Все выпуски

Работа посвящена суррогатному моделированию термомеханических откликов процесса лазерной полировки кварцевого стекла по данным конечно-элементных расчетов. Исследуется зависимость температурных и механических характеристик процесса от мощности лазерного излучения, скорости перемещения источника и радиуса лазерного пятна. Для аппроксимации откликов сопоставлены классические и регуляризованные регрессионные модели, методы опорных векторов, ансамбли деревьев решений, физически структурированные модели, тензорные B-сплайны и эволюционно синтезированные нейронные сети. Сравнение выполнено при едином разбиении исходных данных на обучающую, валидационную и независимую тестовую выборки. Наименьшие ошибки прогнозирования для всех исследованных откликов обеспечили стекинг-ансамбли на основе Random Forest, Gradient Boosting и XGBoost; коэффициенты детерминации на тестовой выборке превышали 0,998. Физически структурированные модели уступали ансамблям по абсолютной точности, однако обеспечивали гладкое и интерпретируемое представление зависимостей между параметрами лазерного воздействия и термомеханическими откликами. Эволюционный поиск позволил полу- чить нейросетевую модель с двумя выходами для совместного прогнозирования максимальной температуры и максимального эквивалентного напряжения. В исследованном наборе данных скорость перемещения источника имеет наибольшую перестановочную значимость для качества прогнозирования выбранных моделей. Результаты исследования показывают, что выбор суррогатной модели должен определяться решаемой задачей: ансамблевые модели целесообразны для высокоточного прогнозирования, физически структурированные — для анализа зависимостей и интерпретации, нейросетевые — для совместного прогнозирования взаимосвязанных откликов. Построенные модели могут служить вычислительной основой для анализа режимов и последующей многокритериальной оптимизации лазерной полировки кварцевого стекла.

The study addresses surrogate modeling of thermomechanical responses in quartz-glass laser polishing using finiteelement simulation data. The relationships between thermal and mechanical responses and the main process parameters — laser power, source travel speed, and laser-spot radius — are investigated. Classical and regularized regression models, supportvector regression, tree-based ensembles, physics-structured models, tensor-product B-splines, and evolutionarily synthesized neural networks are compared using a common training, validation, and independent test split. Stacking ensembles based on Random Forest, Gradient Boosting, and XGBoost provided the lowest prediction errors for all investigated responses, with test coefficients of determination above 0.998. Physics-structured models were less accurate in terms of minimum prediction error but provided smooth and interpretable relationships between laser-processing parameters and thermomechanical responses. Evolutionary architecture search produced a two-output neural-network model for simultaneous prediction of the maximum temperature and maximum equivalent stress. Within the investigated dataset, source travel speed has the highest permutation importance for the predictive accuracy of the selected models. The results demonstrate that different classes of surrogate models are suitable for different modeling objectives: ensemble models are preferable when high predictive accuracy is required, physics-structured models are useful for response analysis and physical interpretation, and neural models provide simultaneous approximation of coupled thermal and mechanical responses. The developed surrogate models can therefore be used as a computationally efficient basis for analyzing laser-polishing regimes and for subsequent multicriteria optimization with simultaneous consideration of temperature and stress constraints.

Классические численные методы, применяемые для предсказания эволюции гидродинамических систем, предъявляют высокие требования к вычислительным ресурсам и накладывают ограничения на число вариантов геолого-гидродинамических моделей, расчет эволюции состояний которых возможно осуществлять в практических условиях. Одним из перспективных подходов к разработке эвристических оценок, которые могли бы ускорить рассмотрение вариантов гидродинамических моделей, является имитационное моделирование на основе обучающих данных. В рамках этого подхода методы машинного обучения используются для настройки весов искусственной нейронной сети (ИНС), предсказывающей состояние физической системы в заданный момент времени на основе начальных условий. В данной статье описаны оригинальная архитектура ИНС и специфическая процедура обучения, формирующие эвристическую модель двухфазного течения в гетерогенной пористой среде. Основанная на ИНС модель с приемлемой точностью предсказывает состояния расчетных блоков моделируемой системы в произвольный момент времени (с известными ограничениями) на основе только начальных условий: свойств гетерогенной проницаемости среды и размещения источников и стоков. Предложенная модель требует на порядки меньшего процессорного времени в сравнении с классическим численным методом, который послужил критерием оценки эффективности обученной модели. Архитектура ИНС включает ряд подсетей, обучаемых в различных комбинациях на нескольких наборах обучающих данных. Для обучения ИНС в рамках многоэтапной процедуры применены техники состязательного обучения и переноса весов из обученной модели.

