Management and Future Technologies | Volume 2, Issue 1 | № 005

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 aylantirish orqali jarayonni texnologik boshqarish imkoniyatini ochadi. Zamonaviy neftkimyo sanoatida aralashmalarni ajratish va turli tozalikdagi individual moddalarni olish jarayonlari asosiy o‘rinni egallaydi. Shu bilan birga, tobora toza moddalar olish tendensiyasi yaqqol namoyon bo‘lmoqda. Ajratish jarayonlari orasida rektifikatsiya asosiy o‘rinni egallaydi va uning miqdoriy ulushi 90% atrofida bo‘ladi. Bu rektifikatsiya jarayonlarining yetarlicha universalligi va moddaning ulkan massa oqimlarini qayta ishlash qobiliyati bilan izohlanadi [4,5 Uzakov]. Rektifikatsiya asosida moddalarni suyuqlikdan bug‘ga aylantirish (bug‘lanish) va aksincha (kondensatsiya) yo‘li bilan ajratish imkoniyati yotadi. Bu har bir moddaning o‘ziga xos to‘yingan bug‘ bosimiga ega ekanligi tufayli sodir bo‘ladi. Moddaning to‘yingan bug‘lari bosimi uning qaynash haroratini, boshqa moddalar bilan aralashmadagi bug‘lar miqdorini belgilaydi. Rektifikatsiya kolonnalarini qo‘llash bilan issiqlik va massa almashinish jarayonlari fazo va vaqt bo‘yicha birlashtirilgan. 1-rasmda minineftni qayta ishlash qurilmasining soploli rektifikatsiyalash kolonnasining original sxemasi keltirilgan. 1-rasm. Asosiy rektifikatsiya kolonnasi sxemasi. Bunday turdagi massa almashinish texnikasi qiya panjaralarda gaz va suyuqlik o‘zaro ta’sirining gidrodinamik prinsipini amalga oshirishga va bug‘-suyuqlik oqimining barqaror harorat zonasidan o‘tish vaqtini oshirishga imkon beradi. Oqimning keramik nasadkalarga tegish (tormozlanish) paytida aylanma harakat kinetik energiyasining bir qismi issiqlik energiyasiga aylanadi. Bir vaqtning o‘zida rektifikatsiya jarayoniga harorat ta’siri sodir bo‘ladi. Sonli usullarning jadal rivojlanishi va ularning fanning turli sohalarida qo‘llanilishi zamonaviy EHMlarda matematik modellashtirish va hisoblash eksperimentiga olib keldi. Rektifikatsiya kolonnasida neft kolonna balandligi bo‘yicha (ya’ni faqat vertikal bo‘yicha) komponentlarga ajratilganligi sababli, ushbu 241

Volume 2, Issue 1 242 March 2025 Management and Future Technologies journal.umft.uz masalani bir o‘lchovli deb qarash mumkin (1-rasmda). Ichi g‘ovak muhit (neft) bilan to‘ldirilgan ichi bo‘sh nay berilgan bo‘lsin. Vaqtning har bir momentida eritma (neft) ning konsentratsiyasi nayning kesimi bo‘yicha bir xil deb faraz qilinadi. Eritmani (neftni) ajratish jarayonini o‘q bo‘ylab o x , S ko‘rib chiqamiz - naycha kesimining maydoni, ( x 1 , x 2 ) elementar qism. Neft turli harorat rejimlari yordamida tarkibiy qismlarga ajratiladi va bunda ko‘p marotaba bug‘lanish va kondensatsiyalanish sodir bo‘ladi, bu esa ikkita raqobatlashuvchi jarayonni, ya’ni diffuziya va rektifikatsiyani keltirib chiqaradi. Ammo rektifikatsiya jarayonining "muvaffaqiyatli" kechishi uchun shunday sharoitlarga rioya qilish kerakki, bunda rektifikatsiya jarayoni diffuziya jarayonidan ustunlik qilsin. Buning uchun diffuziya va rektifikatsiya jarayonlarini ketma-ket ko‘rib chiqamiz. Agar muhit gaz bilan notekis to‘ldirilgan bo‘lsa, u holda konsentratsiyasi yuqori bo‘lgan joydan konsentratsiyasi past bo‘lgan joyga diffuziya sodir bo‘ladi. Agar hajmda erigan moddaning konsentratsiyasi o‘zgarmas bo‘lsa, eritmalarda ham xuddi shunday hodisa ro‘y beradi. Vaqtning istalgan paytida gaz (eritma) ning konsentratsiyasi nayning ko‘ndalang kesimi bo‘ylab bir xil deb faraz qilib, ichi kovak nayda yoki g‘ovak muhit bilan to‘ldirilgan nayda diffuziya jarayonini ko‘rib chiqamiz. G‘ovaklik keramik material bilan to‘ldirilgan konussimon "archa" turidagi varaqlar orasidagi bo‘shliqning mavjudligi bilan bog‘liq. U holda diffuziya jarayoni vaqt momentida t kombinatsiyada ifodalovchi x funksiya u ( x , t ), bilan tavsiflanishi mumkin. Nernst qonuniga ko‘ra, kesimdan vaqt (t , t t ), oralig‘ida x oqib o‘tayotgan gazning massasi ga teng. u dQ WSdt , Д ( x, t ) Sdt x W Д (15) u x Bu yerda Д - diffuziya koeffitsiyenti, S - naychaning kesim yuzasi, W ( x, t ) - vaqt birligi ichida yuza birligidan oqib o‘tadigan gaz massasiga teng bo‘lgan diffuziya oqimining zichligi. Konsentratsiyaning ta’rifiga ko‘ra, V hajmdagi gaz miqdori ga teng. Bundan, Q u V ; konsentratsiya u o‘zgarganda naycha qismidagi gaz massasining o‘zgarishi ( x 1 , x 2 ) ga teng ekanligini olamiz. Q x2 C ( x ) u S d x , x1 Bu yerda C ( x) - g‘ovaklik koeffitsiyenti. Uchastkadagi gaz massasining vaqt (t1 , t2 ) : oralig‘idagi muvozanat ( x1 , x2 ) tenglamasini tuzamiz.

Management and Future Technologies t2 S [ D ( x2 ) t1 journal.umft.uz March 2025 Volume 2, Issue 1 x 2 u u ( x2 , ) D ( x1 ) ( x1 , )]d S C ( )[u ( , t 2 ) u ( , t1 )]d . x x x1 Bundan tenglamani hosil qilamiz. u u (D )C x x t (16) Diffuziya tenglamasi. Agar diffuziya koeffitsiyenti o‘zgarmas bo‘lsa, diffuziya tenglamasi quyidagi ko‘rinishni oladi. u t a 2 u xx , Bu yerda a 2 D . C Agar g‘ovaklik koeffitsiyenti, C 1, diffuziya koeffitsiyenti o‘zgarmas bo‘lsa, diffuziya tenglamasi quyidagi ko‘rinishga ega bo‘ladi. u t D u xx . Tenglamaning yechimini topamiz (16) boshlang‘ich shart u ( x , y , z , o ) ( x , y , z ) va chegaraviy shart u t ichida Bu yerda u a 2 u bilan T soha t 0 , -sohaning chegarasi. Yordamchi masalani ko‘rib chiqamiz: tenglamaning notrivial yechimini toping T. u t a 2 u 0 Т yonida t 0 (17) bir jinsli chegaraviy shartni qanoatlantiruvchi u 0 va ko‘paytma ko‘rinishida taqdim u( M , t ) v( M )T (t ) 0. O‘zgaruvchilarni odatdagi usulda ajratib, funksiyalarni v ( M ) va etiladigan T (t ) aniqlaydigan quyidagi shartlarga kelamiz. v v 0T , v ( M ) 0 v 0 на (18) T a 2T 0 (19) V funksiyasi uchun xos qiymatlarni aniqlash masalasini olamiz. Masalaning (18) 1 , 2 ,......, n ,... xos qiymatlari, uning v1 , v 2 , ......, v n , ... xos funksiyalari bo‘lsin. Funksiyalar { v n } ortogonal sistemani hosil qiladi. Tegishli funksiyalar Tn (t ) ko‘rinishga ega Tn (t ) C n e a 2 n t , va yordamchi masala trivial 243

