‘zgartirish va o‘chirish. Ma'lumotlarni tanlash va ular ustida amallar. AND, OR, NOT mantiqiy standart so‘zlaridan foydalanish. Ma’lumotlarni saralash. WHERE standart so‘zidan foydalanish Group by va Order by standart so‘zlaridan foydalanib so‘rov yaratish. HAVING standart so‘zi orqali so‘rovlar yaratish UNION, INTERSECT va MINUS standart buyruqlardan foydalanish + Muammoli ta’lim + + + + + + + 165 + Teskari sinf Guruhli ishlash va muhokama + + + + + + + + + + + +

1-jadvalda ma’lumotlar bazasi fanining amaliy mashg‘ulotlarini olib borish bo‘yicha mavzular kesimidagi interfaol metodlar qo‘llanilib, ijobiy natijalarga erishildi. Xulosa va amaliy tavsiyalar. Interfaol metodlardan foydalanish ma’lumotlar bazasi fanini o‘zlashtirish samaradorligini oshiradi. Ular talabalarning faolligi va ijodiy fikrlashini rivojlantirib, nazariy bilimlarni amaliyot bilan bog‘laydi hamda kasbiy kompetensiyalarni shakllantiradi. Natijada talabalar zamonaviy axborot tizimlari bilan ishlashga tayyorlanib, mehnat bozorida raqobatbardosh bo‘lib yetishadi. Axborot texnologiyalari fanlarini dinamik veb platformalarida olib boorish ham juda katta ijobiy ta’sirlarga ega bo‘lib, talabalar qanday texnikaviy resurlardan foydalanishlariga qaramasdan real vaqtda o‘zlari bergan so‘rovlariga nisbtan natijalarni olishlari mumkin bo‘ladi. Dars davomida o‘qituvchi tomonidan bu kabi yondashuvlar talabaning o‘z ustida mustaqil ravishda qiziqish bilan ishlashiga sabab bo‘ladi. 166

Foydalanilgan adabiyotlar ro‘yxati 1. To‘raqulovich, M.O. (2025). Informatika fanini o‘qitish metodikasi fanini innovatsion yondashuv asosida o‘qitish metodikasi. New modern researchers: modern proposals and solutions, 2(4), 77-83. 2. Muhammedovich, S.M., & Bekmurodovna, A.F. (2025). Informatika va axborot texnologiyalari fanini o‘qitishda noan’anaviy darslardan va o‘yin texnologiyalaridan foydalanish. The latest pedagogical and psychological innovations in education, 2(11), 49-53. 3. Malikovich, E.S. (2025). Tibbiyotda axborot texnologiyalarini o‘qitishning hozirgi holati va rivojlanish istiqbollari. Ko‘p tarmoqli fan va texnologiya jurnali, 5(4), 673-677. 4. Kadyrov, B.K. (2022). Perspectives of problems in the study of database science in the CreditModule System and their solutions. International Journal of Formal Education, 2(1), 16-22. 5. Titovskaia, N.V., Titovskii, S.N., Titovskaya, T.S., & Pyzhikova, N.I. (2019, May). Interactive approach and technique of teaching future experts in database development. In CEUR Workshop Proceedings. SLET 2019-Proceedings of the International Scientific Conference Innovative Approaches to the Application of Digital Technologies in Education and Research (p. 328). KOMPYUTER KO‘RISH ALGORITMLARI TAHLILI VA ULARNING TIBBIYOTDAGI AHAMIYATI Hasanova Dilafro‘z Bo‘ronovna, Buxoro davlat texnika universiteti tayanch doktoranti Email:dilafruzhasan89@gmail.com https://orcid.org/0009-0009-3201-0514 Annotatsiya. Sun’iy intellekt texnologiyalari ommalashib har bir sohaga keng kirib borgan bir vaqtda ular asosida ishlaydigan algoritmlarni tahlil qilib, takomillashtirib so‘gliqni saqlash, xavfsizlik va ilm-fan sohalariga jalb qilish SIning yanada ahamiyatini oshiradi. Computer vision SI ning raqamli tasvirlar va rasmlarni ko‘rish va tahlil qilish qismi bo‘lib, ushbu maqola kompyuter ko‘rish algoritmlarining turlari, ularning ishlash prinsiplari haqida tushunchalar berilgan. Kalit so‘zlar. Axborotlashtirish, algoritm, sun’iy intellekt, axborot tizimi, computer vision, axborot xavfsizligi, neyron tarmoqlar. Аннотация. В условиях широкого распространения технологий искусственного интеллекта и их активного внедрения во все сферы деятельности анализ и совершенствование алгоритмов, лежащих в их основе, а также их применение в здравоохранении, безопасности и научной деятельности повышают значимость искусственного интеллекта. Компьютерное зрение является областью искусственного интеллекта, связанной с обработкой, распознаванием и анализом цифровых изображений и визуальных данных. В данной статье представлены сведения о видах алгоритмов