The numerical methods used to simulate the evolution of hydrodynamic systems require the considerable use of computational resources thus limiting the number of possible simulations. The data-driven simulation technique is one promising approach to the development of heuristic models, which may speed up the study of such models. In this approach, machine learning methods are used to tune the weights of an artificial neural network that predicts the state of a physical system at a given point in time based on initial conditions. This article describes an original neural network architecture and a novel multi-stage training procedure which create a heuristic model of a two-phase flow in a heterogeneous porous medium. The neural network-based model predicts the states of the grid cells at an arbitrary timestep (within the known constraints), taking in only the initial conditions: the properties of the heterogeneous permeability of the medium and the location of sources and sinks. The proposed model requires orders of magnitude less processor time in comparison with the classical numerical method, which served as a criterion for evaluating the effectiveness of the trained model. The proposed architecture includes a number of subnets trained in various combinations on several datasets. The techniques of adversarial training and weight transfer are utilized.

При моделировании турбулентных течений в практических приложениях часто приходится проводить серии расчетов для тел близкой топологии. Например, тел, отличающихся формой обтекателя. Применение сверточных нейронных сетей позволяет сократить количество расчетов серии, восстановив часть из них по уже проведенным расчетам. В работе предлагается метод, позволяющий применить сверточную нейронную сеть независимо от способа построения вычислительной сетки. Для этого проводится переинтерполяция поля течения на равномерную сетку вместе с самим телом. Геометрия тела задается с помощью функции расстояния со знаком и маскирования. Восстановление поля течения на основании части расчетов для схожих геометрий проводится с помощью нейронной сети типа UNet с пространственным механизмом внимания. Разрешение пристенной области, являющееся критически важным условием при турбулентном моделировании, производится на основании уравнений, полученных в методе пристенной декомпозиции.

Демонстрация метода приводится для случая обтекания скругленной пластины турбулентным потоком воздуха с различным скруглением при фиксированных параметрах набегающего потока с числом Рейнольдса $Re = 10^5$ и числом Маха $M = 0,15$. Поскольку течения с такими параметрами набегающего потока можно считать несжимаемыми, исследуются непосредственно только компоненты скорости. Проводится сравнение полей течения, профилей скорости и трения на стенке, полученных суррогатной моделью и численно. Анализ проводится как на пластине, так и на скруглении. Результаты моделирования подтверждают перспективность предлагаемого подхода. В частности, было показано, что даже в случае использования модели на максимально допустимых границах ее применимости трение может быть получено с точностью до 90%. Также в работе проводится анализ построенной архитектуры нейронной сети. Полученная суррогатная модель сравнивается с альтернативными моделями, построенными на основании вариационного автоэнкодера или метода главных компонент с использованием радиальных базисных функций. На основании этого сравнения демонстрируются преимущества предложенного метода.

When modeling turbulent flows in practical applications, it is often necessary to carry out a series of calculations of bodies of similar topology. For example, bodies that differ in the shape of the fairing. The use of convolutional neural networks allows to reduce the number of calculations in a series, restoring some of them based on calculations already performed. The paper proposes a method that allows to apply a convolutional neural network regardless of the method of constructing a computational mesh. To do this, the flow field is reinterpolated to a uniform mesh along with the body itself. The geometry of the body is set using the signed distance function and masking. The restoration of the flow field based on part of the calculations for similar geometries is carried out using a neural network of the UNet type with a spatial attention mechanism. The resolution of the nearwall region, which is a critical condition for turbulent modeling, is based on the equations obtained in the nearwall domain decomposition method.

A demonstration of the method is given for the case of a flow around a rounded plate by a turbulent air flow with different rounding at fixed parameters of the incoming flow with the Reynolds number $Re = 10^5$ and the Mach number $M = 0.15$. Since flows with such parameters of the incoming flow can be considered incompressible, only the velocity components are studied directly. The flow fields, velocity and friction profiles obtained by the surrogate model and numerically are compared. The analysis is carried out both on the plate and on the rounding. The simulation results confirm the prospects of the proposed approach. In particular, it was shown that even if the model is used at the maximum permissible limits of its applicability, friction can be obtained with an accuracy of up to 90%. The work also analyzes the constructed architecture of the neural network. The obtained surrogate model is compared with alternative models based on a variational autoencoder or the principal component analysis using radial basis functions. Based on this comparison, the advantages of the proposed method are demonstrated.