Volume 2, Issue 1 244 March 2025 Management and Future Technologies journal.umft.uz bo‘lmagan yechimga ega. u n ( M , t ) C n v n ( M ) e a 2 n t , (20) Dastlabki masalaning umumiy yechimi quyidagi ko‘rinishda bo‘lishi mumkin: u n ( M , t ) C n e a 2 n t v n ( M ), (21) n 1 Boshlang‘ich shartni qanoatlantiruvchi un (M , O ) (M ) C v ( M ), (22) n n n 1 koeffitsiyentlarni topamiz Cn (M )v (M )d n T vn 2 M Bu yerda 1 2 v n [ v ( M ) d M ] - funksiyaning normasi 2 n T Ѵп. Shunday qilib, (21) ifoda masalaning yechimini ifodalaydi. Rektifikatsiya jarayonining asosida moddalarni suyuqlikdan bug‘ga aylantirish (bug‘lanish) va aksincha (kondensatsiya) yo‘li bilan ajratish yotadi. Bu har bir moddaning o‘ziga xos to‘yingan bug‘ bosimiga ega ekanligi tufayli sodir bo‘ladi. Yuqorida ko‘rib chiqilgan modelga ko‘ra, X kesim orqali vaqt oralig‘ida (t , t t ), oqib o‘tadigan gazning massasi quyidagiga teng: u dQ R ( x, t ) Std PStd ; x M R (23) u , x Bu yerda R - rektifikatsiya koeffitsiyenti, S - naychaning kesim yuzasi, Р(x, t) - gaz massasiga teng bo‘lgan rektifikatsion oqim zichligi, vaqt birligi ichida maydon birligi orqali o‘tadigan. Konsentratsiya ta’rifiga ko‘ra, V hajmdagi gaz miqdori quyidagiga teng: Q u V . Bundan kelib chiqadiki, konsentratsiya u massasining o‘zgarishi quyidagiga teng bo‘ladi: ga o‘zgarganda trubka ( x 1 , x 2 ) qismidagi gaz

Management and Future Technologies journal.umft.uz March 2025 Q Volume 2, Issue 1 x2 245 C ( x)u Sdx, , x1 Bu yerda C ( x ) - g‘ovaklik koeffitsiyenti. Uchastkadagi gaz massasining ( x 1 , x 2 ) vaqt oralig‘idagi ( t 1 , t 2 ) muvozanat tenglamasi quyidagicha bo‘ladi. t2 S [ R ( x2 ) t1 u u ( x 2 , ) R ( x1 ) ( x1 , )]d x x x2 S C ( )[ u ( , t 2 ) u ( , t1 )]d , Bundan tenglamani hosil qilamiz u u (R ) C , x x t (24) u rektifikatsiya jarayonini tavsiflaydi. (24) tenglamaning yechimi (16) tenglamaning yechimiga o‘xshash: u ( M , t ) C n e a 2 n t v n ( M ), n 1 (25) Tuzilgan dastur va uning "MathCAD" dasturi yordamida sonli amalga oshirilishi natijasida neftni parchalashda ikkita diffuziya va rektifikatsiya jarayonlarining grafiklarini olamiz. Ushbu ikkita raqobatlashuvchi jarayonlarni vaqt bo‘yicha sinxronlashtirib, konsentratsiyaning vaqtga bog‘liqligining real vaqt masshtabida o‘zgarmas haroratda (T=250°C) birlashtirilgan grafigini olamiz (2-rasm). A grafik diffuziya rejimini, A grafik esa diffuziya rejimini ifodalaydi. B rektifikatsiya rejimini ifodalaydi. Rasmdan ko‘rinib turibdiki, u n qiymatlar rektifikatsiya kolonnasidagi neftning optimal konsentratsiyasiga mos keladi, uning maksimal oshishi kolonnaning "yutilish" jarayoniga olib kelishi mumkin, u n yuqori qiymatlar esa t parametrning kichik qiymatlarida t n samarali rektifikatsiya jarayoniga mos keladi. Bunday sharoitda rektifikatsiya jarayoni diffuziya jarayonidan ustunlik qiladi. Shunday qilib, matematik model turli xil texnik vaziyatlarni modellashtirish va amaliy foydalanish uchun tavsiyalar olish imkonini beradi. Jarayonlarni optimallashtirish asosida kolonna ishining samaradorligini oshirish va qo‘shimcha xarajatlarsiz och rangli fraksiyalar chiqishini oshirishni o‘z ichiga olgan texnik yechimlarni tavsiya etish mumkin. [8,9 Uzakov]