компьютерного зрения и принципах их работы. Ключевые слова: информатизация, алгоритм, искусственный интеллект, информационная система, компьютерное зрение, информационная безопасность, нейронные сети. Annotation. As artificial intelligence technologies become popular and penetrate into every field, the analysis and improvement of algorithms based on them, and their involvement in the fields of health care, security, and science, increases the importance of AI. Computer vision is the part of AI that deals with viewing and analyzing digital images and pictures, and this article provides an understanding of the types of computer vision algorithms and their principles of operation. Key Words. Informatization, algorithm, artificial intelligence, information system, computer vision, information security, neural networks. 167

Kirish. Kompyuter ko‘rish algoritmlari sohasidagi ilmiy tadqiqotlar dastlab tasvirlarni raqamli qayta ishlash usullarini ishlab chiqishdan boshlangan bo‘lib, keyinchalik mashinaviy o‘qitish va chuqur o‘rganish metodlarining rivojlanishi bilan yangi bosqichga ko‘tarildi. Klassik kompyuter ko‘rish metodlari tasvirlardan xususiyatlarni ajratib olish, konturlarni aniqlash, segmentatsiya va obyektlarni aniqlash kabi masalalarni matematik modellar va statistik usullar yordamida hal etishga qaratilgan. Ushbu yo‘nalishda R. Gonzalez va R. Woods tomonidan ishlab chiqilgan tasvirlarni raqamli qayta ishlash nazariyalari, shuningdek, D. Marrning ko‘rish jarayonining hisoblash modeli bo‘yicha ishlari kompyuter ko‘rish nazariyasining shakllanishida muhim o‘rin tutadi. So‘nggi yillarda chuqur o‘rganish (Deep Learning) texnologiyalarining jadal rivojlanishi kompyuter ko‘rish tizimlarining samaradorligini sezilarli darajada oshirdi. Xususan, konvolyutsion neyron tarmoqlar (CNN) asosida ishlovchi algoritmlar tasvirlarni tasniflash, obyektlarni aniqlash va segmentatsiya masalalarida yuqori aniqlik ko‘rsatkichlariga erishmoqda. A. Krizhevsky, I. Sutskever va G. Hinton tomonidan taklif etilgan AlexNet modeli, K. He va hammualliflarining ResNet arxitekturasi, shuningdek, R. Girshick tomonidan ishlab chiqilgan R-CNN oilasiga mansub algoritmlar kompyuter ko‘rish sohasidagi zamonaviy tadqiqotlarning asosiy yo‘nalishlarini belgilab berdi. Mahalliy va MDH mamlakatlari olimlari tomonidan ham kompyuter ko‘rish texnologiyalarini amaliy sohalarga joriy etish bo‘yicha bir qator ilmiy ishlar olib borilmoqda. Ushbu tadqiqotlarda sanoat jarayonlarini avtomatlashtirish, tibbiy tasvirlarni tahlil qilish, biometrik identifikatsiya va axborot xavfsizligi masalalarida kompyuter ko‘rish algoritmlarini qo‘llash imkoniyatlari o‘rganilmoqda. Tadqiqotlar natijalari kompyuter ko‘rish texnologiyalari sun’iy intellekt tizimlarining muhim tarkibiy qismi ekanligini va ularning kelajakda yanada keng qo‘llanilishini ko‘rsatmoqda. Bugungi kunda jamiyatimizda axborot texnologiyalari sohani rivojlantiruvchi katalizator vazifasini o‘tamoqda. Bu o‘z navbatida jamiyatni rivojlantirishga, inson turmush tarzini yaxshilashga xizmat qilmoqda. Qator gigant kompyaniyalar Sun’iy intelekt imkoniyatlarini taqdim qilib, ATlar rivojini yanada tezlashtirib yubordi. Computer vision ham SI ning bir qismi bo‘lib, unga ko‘rish va tahlil qilish imkoniyatlarini beradi. Kompyuter ko‘rish algoritmlari raqamli tasvirlar va suratlarni ko‘rib tahlil qilishi orqali, sog‘liqni saqlash sohasida, jamoat xavfsizligini saqlash sohalarida, ilm-fan sohalarida, qurilish va robotexnika sohalarda keng qo‘llaniladi. Kompyuter ko‘rish tizimi bir necha bosqichlarda ishlaydi: kamera, fotoapparat yoki boshqa datchiklar orqali tasvirlarni yig‘ish, tasvirdagi shovqinlarni yo‘qotish va kontrasni tahrirlash, tasvirdagi chiziqlar, burchaklar va ranglarni farqlash va mashinali o‘qitish algoritmlari orqali tasvirni tahlil qilish. Kompyuter ko‘rish asosini matematik usullar va algoritmlar yotadi. Kompyuter tasvirni piksellar ya’ni sonlar to‘plami sifatida qabul qiladi. Kompyuter tasvirlarni ikki xil formatda farqlaydi: 0 dan 256 (qoradan oqqacha)gacha bir xil kulrang va RGB (255,0,0). 168