Оценка безопасности плотин все в большей степени опирается на непрерывный мониторинг гидрометеорологических параметров; однако выявление ранних стадий неустойчивости остается сложной задачей вследствие сложных пространственно-временных взаимодействий и сильного дисбаланса наблюдений аварийных состояний. В настоящей работе предлагается фреймворк глубокого обучения на основе архитектуры сверточной двунаправленной рекуррентной нейронной сети с управляемыми вентилями (CNN–BiGRU) для выявления пространственно-временных предвестников неустойчивости плотин по многомерным гидрометеорологическим временным рядам. Сверточный компонент модели извлекает локальные временные паттерны, связанные с краткосрочными флуктуациями, тогда как двунаправленная рекуррентная структура позволяет моделировать долгосрочные зависимости и эволюцию динамики, предшествующие критическим состояниям.

Предложенная модель была протестирована на реальном наборе данных мониторинга плотины, включающем измерения уровня воды, метеорологические параметры и производные динамические индикаторы. Для учета дисбаланса классов применяется стоимостно-ориентированная стратегия обучения с использованием весов классов без применения синтетического увеличения выборки. Экспериментальные результаты демонстрируют высокие показатели качества классификации: точность (accuracy) — 0,961, прецизионность — 0,901, полнота — 0,757 и F1-мера — 0,823. Дополнительно модель достигает значений ROC AUC = 0,907 и PR AUC = 0,819, что свидетельствует о высокой способности к разделению классов в условиях сильного дисбаланса данных.

Анализ значимости признаков показывает, что краткосрочная и среднесрочная изменчивость уровня воды, включая скользящее стандартное отклонение, волатильность и многоуровневые градиенты, играет ключевую роль в формировании предаварийного поведения системы, обеспечивая физически интерпретируемое понимание динамики отклика плотины. Полученные результаты подтверждают, что фреймворк CNN–BiGRU эффективно выявляет значимые пространственно-временные предвестники неустойчивости и может служить надежным инструментом поддержки принятия решений в задачах мониторинга безопасности плотин в реальных эксплуатационных условиях.

Dam safety assessment increasingly relies on continuous monitoring of hydrometeorological variables; however, identifying early-stage instability remains challenging due to complex spatio-temporal interactions and highly imbalanced failure observations. This study proposes a deep learning framework based on a Convolutional Bidirectional Gated Recurrent Unit (CNN–BiGRU) architecture to learn spatio-temporal precursors of dam instability from multivariate hydrometeorological time series. The convolutional component extracts localized temporal patterns associated with short-term fluctuations, while the bidirectional recurrent structure captures long-range dependencies and evolving dynamics preceding critical states.

The proposed model is evaluated on a real-world dam monitoring dataset comprising multiple water-level, meteorological, and derived dynamic indicators. To address class imbalance, a cost-sensitive training strategy using class weighting is adopted without synthetic oversampling. Experimental results demonstrate strong predictive performance, achieving an accuracy of 0.961, precision of 0.901, recall of 0.757, and an F1-score of 0.823. The model further attains a ROC-AUC of 0.907 and a PR-AUC of 0.819, indicating robust discrimination capability under imbalanced conditions.

Feature importance analysis reveals that short- and medium-term water level variability, including rolling standard deviation, volatility, and multi-scale gradients, play a dominant role in characterizing pre-instability behavior, providing physically interpretable insights into dam response dynamics. The findings suggest that the CNN–BiGRU framework effectively captures meaningful spatio-temporal precursors and offers a reliable data-driven tool for supporting dam safety monitoring and decision-making under real operational conditions.

В работе представлен подход к реконструкции и количественному фенотипированию морфологических признаков растений в раннем онтогенезе на основе анализа цифровых изображений. Разработанный алгоритм сочетает глубокое обучение и графовые представления с учетом биологических закономерностей морфогенеза. Такой синтез позволяет перейти от бинарной сегментации к реконструкции топологически целостной структуры растения с корректным разделением пересекающихся корневых систем на снимках с несколькими растениями. На первом этапе с использованием сверточной нейронной сети архитектуры U-Net формируются бинарные маски семян, ростков и корневых систем. Полученное изображение преобразуется в графовую модель, в которой ребрам соответствуют сегменты корней и побегов, а вершинам — ключевые морфологические точки, включая ветвления и пересечения. Алгоритм направленного обхода от семенной точки с водораздельным разделением графа и композитной оценочной функцией выбора главной оси выделяет индивидуальные растения в виде изолированных подграфов и корректно различает главный корень, боковые корни и росток.