Volume 2, Issue 1 March 2025 Management and Future Technologies journal.umft.uz 246 2-rasm. Diffuziya va rektifikatsiya jarayonlari rejimlari. 3-rasm. Aylanmali issiqlik generatorining blok-sxemasi. Texnologik jarayonning optimal parametrlariga mini-neftni qayta ishlash qurilmasining rektifikatsiya kolonnasida neft yoki gaz kondensatini qayta ishlashda sodir bo‘ladigan harorat maydonida massa almashinuvi jarayonining o‘zgarish qonuniyatlarini o‘rganish orqali erishish mumkin. Tanlangan yondashuv qurilma va apparatlardagi turli xil texnik holatlarni modellashtirish imkonini beradi, bu esa ularni yanada takomillashtirish va sanoat uchun yangi konstruktorlik yechimlarini tayyorlash uchun zarur shartdir. 3-rasmda nasos, uyurmalantirgich, kavitatsion kamera, gidrotormoz va to‘plovchi issiqlik almashtirgichdan, vortex hosil qiluvchidan tashkil topgan aylanmali issiqlik generatorining blok-sxemasi keltirilgan. Issiqlik generatori harakatlanuvchi va ishqalanuvchi qismlarga ega bo‘lib, suyuqlikning bir uchastkadan ikkinchisiga aylanishi hisobiga issiqlik ajralishining ortib boruvchi intensivligi ta’minlanadi, bunda ilgarilanma harakat aylanma-ilgarilanma harakatga aylanadi, kavitatsion kameraga kiruvchi aylanma oqim hosil bo‘ladi va olingan ichki va kinetik energiya turli konstruksiyali tormoz qurilmalarida issiqlik energiyasiga doimiy ravishda ishlab turadi. Qurilma markazlashtirilgan suv isitish o‘rniga avtonom suv isitish uchun ishlatilishi mumkin. Bu issiqlik tashuvchilarni tashish xarajatlarini bartaraf etish, past samarali kichik qozonxonalardan xalos bo‘lish, xizmat ko‘rsatuvchi xodimlarni saqlash xarajatlarini kamaytirish va atrof-muhit ekologiyasini yaxshilash imkonini beradi.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Aylanma harakat samaradorligini oshirish uchun rektifikatsiya kolonnasining vertikal o‘qiga nisbatan 5C°-15C° burchak ostida o‘rnatilgan soplo va "siklon" yordamida tangensial tashkil etuvchi bo‘yicha xomashyoni kameraga kiritishni nazarda tutuvchi soploli rektifikatsiya kolonnasiga ega bo‘lgan minineftni qayta ishlash qurilmasining original konstruksiyasi berilgan. Aylanma harakat kinetik energiyasining bir qismini issiqlik energiyasiga aylantirish paytida rektifikatsiya jarayoniga boshqariladigan harorat ta’siri sodir bo‘ladi. Asosiy rektifikatsiya kolonnasining ishlashini optimallashtirish va neftni qayta ishlash jarayonlarining texnik-iqtisodiy ko‘rsatkichlarini massa va issiqlik almashinuvini jadallashtirish orqali yaxshilash va shu bilan och rangli neft mahsulotlarini ajratib olish darajasini oshirish uchun rektifikatsiya kolonnasining pastki qismini kojuxlar ko‘rinishida bajarilgan qo‘shimcha issiqlik qobig‘i bilan jihozlash taklif etildi, kolonna kubidagi mazutni ilonizi isitgichning hisobi amalga oshirildi [Uzakov5, 6]. 1-jadval. Mini-neftni qayta ishlash qurilmasining (MNQQ) texnik xususiyatlari keltirilgan. Ko'rsatkichlar Xomashyo quvvati (neft), ming t/yil Chiqarish, %: - Benzin - Dizel yoqilg'isi Gaz kondensati quvvati, ming t/yil Chiqarish, %: - Benzin - Dizel yoqilg'isi Pech yoqilg'i sarfi, kg/soat Aylanuvchi (sovitilgan) suv sarfi, m³/soat O'rnatilgan quvvat, kVt Sarflanadigan quvvat, kVt O'lchamlari, m Qurilmaning massasi, t Kolonna turi Issiqlik almashinish apparatlari Uglevodorod isitgichi Qiymat 15-50 20-40 30-50 15-50 25-65 20-35 25-35 25 36 17 6x6x15 15 Nassadokli Qopqoq bosimli trubkali WBO-40H, ikki o'tkazgichli, brulorli Qurilmani qo‘llash rektifikatsiya jarayonining texnik-iqtisodiy ko‘rsatkichlarini yaxshilash, och rangli neft mahsulotlarini ajratib olish darajasini oshirish va energiya sarfini kamaytirish imkonini berishi ko‘rsatilgan. 247

Volume 2, Issue 1 248 March 2025 Management and Future Technologies journal.umft.uz Natija Aylanmali quvurda buralgan neft va gaz kondensati aralashmasi oqimining matematik modeli ishlab chiqildi, bu soploli rektifikatsiya kolonnasida oqimning o‘q va azimutal tezligining taqsimlanishini aniqlash imkonini berdi. Uning asosida rektifikatsiya kolonnasining avtomatik rejimda ishlashida energiya tejamkorligini bir qiymatli tavsiflovchi boshqaruv parametrlari aniqlandi. Mini-neftni qayta ishlash qurilmasining rektifikatsiya kolonnasi harorat maydonida diffuziya va rektifikatsiya jarayonlarining matematik modeli ishlab chiqildi. Ushbu model asosida rektifikatsiyaning samarali rejimi aniqlangan. Mini-neftni qayta ishlash qurilmasining rektifikatsiya kolonnasidagi jarayonni matematik modellashtirish harorat maydonida neftni aniq fraksiyalarga ajratish jarayonini samarali boshqarish imkonini beradi. Jarayonlarni optimallashtirish asosida rektifikatsiya kolonnasining ishlash samaradorligini oshirish va qo‘shimcha xarajatlarni jalb qilmasdan och rangli fraksiyalar chiqishini oshirishni o‘z ichiga olgan texnik yechimlarni tavsiya etish mumkin. Ishlab chiqilgan matematik model asosida suyuqlikni qizdirish qurilmasini loyihalash bo‘yicha tavsiyalar berildi va yengil fraksiyalarni ajratib olish darajasini qo‘shimcha xarajatlarsiz oshirish imkonini beruvchi "siklon" yordamida kameraga tangensial tashkil etuvchi bo‘yicha neft va gaz kondensati aralashmasini kiritishni nazarda tutuvchi soploli rektifikatsiya kolonnali mini-neftni qayta ishlash qurilmasi taqdim etildi.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Adabiyotlar 1. Редкозубов С.А. Вартанов К.С. Математическое моделирование процесса в ректификационной колонне //Естественные и технические науки. -2007. -№5. -С.242-247. 2. Neft va gaz korxonalarini innovatsion rivojlantirish" xorijiy mamlakatlar tajribasi. Ma'ruza tezisi // "Korxonalarni strategik rejalashtirish va rivojlantirish" Oltinchi Butunrossiya simpoziumi, 2005 yil 12-13 aprel. 3-bo'lim "Rossiya va xorijiy korxonalarda strategik rejalashtirish tajribasi". - M.: 01.05 . 3. Yakubov M.S, Uzakov B.M, Xoshimov B.M, Neft qayta ishlash jarayonini matematik modellashtirish va avtomatlashtirish haqida. // Polsha.2024. No. jild. 48 (2024): Miasto Przyszłości 213-216-betlar. 4. Uzakov B.M, Xoshimov B.M, O‘zbekiston neft-gaz tomonidan ishlab chiqarishni moliyalashtirish boy‘icha xorijni o‘rganish. //Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “AlFarg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | O’g’il: 1 |10-19 betlar| 2024 yil. 5. Uzoqov B.M. Xoshimov B.M. Distillash ustunining sifat ko‘rsatkichlarining virtual analizatorlari modellarini aniqlash usullarini o‘rganish. // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filialining “Al-Farg’oniy avlodlari” elektron ilmiy jurnali ISSN 2181 -4252 Jild: 1 | Nashr: 1 |2024 yil. 6. Uzoqov B.M. Texnologik jarayonlarni operativ boshqarish modellarini texnik-iqtisodiy ko‘rsatkichlar bo’yicha moslashtirish // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filialining "Al-Farg’oniy avlodlari" elektron ilmiy jurnali ISSN 2181 -4252 Jil: 1 | Muammo: 2 | 2023 yil 7. Yoqubov M.S., Uzoqov B.M., Mahsulot sifati ko‘rsatkichlari bo‘yicha tezkor boshqaruv ostida neftni qayta ishlash jarayonlarini modellashtirish. // Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filialining “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali. ISSN 2181 -4252 jild: 1 |Iss: 1 | 2023 yil. 8. Uzoqov B.M Neftni qayta ishlash korxonalarining boshqaruv tizimini takomillashtirish faoliyati // Yevropa iqtisodiyot, moliya va biznesni rivojlantirish jurnali ISSN (E): 2938-3633 2-jild, 5-son, may - 2024 yil 9. M. Yoqubov , B.M. Uzoqov Modellashtirish jarayonlar neftni qayta ishlash da operativ boshqaruv tomonidan ko‘rsatkichlar sifat mahsulotlar // Ilmiy- texnik jurnal (STJ FerPI, FarPI ITZH , NTZH FerPI , 2023 yil, T.27 . maxsus soni 2) (40-46 betlar) 10. Uzakov B.M Neft maxsulotlarini ekstraksiyalash jarayonlarini modellashtirish va boshqarish usullarini tahlili./ materiallar. Farg’ona 4-5-may 2023 yil. (459-462 betlar) 11. Yakubov M.S, Uzakov B.M, Xoshimov B.M, Farg‘ona neftni qayta ishlash zavodi uchun avtomatlashtirilgan matematik modeli va algoritmlash jadvalini hisoblash vazifalari// Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “Al-Farg’ona filiali. avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Jild: 1 | O’g’li: 2 | 2024 yil 12. Uzakov B.M. Neftni qayta ishlash jarayonini boshqarish IS tuzatish // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “Al-Farg’oniy avlodlari” elektron ilmiy jurnali SN 2181-4252 Tom: 1 | O‘g‘li: 2 | 2024 yil 13. Uzakov BM Neft ishlab chiqarishni ekstraksiyalash jarayoni modellashtirish va boshqarish 249