Tasvirni qavul qilib toki qarorlar berguncha bosqichni ko‘rib chiqishimiz mumkin, ma’lum algoritmlarni qo‘llagan holda.kompyuter rasmni qabul qilib olgach undagi ortiqcha shovqinlar ya’ni keraksiz nuqtalar silliqlash yoki olib tashlash amallari bajariladi. Gaussian Blur algoritmlaridan foydalanish mumkin bu holatda. Odatda rasmni hajmi kichraytiriladi, piksellar bilan ishlashni osonlashtirish uchun vas hu maqsadda ba’zan RGB palitradan ham voz kechiladiki, bu hisob kitobni osonlashtiradi. Tasvirdan past darajali xususiyatlar va yuqori darajali xususiyatlar ajratib olinadi. Past darajali xususiyatlarga burchak, kontrastlar yoki to‘g‘ri chiziqlar kirsa odatda, yuqori darajali xususiyatlarga murakkab shakllar ajratib olinadi neyron tarmoqlari yordamida. Tasvir hayvon yoki inson bo‘lsa yuqori darajadagi xususiyatlarga ko‘z, og‘iz, yuz shakli bo‘lishi mumkin. Bu bosqichdan keyin tanib olish yoki moslashtirish bor ma’lumotlar bilan bosqichiga o‘tamiz. Masalan tasvir Muxlisaniki, telefon xotirasidagi tasvir bilan mosligini tekshiradi va telefon qulfdan ochiladi. Bu yerda qaror blokdan ochish hisoblanadi. Odatda kompyuter ko‘rish algoritmlari quyidagi sinflarga bo‘lib foydalanamiz:klassik ko‘rish algoritmlari va chuqur o‘rganish (Deep learning) algoritmlari. Klassik algoritmlari SI gacha bo‘lgan masalalarni yechishda foydalanilgan, bugungi kunda ham foydalaniladi. Ular tasvirdagi keskin tasvir o‘zgarishlar: ranglar kontrastidagi yoki burchaklardagi, aniqlaydi. Tasvir kattalashsa ham obyektni topadi. Berilgan namunani tasvir ichidan topib bera oladi. Bu jarayon matritsalar ustidagi amallar va differensial hisoblashga asoslanadi. Konvolyutsiya amali klassik algoritmlar asosida yotadi va neyron tarmoq algoritmlari ham shunga tayanadi. Rasm — bu I(x, y) funksiyasi bo‘lsa, biz uning ustiga kichik bir matematik filtrni (Kernel) yurgizamiz. 𝑆(𝑖, 𝑗) = (𝐼 ∗ 𝐾)(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑖 − 𝑚, 𝑗 − 𝑛)𝐾(𝑚, 𝑛) 𝑚 𝑛 Bu yerda: I-haqiqiy mavjud piksellar K-filtr S-hosil bo‘lgan yangi tasvir. Rasmdan chegarani aniqlash yoki keskin o‘zgarishlarni masalan rang oqdan qoraga o‘tishni aniqlash uchun hosila olinadi. Tasvir f(x,y) funksiya deb qarab undan birinchi tartibli hosila olamiz. Hosila formulasi 𝑓(𝑥 + ℎ) − 𝑓(𝑥) ℎ→0 ℎ 𝑓 ′ (𝑥) = lim Eng kichik qadam h=1, chunki pikseldan kichik birlik yo‘q.Shuning uchun hosila oddiy ayirishga aylanadi: X yo‘nalish bo‘yicha hosil: 𝐺𝑥 ≈ 𝑓(𝑥 + 1, 𝑦) − 𝑓(𝑥, 𝑦) Y yo‘nalish bo‘yicha hosila:𝐺𝑦 ≈ 𝑓(𝑥, 𝑦 + 1) − 𝑓(𝑥, 𝑦) 169

Natijada farq katta chiqsa, bu chegara borligini bildiradi. Mavjud 𝐺𝑥 𝑣𝑎 𝐺𝑦 hosilalarni birlashtirib Gradiyent vektorini hosil qilamiz. ∇𝑓 = [ 𝑑𝑓 𝑑𝑓 , ] 𝑑𝑧 𝑑𝑦 Gradiyentning kattaligi chegaraning “kuchli”ligini bildiradi. |𝐺| = √𝐺𝑥2 + 𝐺𝑦2 Bu formula orqali tasvir chegarasi yo‘nalishini aniqlash mumkin. 𝜃 = arctan ( 𝐺𝑦 ) 𝐺𝑋 Ba’zida chegaraning aynan o‘rtasini topish uchun ikkinchi tartibli hosiladan foydalaniladi. Birinchi hosila cho‘qqiga chiqqan joyda, ikkinchi hosila nolni kesib o‘tadi. 𝜕 2𝑓 𝜕 2𝑓 ∇ 𝑓= 2+ 2 𝜕𝑥 𝜕𝑦 2 Klassik algoritmlar neyron tarmoqlardek katta hisoblash manbalarini talab qilmaydi. Bu algoritmlardan sanoatda sifat nazorati uchun, shtrix kod va QR kodlarni o‘qishda, tibbiy tasvirlardagi shovqinlarni olishda va boshqa sohalarda foydalanib kelinmoqda. Bugungi kunda eng ommalashgan Deep Learning algoritmlariga quyidagilar kiradi: CNN-konvolyutsion neyron tarmoqlari, YOLO(You only look one), RCCN (Region-CNN). Konvolyutsion neyron tarmoqlari kompyuter ko‘rishning oltin standarti hisoblanadi. Bu algoritm tasvirni mayda detallarigacha filtrlay oladi va qatlamlar bilan ishlaydi. Konvolyutsion neyron tarmoqlarining asosiy imkoniyatini kuchaytiruvchisi bu uning konvolyutsion qatlamlarni ajratib olishi va xususiyatlarni belgilab olishi hisoblanadi. Filtr rasmning kichik qismi bilan ko‘paytirilib natijalar jamlanadi. Bu jarayonda murakkab shakllar-yuz, ko‘zlar aniqlanadi. Konvolyutsion jarayonlardan keyin chiziqli bo‘lmaganligini kiritish uchun quyidagi funksiya ishlatiladi. 