Корректность алгоритма подтверждена многоуровневой валидацией, включающей сравнение результатов графовой реконструкции на сегментированных изображениях, а также сквозную проверку полного вычислительного конвейера на исходных изображениях с результатами существующих программных решений и экспертной ручной разметки. Разработанный подход устойчив к вариативности формы корневых систем и шумам изображений, обеспечивает высокую точность извлечения морфологических признаков. Результаты исследования могут быть использованы в селекционных программах.

We propose an approach for the reconstruction and quantitative phenotyping of plant morphological traits at early ontogenetic stages based on digital image analysis. The proposed algorithm combines deep learning and graph-based representations while incorporating biological principles of morphogenesis. This integration enables the transition from binary segmentation to the reconstruction of a topologically consistent plant structure with accurate separation of intersecting root systems in images containing multiple plants. At the first stage, binary masks of seeds, shoots, and root systems are generated using a U-Net convolutional neural network architecture. The resulting image is transformed into a graph model in which edges correspond to root and shoot segments, while vertices represent key morphological points, including branching and intersection nodes. A directed traversal algorithm initialized from the seed point, combined with watershed-based graph partitioning and a composite scoring function for primary axis selection, identifies individual plants as isolated subgraphs and accurately distinguishes the primary root, lateral roots, and shoot. The validity of the algorithm was confirmed through a multi-level validation procedure, including comparison of graph reconstruction results on segmented images and end-to-end evaluation of the complete computational pipeline on original images against existing software solutions and expert manual annotations. The proposed approach is robust to variability in root system morphology and image noise and provides high accuracy in morphological trait extraction. The results of this study can be applied in plant breeding programs.

В работе исследовано совместное влияние формата аннотации объектов и разрешения входных изображений на качество бинарной детекции малоразмерных наземных объектов на радиолокационных изображениях. Выполнен сравнительный анализ моделей семейства YOLO (v5, v8, v11, v26) и специализированных архитектур ориентированного детектирования, включая Rotated RetinaNet, R3Det, ROI Transformer, Gliding Vertex и другие модели. Для исследования сформирован набор данных binMSTAR на основе открытой базы mixMSTAR, содержащий аннотации в форматах горизонтальных (HBB) и ориентированных (OBB) ограничивающих рамок для 9 вариантов разрешения входных кадров от 640 × 640 до 1408 × 1408 пикселей.

Статистическая значимость различий оценивалась с использованием непараметрического U-критерия Манна – Уитни. Установлено, что применение OBB обеспечивает статистически значимое преимущество по метрике mAP_50–95, в среднем на 6,5% выше по сравнению с HBB, за счет уменьшения влияния избыточного фонового шума в области разметки. Определен оптимальный диапазон размера входного кадра 896–1024 пикселя. Дальнейшее увеличение разрешения снижает точность локализации из-за перенасыщения признакового описания фоновыми областями. Наилучшие метрики показали модели семейства YOLO, а именно модель YOLOv11(m), для которой при разрешении 960 × 960 пикселей получено значение mAP_50–95 = 0,87. Специализированные OBB-детекторы при разрешении 1024 × 1024 пикселя продемонстрировали сопоставимую полноту обнаружения с Recall до 0,997. Полученные результаты обосновывают целесообразность использования ориентированных рамок и выбора входного разрешения в диапазоне 896–1024 пикселя для задач бинарной детекции малоразмерных объектов на РЛИ.

This study examines how object annotation format and input image resolution jointly affect the quality of binary detection of small objects in radar images. The study aims to compare YOLO family models, including YOLOv5, YOLOv8, YOLOv11, and YOLOv26, with specialized oriented object detection architectures such as Rotated RetinaNet, R3Det, ROI Transformer, Gliding Vertex, and related models in the task of binary detection of small ground objects in radar imagery. The study also aims to identify data preparation parameters that improve object localization accuracy.