Volume 2, Issue 1 250 March 2025 Management and Future Technologies journal.umft.uz Adabiyotlar 1. Редкозубов С.А. Вартанов К.С. Математическое моделирование процесса в ректификационной колонне //Естественные и технические науки. -2007. -№5. -С.242-247. 2. Neft va gaz korxonalarini innovatsion rivojlantirish" xorijiy mamlakatlar tajribasi. Ma'ruza tezisi // "Korxonalarni strategik rejalashtirish va rivojlantirish" Oltinchi Butunrossiya simpoziumi, 2005 yil 12-13 aprel. 3-bo'lim "Rossiya va xorijiy korxonalarda strategik rejalashtirish tajribasi". - M.: 01.05 . 3. Yakubov M.S, Uzakov B.M, Xoshimov B.M, Neft qayta ishlash jarayonini matematik modellashtirish va avtomatlashtirish haqida. // Polsha.2024. No. jild. 48 (2024): Miasto Przyszłości 213-216-betlar. 4. Uzakov B.M, Xoshimov B.M, O‘zbekiston neft-gaz tomonidan ishlab chiqarishni moliyalashtirish boy‘icha xorijni o‘rganish. //Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | O’g’il: 1 |10-19 betlar| 2024 yil. 5. Uzoqov B.M. Xoshimov B.M. Distillash ustunining sifat ko‘rsatkichlarining virtual analizatorlari modellarini aniqlash usullarini o‘rganish. // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filialining “Al-Farg’oniy avlodlari” elektron ilmiy jurnali ISSN 2181 -4252 Jild: 1 | Nashr: 1 |2024 yil. 6. Uzoqov B.M. Texnologik jarayonlarni operativ boshqarish modellarini texnik-iqtisodiy ko‘rsatkichlar bo’yicha moslashtirish // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filialining "Al-Farg’oniy avlodlari" elektron ilmiy jurnali ISSN 2181 -4252 Jil: 1 | Muammo: 2 | 2023 yil 7. Yoqubov M.S., Uzoqov B.M., Mahsulot sifati ko‘rsatkichlari bo‘yicha tezkor boshqaruv ostida neftni qayta ishlash jarayonlarini modellashtirish. // Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filialining “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali. ISSN 2181 -4252 jild: 1 |Iss: 1 | 2023 yil. 8. Uzoqov B.M Neftni qayta ishlash korxonalarining boshqaruv tizimini takomillashtirish faoliyati // Yevropa iqtisodiyot, moliya va biznesni rivojlantirish jurnali ISSN (E): 2938-3633 2-jild, 5-son, may - 2024 yil 9. M. Yoqubov , B.M. Uzoqov Modellashtirish jarayonlar neftni qayta ishlash da operativ boshqaruv tomonidan ko‘rsatkichlar sifat mahsulotlar // Ilmiy- texnik jurnal (STJ FerPI, FarPI ITZH , NTZH FerPI , 2023 yil, T.27 . maxsus soni 2) (40-46 betlar) 10. Uzakov B.M Neft maxsulotlarini ekstraksiyalash jarayonlarini modellashtirish va boshqarish usullarini tahlili./ materiallar. Farg’ona 4-5-may 2023 yil. (459-462 betlar) 11. Yakubov M.S, Uzakov B.M, Xoshimov B.M, Farg‘ona neftni qayta ishlash zavodi uchun avtomatlashtirilgan matematik modeli va algoritmlash jadvalini hisoblash vazifalari// Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “Al-Farg’ona filiali. avlodlari” elektron ilmiy jurnali ISSN 21814252 Jild: 1 | O’g’li: 2 | 2024 yil 12. Uzakov B.M. Neftni qayta ishlash jarayonini boshqarish IS tuzatish // Muhammad al-Xorazmiy nomidagi TATU Farg’ona filiali “Al-Farg’oniy avlodlari” elektron ilmiy jurnali SN 2181-4252 Tom: 1 | O‘g‘li: 2 | 2024 yil 13. Uzakov BM Neft ishlab chiqarishni ekstraksiyalash jarayoni modellashtirish va boshqarish usullarini tahlili // Muhammad Al-xorazmiy nomidagi Toshkent axborot texnologiyalari Universiteti Farg’ona filiali Aniq va tabiiy fanlarni rivojlantirishda rejalashtirishtexnologiya Ularning o’rni: muammolar va innovatsion yechimlar mavzusidagi xalqaro ilmiy-texnik konferensiya materiallari to’plami 3-qism (556-558 betlar)

Management and Future Technologies Mualliflar Elmurod Urinov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; u.elmurod1988@gmail.com Muhriddin Qulmatov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston. Mas’ul: u.elmurod1988@gmail.com Copyright: © 2024 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/). journal.umft.uz March 2025 Volume 2, Issue 1 O‘ZBEK TILIDAGI MATNLARNI MORFOLOGIK TOKENLASH MASALASI VA YECHIMLARI A nnotatsiya: Ushbu maqola o‘zbek tilidagi matnlarni morfologik tokenlash masalalarini o‘rganish va samarali yechimlar taklif qilishga bag‘ishlangan. O‘zbek tili kabi agglutinativ tillarda tokenlash jarayonining murakkabliklari tahlil qilinib, WordPiece algoritmi asosida ishlaydigan subword tokenlash yondashuvi taklif etildi. Tadqiqotda 80,000 jumlalik korpusdan foydalanilib, algoritmning samaradorligi aniqlik, to‘liqlik va F1skori mezonlari asosida baholandi. Natijalar WordPiece algoritmining o‘zbek tilida tokenlashda 90.5% F1-skor ko‘rsatganini tasdiqladi, bu esa an’anaviy usullardan sezilarli darajada yuqori natija ekanligini ko‘rsatdi. Tadqiqot o‘zbek tilini raqamlashtirish va NLP ilovalarini rivojlantirishda muhim qadam bo‘ldi. Kalit so‘zlar: Morfologik tokenlash, WordPiece algoritmi, subword tokenlash, agglutinativ tillar, tabiiy tilni qayta ishlash, so‘zlarni normallashtirish, lug’at. 251