𝑓(𝑥) = max(0, 𝑥) U manfiy piksellarni 0 ga aylantiradi, bu esa tarmoqqa murakkabroq qonuniyatlarni o‘rganishga yordam beradi. Agar xususiyat to‘plamlari katta bo‘lsa, hajmi kichraytriladi, bu o‘z navbatida hisoblashni tezlashtirish imkonini beradi. Konvolyutsion neyron tarmoqlari kompyuter parametrlarini tejaydi. YOLO algoritmlari neyron tarmoqlari rivojida katta inqilobiy o‘zgarish olib kelgan kompyuter ko‘rish algoritmi hisoblanadi. Uning asosiy ustunligi tezligidadir. YOLO klassik algoritm bir necha bosqichda qilgan ishini bir martaga filtrlaydi. Uning asosiy ishlash prinsipi kiruvchi suratni N×N o‘lchamdagi kataklarga bo‘lib tashlashdan boshlaydi. Har bir o‘lcham o‘zining ichidagi obyektni aniqlash uchun ishlaydi. Har bir katak o‘zidagi chegaralarni aniqlaydi va ishonchlilik koeffitsiyentini hisoblaydi. 𝐼𝑠ℎ𝑜𝑛𝑐ℎ𝑙𝑖𝑙𝑖𝑘 = 𝑂(𝑜𝑏𝑦𝑒𝑘𝑡) ∗ 𝑀 Bu yerda, 170

M-Bashorat qilingan qutining haqiqiy obyekt ustiga qanchalik mos tushganligi O-Katak ichida obyekt borligi ehtimoli. Har bir katak faqat quti chizib qolmay, shu quti ichidagi obyekt qaysi turga (Klass) tegishli ekanligini ham hisoblaydi (masalan: mashina, odam, it). Jarayonda juda ko‘plab qutilar hozil bo‘lishi mumkin, lekin Ishonchlilik koeffitseyenti past qutilar o‘chirib yuboriladi. U real vaqt rejimida sekundiga 50-150 kadrni tahlil qilish imkoniyatiga ega. Ushnu algoritmlarni bir nechta versiyasi bor va Python dasturlash tilining TensorFlow/PyTorch kutubxonalarida ishlash qulay. R-CNN (Region-based Convolutional Neural Networks)-bu obyektlarni aniqlash sohasida burilish yasagan algoritmlar oilasidir. Bu algoritm avval tasvirni 2000 ta obyekt mumkin bo‘lgan qismga bo‘lib chiqadi. Har bir olingan hudud konvolyutsion neyron tarmog‘i orqali xususiyatlari ajratiladi. SVM -support vector machine-algoritmi orqali ushbu hududda nima borligi aniqlanadi. Bu klassik RCNN algoritm ishlash prinsipi va odatda bu jarayon ko‘p vaqtni olganligi uchun, ya’ni bitta kadr 47 sekund, yangi imkoniyatlar bilan algoritm boyitildi. 2017 yildan keyingi versiyalarda CNN algoritmidan o‘tkazilgandan keyin xususiyatlar to‘plamidan obyekt aniqlanadi. Bu jarayonni tezlashtiradi. R-CCN va YOLO algoritmlarni xususiyatlariga ko‘ra taqqoslaganda quyidagilarni ko‘rish mumkin 1-jadval Xususiyatlari Tezlik Aniqlik Ishlatilish joylari Algoritmlar R-CNN YOLO Sekinroq Juda tez Juda yuqori(kichik obyektlarda ham) O‘rtacha Tibbiyot, ilmiy tahlillar Kuzatuv kameralari,dronlarda Kompyuter ko‘rish boshqa sohalardek tibbiyotda ham keng qo‘llanilmoqda va tashxis aniqligini oshirish, bemor natijalarini yaxshilash va shifokorlarning ish yukini kamaytirish orqali tibbiy yordam sifatini tubdan o‘zgartirmoqda. Rentgen, MRT, UTT tekshiruvlari natijasida olingan tasvirlarni saqlash, qayta ishlov berish, yuborish va bugungi kunda tashxislash bo‘yicha qarorlar berishi axborot texnologiyalarning yutuqlaridan biridir. Ayniqsa saraton hujayralarni erta aniqlash, jag‘ suyagi rezorbsiyasi bo‘yicha xulosalar, implantlar uchun aniq o‘lcham olish, operarsiya jarayonlarida robotlar jarrohligi, real vaqtda klinik kuzatuvlar, rejalashtirilgan kesiklarni aniq ko‘rsatish, dori-darmovlarning ta’sir darajasini kuzatish, epidemic holatlarni tahlil qilish, va katta miqdordagi tibbiy tasvirlar bilan tez muddatda ishlash va statistikani yuritish imkonini berish kabi keng ko‘lamli ishlarni 99 %gacha aniqlik darajasida bajarish mumkin. Misol tariqasida quyida sog‘liqni saqlash muassalarida turli formatdagi ma’lumotlar, xususan rentgen tasvirlarining turli formatlarini kiritib, chiquvchi ma’lumotlar holiga kelguncha bo‘lgan jarayon tahlilini ko‘ramiz. Stomatologiyada birinchi bosqichda jag‘ suyagi rezorbsiyasi uchun rentgen tasvirlari yig‘iladi. Bunda tasvirlar turlicha rentgen qurilmalarida turli formatlarda olinadi. DICOM– (Digital Imaging and Communications in Medicine) – tibbiy tasvirlarni (Rentgen, MRT, KT) saqlash, almashish va uzatish uchun xalqaro 171