Volume 2, Issue 1 252 March 2025 Management and Future Technologies journal.umft.uz Tokenlash bo‘yicha dastlabki ishlar asosan flektiv tillar, xususan, ingliz tiliga qaratilgan bo‘lib, bo‘shliqqa asoslangan oddiy tokenlash usullari (whitespace tokenization) keng qo‘llanilgan. Masalan, Manning va Schütze [1] o‘zlarining “Foundations of Statistical Natural Language Processing” kitobida statistik tokenlash usullarini taklif qilib, so‘z chastotalariga asoslangan tokenlashning samaradorligini ko‘rsatgan. Biroq, bu usullar agglutinativ tillar, xususan, o‘zbek tili kabi morfologik jihatdan murakkab tillarga moslashmaganligi tufayli cheklovlarga ega. Agglutinativ tillar bo‘yicha tokenlash masalalari bo‘yicha bir qator tadqiqotlar turk, fin va vengriya tillariga qaratilgan. Turk tili bo‘yicha Oflazer [2] tomonidan ishlab chiqilgan morfologik analizator tokenlashda qoidaga asoslangan yondashuvning samaradorligini ko‘rsatdi. Ushbu tizim turk tilining qo‘shimchalar tuzilishini aniqlash uchun qoidalar ro‘yxatidan foydalanib, so‘zlarni ildiz va qo‘shimchalarga ajratdi. Shu bilan birga, bu usul qo‘lda qoidalar yozishni talab qilishi tufayli dialektlar va imlo xatolarini qamrab ololmaydi. Fin tili bo‘yicha Koskenniemi [3] tomonidan ishlab chiqilgan ikki darajali morfologik tahlil (Two-Level Morphology) modeli agglutinativ tillar uchun tokenlashda muhim yutuq bo‘ldi. Ushbu model qoidaga asoslangan tahlilni avtomatlashtirishga imkon berdi, lekin katta hajmdagi qoidalar va resurslar talab qilishi tufayli o‘zbek tili kabi resurslari cheklangan tillarga moslashishi qiyin. O‘zbek tili bo‘yicha tokenlash masalasi bo‘yicha tadqiqotlar nisbatan kam bo‘lib, bu sohada olib borilgan ishlar asosan umumiy morfologik tahlilga qaratilgan. Masalan, Abdullaev va Xudoyberdiev [4] o‘zlarining “O‘zbek tilida morfologik tahlilning zamonaviy usullari” maqolasida o‘zbek tilining qo‘shimchalar tuzilishini tahlil qilib, qoidaga asoslangan tizimni taklif qilgan. Ularning tizimi “kitoblarimda” kabi so‘zlarni ildiz va qo‘shimchalarga ajratishda 75% aniqlikka erishgan, ammo dialektlar va imlo xatolarini hisobga olmagan. Shu bilan birga, Matlatipov va Vetrov [5] tomonidan o‘zbek tili uchun statistik tokenlash usullari bo‘yicha olib borilgan tadqiqotda Hidden Markov Models (HMM) qo‘llanilgan. Ushbu tadqiqotda o‘zbek tilidagi 10,000 jumlalik kichik korpusdan foydalanilgan, lekin etiketlangan ma’lumotlarning cheklanganligi tufayli aniqlik 65% dan oshmagan. Zamonaviy NLP tadqiqotlarida subword tokenlash usullari (WordPiece, Byte-Pair Encoding – BPE) keng qo‘llanmoqda. [6] da mualliflar tomonidan ishlab chiqilgan BERT modeli subword tokenlashdan foydalangan holda tokenlashda yuqori natijalarga erishdi. Shu bilan birga, BERT modeli asosan ingliz tili kabi resurslari ko‘p tillar uchun moslashtirilgan bo‘lib, o‘zbek tili uchun qo‘shimcha o‘qitish va moslashtirishni talab qiladi. Turk tili bo‘yicha ishlab chiqilgan BERT-Turkish modeli [7] agglutinativ tillar uchun tokenlashda muvaffaqiyatli natija ko‘rsatgan bo‘lsa-da, o‘zbek tili uchun to‘g‘ridan-to‘g‘ri qo‘llanilishi dialektlar va leksik farqlar tufayli qiyinchiliklarga duch keladi. O‘zbek tili bo‘yicha tokenlashda mashinaviy o‘qitishga asoslangan yondashuvlar bo‘yicha bir qator tadqiqotlar olib borilgan bo‘lsa-da, ularning aksariyati kichik hajmdagi korpuslar bilan cheklangan. Masalan, Yusupov va Qodirov (2021) o‘zbek tilida ijtimoiy tarmoq matnlari uchun tokenlash algoritmini taklif qilib, normalizatsiya qatlamini qo‘shgan. Ularning algoritmi “nma” kabi qisqartmalarni “nima” shakliga keltirishda 80% aniqlikka erishgan, ammo morfologik tahlil qilishda cheklovlarga ega bo‘lgan. Shu bilan birga, o‘zbek tili uchun ochiq manbalarga asoslangan tokenlash vositalari ishlab chiqilgan bo‘lsa-da, ularning ko‘pi umumiy morfologik tahlil bilan cheklangan va

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 kontekstli tokenlashni qo‘llab-quvvatlamaydi. Yuqoridagi tadqiqotlarni tahlil qilib, o‘zbek tilida tokenlash bo‘yicha yechimini topish zarur bo‘lgan bir qator muammolar mavjud ekanligini namoyon etadi. Birinchi navbatda, mavjud usullar o‘zbek tilining dialektlari va imlo xilma-xilligini to‘liq qamrab ololmaydi. Ikkinchidan, belgilangan matn korpuslarning cheklanganligi tufayli mashinaviy o‘qitishga asoslangan usullarning samaradorligi past bo‘lib qolmoqda. Uchinchidan, kontekstli tahlil qilish imkoniyati cheklangan bo‘lib, bu jumlada so‘zlarning sintaktik rollarini aniqlashda qiyinchiliklar tug‘diradi. Ushbu tadqiqot mavjud kamchiliklarni bartaraf etishga qaratilgan bo‘lib, qoidaga asoslangan va mashinaviy o‘qitish usullarini birlashtirgan gibrid algoritmni taklif qiladi. Tadqiqotning o‘ziga xosligi shundaki, u o‘zbek tilining morfologik xususiyatlarini, dialektlarini va imlo xilma-xilligini hisobga olgan holda, kontekstli tokenlash imkoniyatini ta’minlaydi va kichik hajmdagi korpuslar bilan samarali ishlashga qodir. Masalaning qo‘yilishi. O‘zbek tili kabi agglutinativ tillarda tokenlash jarayoni NLP sohasida muhim muammolardan biridir. Tokenlash matnni kichik ma’noli birliklarga (tokenlarga) ajratishni anglatadi va bu jarayon NLP ilovalari, masalan, mashinaviy tarjima, matn tasnifi va chatbot tizimlari uchun asosiy bosqich hisoblanadi. O‘zbek tilining morfologik xususiyatlari – ya’ni, so‘zlarning qo‘shimchalar yordamida murakkab shakllarga aylanishi – tokenlashni an’anaviy usullar bilan amalga oshirishda katta to‘siqlar keltirib chiqaradi. Masalan, “o‘qituvchilarimga” o‘xshash bir so‘z “o‘qituvchi” (ildiz), “-lar” (ko‘plik), “-im” (egalik) va “-ga” (yo‘nlash) qismlaridan iborat bo‘lib, oddiy bo‘shliqqa asoslangan tokenlash usullari ushbu qismlarni to‘g’ri ajratishga qodir emas. Bu holat so‘zning semantik va sintaktik tuzilishini yo‘qotishga olib keladi, natijada keyingi tahlil bosqichlarida xatolar paydo bo‘ladi. Bundan tashqari, o‘zbek tilida tokenlash jarayonida qo‘shimcha muammolar mavjud. Birinchi navbatda, hududiy dialektlar (masalan, “qilayapman” – standart shakl, “qoryapman” – Xorazm dialekti) va imlo xatolari (masalan, “nma” – “nima”) tokenlashda noaniqliklarga sabab bo‘ladi. Ikkinchidan, o‘zbek tilida belgilangan matnli korpuslarning yetarli emasligi zamonaviy tokenlash usullari, masalan, mashinaviy o‘qitishga asoslangan algoritmlarni qo‘llashni qiyinlashtiradi. Uchinchidan, qisqartmalar (“ok” – “yaxshi”) va punktuatsiya belgilari bilan bog‘liq muammolar tokenlash jarayonida qo‘shimcha to‘siqlarni keltirib chiqaradi Yuqorida keltirilgan muammolar o‘zbek tilida NLP texnologiyalarini rivojlantirishda sezilarli to‘siqlar yaratadi. Mavjud tokenlash usullari – qoidaga asoslangan, statistik yoki subword tokenlash usullari – o‘zbek tilining o‘ziga xos xususiyatlarini to‘liq hisobga olmaydi va ko‘pincha past aniqlik ko‘rsatadi. Shu sababli, ushbu tadqiqotda quyidagi asosiy muammo qo‘yiladi: o‘zbek tilining morfologik tuzilishi, dialektlari va resurs cheklovlarini hisobga olgan holda, tokenlash jarayonini yuqori aniqlik va moslashuvchanlik bilan amalga oshiruvchi samarali algoritmni ishlab chiqish. Tadqiqotning maqsadi o‘zbek tilida tokenlashning dolzarb muammolarini aniqlash, mavjud usullarni tahlil qilish va yangi gibrid yondashuvni taklif qilish orqali ushbu muammoni hal qilishdan iborat. 253

Volume 2, Issue 1 254 March 2025 Management and Future Technologies journal.umft.uz Tadqiqot metodologiyasi Ushbu tadqiqot o‘zbek tilida morfologik tokenlash muammolarini hal qilish maqsadida gibrid algoritm ishlab chiqish va uning samaradorligini baholashga qaratildi. Tadqiqot eksperimental yondashuvga asoslanib, taklif etilgan algoritm real ma’lumotlar to‘plami bilan sinovdan o‘tkazildi va natijalari mavjud usullar bilan taqqoslandi. Ilmiy tadqiqot jarayonida muammoni aniqlash, yechimlar ishlab chiqish, tajriba o‘tkazish va natijalarni statistik o‘lchovlar yordamida baholash bosqichlari amalga oshirildi. Tadqiqotning asosiy maqsadi o‘zbek tilining o‘ziga xos xususiyatlarini hisobga olgan holda tokenlash jarayonini takomillashtirish va uning tabiiy tilni qayta ishlash ilovalarida samarali qo‘llanilishini ta’minlashdan iborat. Tadqiqotda foydalanish uchun o‘zbek tilidagi matnlardan iborat maxsus ma’lumotlar to‘plami tuzildi. Ushbu to‘plamni tuzish jarayonida o‘zbek tilidagi turli internet sahifalari, jumladan, o‘zbekcha vikipedia maqolalari, yangiliklar saytlari hamda dialektlar va imlo xatolarini ham o‘z ichiga olgan ijtimoiy tarmoq postlaridan foydalanildi. Ma’lumotlar to‘plami turli xillik, tozalik va yetarli hajm talablariga javob beradigan tarzda tayyorlandi. Tadqiqotda qoidaga asoslangan morfologik tahlil, subword tokenlash va mashinaviy o‘qitish usullarini birlashtirgan gibrid algoritm ishlab chiqildi. Dastlab, o‘zbek tilining grammatik qoidalariga asoslanib so‘zlar ildiz va qo‘shimchalarga ajratildi. Keyinchalik, WordPiece algoritmi o‘zbek tilidagi matnlar bilan qayta o‘qitilib, so‘z qismlarini aniqlashda qo‘llanildi (masalan, “suhbatlarim” → “suhbat”, “##lar”, “##im”). Shu bilan birga, o‘zbek tiliga xos muammolar – dialektlar va imlo xatolarini bartaraf etish uchun qo‘shimcha normalizatsiya qatlami joriy qilingan. Natijada, bu usul o‘zbek tilining murakkab tuzilishini inobatga olib, tokenlash jarayonini yaxshilagan. Taklif etilayotgan algoritm O‘zbek tilida morfologik tokenlash masalalarini hal qilish uchun ushbu tadqiqotda Subword tokenlash algoritmi sifatida WordPiece texnologiyasi asosida ishlaydigan yondashuv taklif etiladi. WordPiece algoritmi zamonaviy tabiiy tilni qayta ishlash modellarida keng qo‘llaniladigan usul bo‘lib, so‘zlarni kichikroq ma’noli qismlarga (subword units) ajratish orqali tilning morfologik murakkabliklarini boshqarish imkonini beradi [8, 11]. Ushbu algoritm o‘zbek tili kabi agglutinativ tillar uchun ayniqsa samarali bo‘lib, so‘zlarning qo‘shimchalar orqali hosil qilinishi xususiyatini hisobga oladi. Quyida algoritmning ishlash jarayoni va matematik apparati batafsil tasvirlanadi. WordPiece algoritmi chastota asosida subword tokenlarni tanlash printsipiga asoslanadi va bir nechta bosqichlardan iboratdir. Ushbu jarayon Schuster va Nakajima [9] tomonidan taklif qilingan asl algoritmga asoslanadi va o‘zbek tilining xususiyatlariga moslashtirilgan holda qo‘llaniladi. Dastlab, algoritm berilgan matnli korpusdan foydalanib, dastlabki lug‘atni shakllantiradi. Korpusdagi barcha so‘zlar � � �𝑤𝑤� , 𝑤𝑤� , … 𝑤𝑤� � sifatida belgilanadi, bu yerda 𝑤𝑤� – korpusdagi 𝑖𝑖-chi so‘z. Har bir so‘z alohida harflarga bo‘linadi, masalan, “kitoblar” so‘zi 𝑤𝑤� � �𝑘𝑘, 𝑖𝑖, 𝑡𝑡, 𝑜𝑜, 𝑏𝑏, 𝑙𝑙, 𝑎𝑎, 𝑟𝑟, 𝑖𝑖, 𝑚𝑚� shaklida ifodalanadi. Shu asosda dastlabki lug‘at 𝑉𝑉 quyidagi tarzda tuziladi:

Management and Future Technologies journal.umft.uz March 2025 � � � �𝑐𝑐|𝑐𝑐 𝑐 𝑐𝑐� �𝑐� Volume 2, Issue 1 bu yerda 𝑐𝑐 – so‘zning har bir harfi. Quyida lug’at tuzish jarayonini ifoda etuvchi psevdkod keltirilgan: Funksiya: So‘zniTokenlash(So‘z, Lug‘at) // 1. Normalizatsiya (masalan, dialektlarni tuzatish) So‘z ← Normalizatsiya(So‘z) // 2. Greedy yondashuv bilan tokenlash Tokenlar ← Bo‘shRo‘yxat QolganSo‘z ← So‘z While QolganSo‘z bo‘sh emas: // 2.1. Eng uzun mos keluvchi prefiksni topish EngUzunPrefiks ← None EngUzunUzunlik ← 0 Har bir token uchun Lug‘at ichida: Agar token QolganSo‘zning prefiksi bo‘lsa: Agar uzunlik(token) > EngUzunUzunlik: EngUzunPrefiks ← token EngUzunUzunlik ← uzunlik(token) // 2.2. Prefiks topilmasa, noma’lum token ishlatiladi Agar EngUzunPrefiks yo‘q bo‘lsa: Tokenlar ← Tokenlar + [“[UNK]”] Break // 2.3. Topilgan prefiksni qo‘shish va qolgan qismni yangilash Tokenlar ← Tokenlar + [EngUzunPrefiks] 255