standartdir. Odatda DICOM formatda metama’lumotlar saqlanadi, ya’ni bemorning Yoshi,ism-familiyasi, qurilma nomi. Bunday formatlarni kompyuter ko‘rish algoritmlari tahlil qilishga qiynaladi va ikkinchi bosqichda formatni o‘zgartiradi va hajmini kichraytiradi. Ma’lumotlarni yig‘ish bosqichi Ma’lumotlarni oldindan tayyorlash СBCT Ma’lumotlarni filtrlash To’liq bo’lmagan Takrorlangan G’ayritabiiy DICOM Sifat nazo rati PXI Maxfiylik Ma’lumotlar bazasi Formatni o’zgartirish Ma’lumotlarni annotatsiya qilish Ma'lumotlar to'plamini tashkil qilish Qo’lda annotatsiya 0 va 1 lik qilish 2D Klassifikatsiya EISeg & Itk-SNAP Qayta nomlash Avtomatik annotatsiya Muhim qismni olish Tarmoq bashorati 3D 1-rasm Berilgan diagrammani quyidagicha izohlasak: Stomatologiyada birinchi bosqichda jag‘ suyagi rezorbsiyasi uchun rentgen tasvirlari yig‘iladi. Bunda tasvirlar turlicha rentgen qurilmalarida turli formatlarda olinadi. DICOM– (Digital Imaging and Communications in Medicine) – tibbiy tasvirlarni (Rentgen, MRT, KT) saqlash, almashish va uzatish uchun xalqaro standartdir. Odatda DICOM formatda metama’lumotlar saqlanadi, ya’ni bemorning Yoshi,ism-familiyasi, qurilma nomi. Bunday formatlarni kompyuter ko‘rish algoritmlari tahlil qilishga qiynaladi va ikkinchi bosqichda formatni o‘zgartiradi va hajmini kichraytiradi. Uchinchi bosqichda tasvirni neyron tarmog‘I o‘qishi uchun ishlov beriladi. To‘liq bo‘lmagan masalan rentgenda ko‘rinmay qolgan chala tish rasmlari tozalanadi. Takrorlangan suratlar o‘chirib tashlanadi. Tasvirdagi shovqinlar yo‘qotiladi. Masalan rentgen vaqtida bemor qimirlashi oqibatidagi soyalar neyron tarmog‘i tahlili uchun qiyinchilik tug‘diradi. Maxfiylik bosqichida DICOM formatdagi fayllardan bemor haqidagi ma’lumotlar olib tashlanadi va anonimlashtiriladi. Keyingi bosqichda ma’lumotlarni belgilash olib boriladi. Bu jarayon EISeg yoki Itk-SNAP kabi maxsus dasturlar yordamida har bir tishning chegarasini sichqoncha bilan chizib beradi shifokor va berilgan qismlar tizim yordamida tahlil qilinadi. Avtomatik belgilash qismda neyron tarmoqlari yordamga keladi va o‘zi belgilab oladi sohani. Bunda soha xato ketmasligi shifokor yordamida nazorat qilinadi. 172

2-rasm. AAP2017 dasturida suyak darajalari, tish-milk birikmalari, tish o‘qlarini YOLOv8 dan foydalangan holda kasallikni avtomatik tavsiflash Belgilab olingan soha neyron tarmog‘i orqali tahlil qilinadi. 2-rasmda AAP2017 dasturida suyak darajalari, tish-milk birikmalari, tish o‘qlarini YOLOv8 dan foydalangan holda kasallikni avtomatik tavsiflash olib borilgan. Xulosa qilib aytgan kompyuter ko‘rish texnologiyalari sun’iy intelektning ko‘zi bo‘lib jamiyatning barcha jabhalarini birdek rivojlantirishda katta ahamiyatga ega. Muhimi, bu texnologiyani inson manfaatlari markazida qo‘llash, shaffoflikni ta’minlash va global tenglik tamoyillarini qo‘llab-quvvatlashdir. Kompyuter ko‘rish kelajakni “ko‘rish” imkoniyatini beradi, lekin bu kelajakni qanday shakllantirish esa hali ham inson irodasi va donoligiga bog‘liq. Foydalanilgan adabiyotlar 1. Isaac N. Bankman. “Handbook of Medical Image Processing and Analysis” 2008, Academic Press 2. S. Kevin Zhou. “Deep Learning for Medical Image Analysis” 2017, Academic Press. 3. Hasanova D.B. “Sog‘liqni saqlash sohasida katta ma’lumotlar(Big Data)”. Developmenf of science,4.2025/5. 342-351 4. Hasanova D.B. ”Algoritmlarni ishlab chiqish metodlari va ularning tahlili” . Ta’lim va innovatsion tadqiqotlar, 2024/4.94-96 5. Hasanova D.B. “Sog‘liqni saqlash sohasini raqamlashtirish istiqbollari”.Fan va texnologiyalar taraqqiyoti, 2025/1.181-185 6. Hasanova D.B. “Chuqur o‘rganish texnologiyasi orqali rentgenda jag‘ suyagi cho‘kishini ko‘rib klassifikatsiyadagi bosqichlarni belgilab berish rentgenologik mezonlari”,2025.312-315 7. Gonzalez R.C., Woods R.E. Digital Image Processing. – 4th ed. – Pearson, 2018. 8. Marr D. Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. – MIT Press, 2010. 9. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. 10. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. – Communications of the ACM, 2017. 11. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. – IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016. 12. Girshick R. Fast R-CNN. – IEEE International Conference on Computer Vision (ICCV), 2015. 13. Szeliski R. Computer Vision: Algorithms and Applications. – Springer, 2022. 14. Prince S. Computer Vision: Models, Learning, and Inference. – Cambridge University Press, 2012. 173

ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ УПРАВЛЕНИЯ ФИЛЬТРАЦИОННЫМИ СИСТЕМАМИ ПРИ ОЧИСТКЕ ГАЗА ОТ МЕХАНИЧЕСКИХ ПРИМЕСЕЙ НА ОСНОВЕ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ Mo‘minov Rahimjon Rustamovich, doktorant, raximkhan@gmail.com Abduraxmonov Olim Rustamovich, t.f.d. professor, azi1998@mail.ru Atoyeva Shaxnoza Shofiddinovna, magistr, shakhnoza17069@gmail.com Annotatsiya. Ushbu maqolada gazni mexanik zarrachalardan tozalash jarayonida filtratsiya tizimlarini intellektual boshqarish masalalari ko‘rib chiqiladi. Filtr qarshiligining vaqt bo‘yicha o‘sishini tavsiflovchi matematik model ishlab chiqildi va energiya samaradorligini optimallashtiruvchi algoritm taklif etildi. Tadqiqot natijalari predictive maintenance yondashuvi sanoat samaradorligini sezilarli oshirishini ko‘rsatadi. Kalit so‘zlar: gazni tozalash; sun’iy intellekt yordamida boshqaruv; matematik modellashtirish; predictive xizmat ko‘rsatish; energiya samaradorligi. Аннотация. В статье предложен новый подход к интеллектуальному управлению фильтрационными системами при очистке газа от механических примесей. Разработана авторская математическая модель загрязнения фильтра и введён интегральный критерий эффективности эксплуатации. Показано, что применение предиктивных алгоритмов позволяет снизить энергопотребление и повысить надежность оборудования. Ключевые слова: очистка газа; интеллектуальное управление; математическая модель; предиктивное обслуживание; энергоэффективность. Abstract. This paper proposes a novel approach to intelligent control of filtration systems for removing mechanical impurities from gas streams. An original mathematical model describing filter fouling is developed, and an integral efficiency criterion is introduced. The results demonstrate that predictive algorithms significantly reduce energy consumption and improve operational reliability. Keywords: gas purification; intelligent control; mathematical model; predictive maintenance; energy efficiency. Введение. Очистка газа от механических примесей является одним из ключевых процессов, определяющих надежность и энергоэффективность газохимических производств. Даже концентрация твердых частиц на уровне нескольких миллиграммов на кубический метр способна вызвать эрозионный износ компрессоров и снизить эффективность теплообмена до 10 % [1]. Традиционные методы эксплуатации фильтров основаны на фиксированных регламентах обслуживания или достижении критического перепада давления. Однако такие подходы не учитывают нелинейную динамику накопления частиц и часто приводят к неоптимальным режимам работы оборудования [2]. Современный этап развития промышленности характеризуется переходом к концепции Industry 4.0, предполагающей использование интеллектуальных алгоритмов управления и цифровых двойников технологических процессов [3]. Научная новизна работы заключается в следующем: 174

предложена авторская математическая модель роста сопротивления фильтра; • введён интегральный критерий эффективности эксплуатации; • разработан алгоритм интеллектуального управления регенерацией; • установлена зависимость между степенью загрязнения и энергозатратами. Предполагается, что применение интеллектуального алгоритма, основанного на прогнозировании перепада давления, позволит минимизировать совокупные энергетические и эксплуатационные затраты при сохранении высокой эффективности очистки. Основная часть. Математическое описание процесса загрязнения фильтра. При прохождении газового потока через фильтрующий материал происходит постепенное накопление частиц, приводящее к росту аэродинамического сопротивления. Перепад давления определяется законом Дарси: • Δ𝑃 = 𝜇 𝐿 𝑄 𝐾 где: 𝜇— динамическая вязкость газа; 𝐿— толщина слоя загрязнения; 𝐾— коэффициент проницаемости; 𝑄— расход газа. Экспериментальные исследования показывают, что толщина слоя частиц возрастает по квазилинейному закону [4]: Следовательно, 𝐿(𝑡) = 𝐿0 + 𝛽𝐶𝑖𝑛 𝑡 Δ𝑃(𝑡) = 𝜇 𝐿0 + 𝛽𝐶𝑖𝑛 𝑡 𝑄 𝐾 Данная зависимость позволяет прогнозировать момент достижения критического сопротивления. Мощность, необходимая для транспортировки газа: 𝑁= 𝑄 ⋅ Δ𝑃 𝜂𝑐 где: 𝜂𝑐 — КПД компрессора. Даже умеренный рост ΔP на 15–20% увеличивает энергозатраты примерно на 12–18% [5]. В работе предлагается новый критерий оценки: 76 𝐸𝑜𝑝𝑡 = где: 𝜂𝑓 Δ𝑃 ⋅ 𝐶𝑚 𝜂𝑓 — эффективность фильтрации; 𝐶𝑚 — удельные затраты на обслуживание. 175