Volume 2, Issue 1 256 March 2025 Management and Future Technologies journal.umft.uz QolganSo‘z ← QolganSo‘z[uzunlik(EngUzunPrefiks):] Return Tokenlar Keyingi bosqichda korpusdagi qo‘shni tokenlar juftliklari (bigramlar) aniqlanadi va ularning chastotasi hisoblanadi. Har bir so‘z ichida ketma-ket kelgan tokenlar juftlik sifatida qaraladi, masalan, “kitoblar” so‘zi uchun juftliklar �𝑘𝑘, 𝑖𝑖�, �𝑖𝑖, 𝑡𝑡�, �𝑡𝑡, 𝑜𝑜�, �𝑜𝑜, 𝑏𝑏�, �𝑏𝑏, 𝑙𝑙�, �𝑙𝑙, 𝑎𝑎�, �𝑎𝑎, 𝑟𝑟� haklida hosil qilinadi. Har bir juftlikning chastotasi 𝑓𝑓�𝑡𝑡� , 𝑡𝑡� � sifatida hisoblanadi, bu yerda 𝑡𝑡� va 𝑡𝑡� – qo‘shni tokenlar. Har bir iteratsiyada eng yuqori chastotaga ega juftlik tanlanadi va yangi token sifatida lug‘atga qo‘shiladi. Eng ko‘p uchraydigan juftlik quyidagi formula yordamida aniqlanadi: �𝑡𝑡� , 𝑡𝑡� ���� � 𝑎𝑎𝑟𝑟� max 𝑓𝑓�𝑡𝑡� , 𝑡𝑡� � Tanlangan juftlik birlashtirilib, lug‘atga qo‘shiladi: ��� ,�� � 𝑉𝑉 𝑉 𝑉𝑉 𝑉 �𝑡𝑡� , 𝑡𝑡� � Yakuniy lug‘at tayyor bo‘lgach, yangi matn tokenlash uchun lokal optimal algoritmi asosida berilgan 𝑤𝑤 so‘z uchun lug‘atda mavjud eng uzun mos keluvchi prefiks aniqlanadi: 𝑡𝑡� � arg max�𝑙𝑙𝑙𝑙𝑙𝑙�𝑡𝑡�| 𝑤𝑤 ning prefiksi� ��� bu yerda 𝑡𝑡� – so‘zning boshidan eng uzun mos keluvchi token, 𝑙𝑙𝑙𝑙𝑙𝑙�𝑡𝑡� – tokenning uzunligi. So‘zning qolgan qismi uchun jarayon takrorlanadi. Agar so‘zning biron qismi lug‘atda topilmasa, maxsus “𝑈𝑈𝑈𝑈𝑈𝑈” tokeni ishlatiladi. Masalan, agar lug‘at V = \{o‘qituvchi, ##lar, ##im, ##ga\} bo‘lsa, “o‘qituvchilarimga” so‘zi quyidagicha tokenlashadi: birinchi prefiks sifatida “o‘qituvchi” tanlanadi, qolgan qism “larimga” uchun “##lar”, so‘ng “##im” va “##ga” tokenlari aniqlanadi. Natija: [o‘qituvchi, ##lar, ##im, ##ga]. Quyida algoritmni ikkinchi bosqichi bajarilish jarayoni ifodalangan: Funksiya: So‘zniTokenlash(So‘z, Lug‘at) // 1. Normalizatsiya (masalan, dialektlarni tuzatish) So‘z ← Normalizatsiya(So‘z) // 2. Greedy yondashuv bilan tokenlash Tokenlar ← Bo‘shRo‘yxat QolganSo‘z ← So‘z While QolganSo‘z bo‘sh emas: // 2.1. Eng uzun mos keluvchi prefiksni topish

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 EngUzunPrefiks ← None 257 EngUzunUzunlik ← 0 Har bir token uchun Lug‘at ichida: Agar token QolganSo‘zning prefiksi bo‘lsa: Agar uzunlik(token) > EngUzunUzunlik: EngUzunPrefiks ← token EngUzunUzunlik ← uzunlik(token) // 2.2. Prefiks topilmasa, noma’lum token ishlatiladi Agar EngUzunPrefiks yo‘q bo‘lsa: Tokenlar ← Tokenlar + [“[UNK]”] Break // 2.3. Topilgan prefiksni qo‘shish va qolgan qismni yangilash Tokenlar ← Tokenlar + [EngUzunPrefiks] QolganSo‘z ← QolganSo‘z[uzunlik(EngUzunPrefiks):] Return Tokenlar O‘zbek tilining morfologik xususiyatlarini hisobga olish uchun algoritmga qo‘shimcha moslashtirishlar kiritildi. O‘zbek tilida qo‘shimchalar (masalan, “-lar”, “-im”, “-ga”) keng tarqalgan bo‘lib, ularning chastotasi alohida hisoblandi. Bu jarayon qo‘shimchalarni subword token sifatida aniqlashni osonlashtirdi. Shuningdek, dialektlar va imlo xatolarini tuzatish uchun normallashtirish qatlami qo‘llanildi. Normallashtirish jarayonida so‘z shakllarini moslashtirish uchun ehtimollik modeli ishlatildi: 𝑃𝑃�𝑤𝑤���� |𝑤𝑤� � 𝑓𝑓�𝑤𝑤���� � ∑���� 𝑓𝑓�𝑤𝑤𝑤� bu yerda 𝑤𝑤���� – normallashtiriilgan so‘z shakli, 𝑓𝑓�𝑤𝑤���� � – uning korpusdagi chastotasi. Masalan, “qoryapman” so‘zi “qilayapman” shakliga keltirildi. Quyida algoritmni normallashtirish bosqichi bajarilish jarayoni ifodalangan: Funksiya: Normalizatsiya(So‘z)

Volume 2, Issue 1 258 March 2025 Management and Future Technologies journal.umft.uz // Dialektlarni va imlo xatolarini tuzatish Agar So‘z “qoryapman” bo‘lsa: So‘z ← “qilayapman” Yoki Agar So‘z “nma” bo‘lsa: So‘z ← “nima” // Qo‘shimcha normalizatsiya qoidalari qo‘llaniladi Return So‘z Natijalar Ushbu bo‘limda taklif etilgan WordPiece algoritmining o‘zbek tilida morfologik tokenlashdagi samaradorligini baholash maqsadida o‘tkazilgan tajribalar va ularning natijalari taqdim etiladi. Tajribalar o‘zbek tilidagi turli xil matnlar to‘plamida amalga oshirildi va algoritmning aniqligi, to‘liqligi va umumiy samaradorligi o‘lchandi. Natijalar mavjud tokenlash usullari bilan taqqoslanib, algoritmning afzalliklari va cheklovlari aniqlandi. Tajribalar uchun o‘zbek tilidagi matnlardan iborat maxsus korpus tuzildi. Korpus quyidagi manbalardan yig‘ildi: O‘zbekcha Wikipedia maqolalari (200,000 so‘z), kun.uz va daryo.uz kabi yangiliklar saytlaridan olingan 50,000 jumlalik matn, shuningdek, Telegram va Facebook’dan yig‘ilgan 30,000 jumlalik norasmiy suhbatlar. Umumiy hajmi 80,000 jumlani tashkil etgan ushbu korpusning 10,000 jumlasi tilshunoslar tomonidan qo‘lda etiketlandi, ya’ni har bir so‘z ildiz va qo‘shimchalarga ajratildi (masalan, “kitoblarim” → “kitob”, “-lar”, “-im”). Korpus turli xillikni ta’minlash uchun rasmiy (yangiliklar) va norasmiy (ijtimoiy tarmoq suhbatlari) matnlarni, shuningdek, turli dialektlarni (Toshkent, Farg‘ona, Xorazm) qamrab oldi. Korpus ikkiga bo‘lindi: 70% (56,000 jumla) o‘qitish uchun, 30% (24,000 jumla) sinov uchun ishlatildi. WordPiece algoritmi o‘qitish to‘plamida lug‘at tuzish uchun ishlatildi, lug‘at hajmi 10,000 token bilan cheklandi. Sinov jarayonida algoritmning samaradorligi quyidagi mezonlar asosida baholandi: aniqlik (precision), to‘liqlik (recall) va F1-skori. Ushbu mezonlar tokenlashning umumiy sifatini o‘lchash uchun standart hisoblanadi (Manning va Schütze, 1999). Taqqoslash uchun ikkita boshqa usul sinovdan o‘tkazildi: oddiy bo‘shliqqa asoslangan tokenlash (baseline) va qoidaga asoslangan morfologik tahlil usuli. Tajribalar natijasida WordPiece algoritmining o‘zbek tilida tokenlashdagi samaradorligi yuqori ekanligi aniqlandi. Quyidagi jadvalda turli usullarning sinov to‘plamidagi natijalari keltirilgan:

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 1-jadval. Turli tokenlash usullarining samaradorligi. Algoritm Bo‘shliqqa asoslangan usul Qoidaga asoslangan usul WordPiece algoritmi (taklif etilgan) Aniqlik (Precision) 62% 78% 92% 259 To‘liqlik (Recall) 58% 75% 89% F1-skori 60% 76.5% 90.5% Yuqorida keltirilgan 1-jadvaldan ko‘rinib turibdiki, taklif etilgan WordPiece algoritmi boshqa usullarga nisbatan sezilarli darajada yuqori natija ko‘rsatdi. Bo‘shliqqa asoslangan usul o‘zbek tilining morfologik murakkabliklarini (masalan, qo‘shimchalar tuzilishini) hisobga ololmagani uchun past natija berdi. Qoidaga asoslangan usul esa qisman yaxshi natija ko‘rsatgan bo‘lsa-da, dialektlar va imlo xatolarini to‘liq qamrab ololmadi. WordPiece algoritmi esa subword tokenlash orqali so‘zlarning ichki tuzilishini saqlab qolish va dialektlarga moslashish imkonini berdi. 1-rasmda algoritmning turli korpus qismlaridagi (rasmiy matnlar, norasmiy matnlar, dialektli matnlar) F1- baholash me'zoni bo‘yicha natijalari keltirlgan: 100 90 80 70 60 50 40 30 20 10 0 Rasmiy Bo‘shliqqa asoslangan usul Norasmiy Qoidaga asoslangan usul Dialektlar WordPiece algoritmi (taklif etilgan) 1-rasm. Algoritmlarning turli matn korpuslarida olingan F1-baholash me'zoni ko'rsatkichlari. 1-rasnda keltirilgan grafikdan ko‘rinib turibdiki, barcha algoritmlar rasmiy matnlarda eng yuqori natija ko‘rsatdi, chunki bu matnlar odatda standart imlo qoidalariga rioya qiladi. Norasmiy matnlarda va dialektli matnlarda natijalar biroz pastroq bo‘ldi, bu imlo xatolari va shevalarga xos farqlar bilan bog‘liq. WordPiece algoritmining yuqori samaradorligi bir qator omillarga bog‘liq. Birinchidan, algoritm o‘zbek tilining qo‘shimchalar tuzilishini (masalan, “-lar”, “-im”) subword tokenlar sifatida

Volume 2, Issue 1 260 March 2025 Management and Future Technologies journal.umft.uz aniqlash orqali so‘zlarning morfologik tuzilishini saqlab qoldi. Masalan, “o‘qituvchilarimga” so‘zi [o‘qituvchi, ##lar, ##im, ##ga] shaklida tokenlashdi, bu so‘zning semantik va sintaktik tuzilishini yo‘qotmaslikka imkon berdi [9]. Ikkinchidan, normalizatsiya qatlami dialektlarni (masalan, “qoryapman” → “qilayapman”) va imlo xatolarini tuzatishda muhim rol o‘ynadi, bu esa algoritmning moslashuvchanligini oshirdi. Shuning bilan birga, tajribalar davomida ba’zi cheklovlar ham aniqlandi. Dialektli matnlarda natijalar biroz pastroq bo‘ldi, chunki korpusda Xorazm va Qashqadaryo shevalari yetarlicha qamrab olinmadi. Shuningdek, korpusning umumiy hajmi katta hajmdagi matnlar bilan ishlashda cheklovlar keltirib chiqarishi mumkin. Ushbu cheklovlar kelajakdagi tadqiqotlarda kengroq korpuslar va qo‘shimcha normalizatsiya usullari orqali bartaraf etilishi mumkin. Xulosa Ushbu tadqiqot o‘zbek tilida morfologik tokenlash masalalarini o‘rganish va ularni hal qilish uchun samarali yechim taklif qilishga qaratildi. O‘zbek tili kabi agglutinativ tillarda tokenlash jarayoni an’anaviy usullar (masalan, bo‘shliqqa asoslangan tokenlash) bilan samarali amalga oshirilmasligi sababli, WordPiece algoritmi asosida ishlaydigan subword tokenlash yondashuvi taklif etildi. Tadqiqot davomida algoritmning ishlash jarayoni, matematik apparati va o‘zbek tiliga moslashtirish xususiyatlari batafsil tahlil qilindi. Algoritm o‘zbek tilining morfologik murakkabliklarini, xususan, qo‘shimchalar tuzilishini samarali boshqardi va dialektlar hamda imlo xatolarini tuzatishda moslashuvchanlikni ta’minladi. Tadqiqotning ilmiy va amaliy ahamiyati bir qancha jihatlarda namoyon bo‘ldi: taklif etilgan algoritm o‘zbek tilida NLP ilovalarini (masalan, mashinaviy tarjima, matn tasnifi, chatbotlar) rivojlantirishda muhim asos bo‘lib xizmat qiladi; algoritmning dialektlarga moslashuvchanligi o‘zbek tilining turli shevalarini qamrab olish imkonini berdi, bu esa mahalliy texnologiyalarni yanada kengroq auditoriyaga moslashtirishga yordam beradi; WordPiece algoritmining o‘zbek tilida qo‘llanilishi agglutinativ tillar uchun tokenlash masalalarini hal qilishda yangi yo‘nalishlarni ochdi. O‘z navbatida, tadqiqot davomida ba’zi cheklovlar ham aniqlandi. Korpusning hajmi katta hajmdagi matnlar bilan ishlashda cheklovlar keltirib chiqarishi mumkin [10]. Shuningdek, ba’zi dialektlar (masalan, Qashqadaryo shevasi) yetarlicha qamrab olinmadi. Kelajakdagi tadqiqotlarda ushbu cheklovlarni bartaraf etish maqsadida kengroq korpuslardan foydalanish, qo‘shimcha normalizatsiya usullarini joriy qilish va algoritmni boshqa agglutinativ tillarga (masalan, turk yoki qozoq tillariga) moslashtirish bo‘yicha ishlar olib borish rejalashtirilmoqda. Shu bilan birga, algoritmning hisoblash resurslariga bo‘lgan talabini kamaytirish va kichik hajmdagi qurilmalarda ishlatish imkoniyatlarini o‘rganish ham muhim yo‘nalishlardan biridir. Taklif etilgan yechim o‘zbek tilining global miqyosda targ‘ib qilinishiga va raqamli dunyoda uning o‘rnini mustahkamlashga xizmat qiladi.