Интерпретация: • увеличение η повышает эффективность; • рост ΔP снижает энергоэффективность; • частая замена фильтров увеличивает стоимость. Максимизация 𝐸𝑜𝑝𝑡 соответствует оптимальному режиму работы. В известных исследованиях подобный комплексный критерий практически не рассматривается, что подтверждает научную новизну предложенного подхода. Предлагаемый алгоритм включает: 1. непрерывный мониторинг параметров; 2. построение прогностической модели: ̂ (𝑡 + 𝜏) Δ𝑃 3. расчет оптимального момента очистки; 4. автоматическую регенерацию фильтра. Использование методов машинного обучения позволяет снизить ошибку прогноза до 2–4% [6]. Сравнение с традиционными подходами Параметр Энергопотребление Срок службы фильтра Риск аварий Эксплуатационные затраты Регламентное обслуживание 100% Базовый Средний Высокие Интеллектуальное управление 82–90% +35% Низкий Снижены По оценкам McKinsey, предиктивное обслуживание снижает операционные расходы до 20% [7]. Потенциал цифровых двойников. Интеграция математической модели в цифровой двойник позволяет: • моделировать загрязнение в реальном времени; • прогнозировать деградацию; • автоматически оптимизировать режимы. Такие системы уже внедряются на энергетических предприятиях Siemens Energy [8]. Выводы и практические предложения. Результаты исследования подтверждают высокую эффективность интеллектуальных алгоритмов управления фильтрационными системами. Основные выводы: • предложенная модель позволяет прогнозировать рост перепада давления; • интегральный критерий обеспечивает выбор оптимального режима; • интеллектуальное управление снижает энергопотребление на 10– 20%; • ресурс фильтров увеличивается до 40%. Практические рекомендации: 1. внедрение систем онлайн-мониторинга; 176

2. использование предиктивной аналитики; 3. интеграция моделей в SCADA; 4. переход к цифровым двойникам установок. В перспективе подобные решения могут стать отраслевым стандартом для газохимических предприятий. Использованная литература 1. Boyce M. (2020). Gas Turbine Engineering Handbook. Elsevier, 2019. 2. Hinds W., Wiley (2020). Aerosol Technology., 3. Schwab K.(2021). The Fourth Industrial Revolution. WEF, 2021. 4. Seader J., Henley E. (2016). Separation Process Principles. 5. Perry R., Green D. (2022) Perry’s Chemical Engineers’ Handbook. 6. Lee J. et al. (2020). Predictive Maintenance Using Machine Learning. IEEE Transactions on Industrial Electronics. 7. McKinsey & Company (2022). Digital Transformation in Oil and Gas. 8. Siemens Energy. (2023). Digitalization in Process Industries. SUN’IY INTELLEKT: MOHIYATI, HOLATI VA ISTIQBOLLARI Yangiboyev Berdiyar Yangiboyevich, QarIPU professori, i.f.d. E-mail:yangiboyevberdiyar @mail.ru Xolmirzayev Toir Ro‘zimurodovich, QarIPUassistent-o‘qituvchisi Annotatsiya. Maqolada sun’iy intellektga berilgan ta’riflar, mohiyati, O‘zbekiston iqtisodiyotidagi o‘rni va qay darajada rivojlanayotganligi hamda bu yo‘ldagi muammolar, shuningdek, mamlakatimizda raqamli iqtisodiyotni yanada jadallashtirishda syn’iy intellektning o‘rni va ahamiyati to‘g‘risida fikrlar bildirilgan. Kalit so‘zlar: raqamli iqtisodiyot, intensivlik, axborot-kommunikatsiya texnologiyalari, raqamli texnologiyalar, kiber hujum, raqamli qullik, monopoliya, innovatsion vazifa, sun’iy intellekt, sun’iy intellekt texnologiyalari, ekspert tizimlar, virtual agentlar, chatbotlar, virtual yordamchilar. Аннотация. В статье даны определения искусственного интеллекта, его сущности, роли в экономике Узбекистана, уровня его развития и проблем, с которыми он сталкивается, а также мнения о роли и значении искусственного интеллекта в дальнейшем ускорении цифровой экономики в нашей стране. Ключевые слова: цифровая экономика, интенсивность, цифровые технологии, кибератака, информационно-коммуникационные технологии, цифровое рабство, инновационная задача, искусственный интеллект, технологии искусственного интеллекта, экспертные системы, виртуальные агенты, чат-боты, виртуальные помощники. Abstract. The article provides definitions of artificial intelligence, its essence, its role in the economy of Uzbekistan, the extent to which it is developing, and the problems it faces, as well as opinions on the role and importance of artificial intelligence in further accelerating the digital economy in our country. Keywords: digital economy, intensity, information and communication technologies, digital technologies, cyber attack, digital slavery, monopoly, 177

innovation task, artificial intelligence, artificial intelligence technologies, expert systems, virtual agents, chatbots, virtual assistants. Raqamli iqtisodiyotga oid manbalarda “sun’iy intellect” tushunchasi juda ko‘p qo‘llanilib kelinmoqda, buning asosiy sababi ko‘plab rivojlangan mamlakatlarda raqamli iqtisodiyotning har bir mamlakat iqtisodiy taraqqiyotida muhim rol o‘ynashi va qolaversa, raqamli iqtisodiyotning iqtisodiy taraqqiyotning rivojlanish omili sifatida tan olinib kelinayotganligidir. Shu nuqtai-nazardan kelib chiqqan holda ushbu maqolada sun'iy intellektning mohiyati va mamlakat taraqqiyotidagi o‘rniga to‘xtalib o‘tiladi. XX asrning 80-yillarida sun'iy intellekt “kashfiyot” deya e'tirof etila boshlandi. Ushbu yo‘nalishda turli ilmiy maqolava hatto, darsliklar ham chiqarila boshlandi, shuningdek, 1997-yilda shaxmat bo‘yicha jahon chempioni G. Kasparovni mag‘lubiyatga uchratgan mashhur shaxmat dasturi - “Deep Blue” yaratildi. Sun’iy intellekt – informatika, biologiya, psixologiya, tilshunoslik, matematika, mashinasozlik kabi fanlarga asoslangan fan va texnologiya yig‘indisi hisoblanib, uning asosiy yo‘nalishlaridan biri – inson aqli bilan bog‘liq bo‘lgan kompyuter funktsiyalarini ishlab chiqishdir. Sun’iy intellekt turli sohalarga tadbiq qilinib, raqamli iqtisodiyotning elementlari orasida ustunlik qilib kelmoqda, masalan, shaxmat o‘yinida hal qiluvchi rol o‘ynab, bunda kompyuter evristik bilimlar asosida ko‘plab mumkin bo‘lgan echimlarni hisoblay olmoqda, odamlar gapiradigan turli tillarni tushunadigan kompyuter bilan muloqot qilish qobiliyati mavjud, aqlli tizimlar odamlar ular bilan muloqot qiladigan tilni eshitish va tushunishga qodir, shu bilan birga turli xil urg‘ularni, jargonlarni va boshqalarni boshqarishi mumkin, dasturiy ta'minot qog‘ozga qalam yoki ekranda yozilgan matnni stilus yordamida o‘qiydi va harf shakllarini tanib, ularni tahrir qilinadigan matnga aylantirishi mumkin, va nihoyat, odamlar tomonidan berilgan vazifalarni bajarishga qodir robotlardir. Sun'iy intellektning yuqorida ko‘rsatib o‘tilgan va bajarishi mumkin bo‘lgan funktsiyalarini o‘qib, harakatini o‘rganib, uning aql bovar qilmaydigan qobiliyatlari to‘g‘risida turli-tuman fikr-mulohazalar paydo bo‘ldi. Xo‘sh, sun’iy intellect nima o‘zi? Turli fan sohalarida sun'iy intellektning bir qator ta’riflari bor, ularning ayrimlarinigina keltirib o‘tishni, joiz deb hisobladik, jumladan, ayrim manbalarda sun'iy intellekt - bu kompyuter tomonidan boshqariladigan robot yoki dastur yaratish usulidir, boshqasida sun'iy intellekt - muayyan vazifalarni bajarishda inson hatti-harakatlariga taqlid qilishga qodir bo‘lgan texnologiyadir, yana birida sun'iy intellekt - avvallari odamlarga xos bo‘lgan funktsiyalarni bajarishga qodir kompyuterlar, yana boshqa birida sun’iy intellect - intellectual mashinalar yaratishdagi ilmiy texnologiyalardir deb ta’rif berib o‘tilgan. Bu kabi mohiyati va mazmuni bir-biriga yaqin bo‘lgan ta’riflarni ko‘plab keltirishimiz mumkin. Shuni alohida ta’kidlab o‘tish joizki, sun'iy intellekt jahon miqyosida ilmiytexnika taraqqiyotining tez sur'atlar bilan rivojlanib borayotgan yo‘nalishlaridan biri hisoblanib, insonning aqliy qobiliyatlarini o‘rganish va undan foydalanish 178