For the experimental analysis, we formed a new binMSTAR dataset from the open mixMSTAR database. The dataset contains annotations in horizontal bounding box (HBB) and oriented bounding box (OBB) formats for nine input frame resolutions ranging from 640 × 640 to 1408 × 1408 pixels. We assessed the statistical significance of the observed differences using the nonparametric Mann – Whitney U test. The results show that OBB annotation provides a statistically significant advantage in terms of mAP_50–95, with an average improvement of 6.5%, because it reduces the influence of redundant background noise. The experiments also reveal an optimal input frame size range of 896–1024 pixels. Further resolution growth decreases localization accuracy, since excessive background content weakens the object-related feature representation. YOLO models demonstrate the best overall balance of detection quality, with YOLOv11(m) reaching a peak mAP_50–95 of 0.87 at a resolution of 960 pixels. At the same time, specialized OBB detectors at a resolution of 1024 pixels achieve comparable recall values, reaching up to 0.997. These results support the use of oriented bounding boxes and input resolutions within the 896–1024 pixel range for binary detection tasks in radar imagery.

В статье рассматривается применение метода физически информированных нейронных сетей для моделирования процесса нитрификации при очистке сточных вод. Актуальность работы обусловлена необходимостью повышения эффективности очистки и оперативного контроля за изменениями параметров в реальном времени, что затруднительно при использовании традиционных подходов, таких как модели активного ила (ASM). Авторы предлагают подход, объединяющий решение прямой задачи и идентификацию параметров системы дифференциальных уравнений, описывающих окисление азота. В ходе исследования проведен сравнительный анализ трех архитектур нейронных сетей: с фиксированным одинаковым числом нейронов, с фиксированным различным числом нейронов и с растущим в процессе обучения числом нейронов. Для нахождения оптимальных параметров (числа нейронов и весового коэффициента функции потерь) использована многокритериальная оптимизация на основе построения фронта Парето. Результаты показали, что предложенный подход позволяет эффективно восстанавливать динамику концентраций азотистых соединений с высокой точностью. Наилучшее соответствие экспериментальным данным при допустимом уровне невязки уравнений обеспечила архитектура с различным постоянным числом нейронов при оптимально подобранных весовых коэффициентах.

This paper explores the application of Physics-Informed Neural Networks for modeling the nitrification process in wastewater treatment. The relevance of this work stems from the need to improve treatment efficiency and enable real-time monitoring of parameter changes, which is challenging with traditional approaches such as Activated Sludge Models (ASM). The authors propose a method that combines solving the forward problem and identifying parameters of a system of differential equations describing nitrogen oxidation. The study conducts a comparative analysis of three neural network architectures: with a fixed identical number of neurons, with a fixed different number of neurons, and with a progressively growing number of neurons during training. Multicriteria optimization based on the Pareto front construction was employed to find optimal parameters (number of neurons and the loss function weight coefficient). The results demonstrate that the proposed approach effectively reconstructs the dynamics of nitrogen compound concentrations with high accuracy. The architecture with a fixed different number of neurons, combined with optimally selected weight coefficients, provided the best agreement with experimental data while maintaining an acceptable residual of the equations.

Гибридный кластер подразумевает использование вычислительных ресурсов с различными архитектурами. Как правило, в таких системах используется CPU распространенной архитектуры (например, x86_64) и GPU (например, NVIDIA CUDA). Создание и эксплуатация подобного кластера требует определенного опыта: для того чтобы задействовать все вычислительные мощности такой системы и получить существенное ускорение на задачах, требуется учесть множество факторов. К таким факторам относятся как характеристики оборудования (например, особенности сетевой инфраструктуры, хранилища, архитектуры GPU), так и характеристики программного обеспечения (например, реализация MPI, библиотеки для работы с GPU). Таким образом для эффективных научных расчетов на подобных системах требуется помнить о характеристиках ускорителя (GPU), особенностях программного обеспечения, характеристиках задачи и о многих других факторах.

В этой статье анализируются достоинства и недостатки гибридных вычислений. Будут приведены результаты запуска некоторых тестов и научных приложений, использующих GPGPU. Основное внимание уделено программных продуктах с открытым исходным кодом, которые поддерживают работу с GPGPU.

Существует несколько подходов для организации гетерогенных вычислений. В данной статье мы рассмотрим приложения, использующие CUDA и OpenCL. CUDA довольно часто используется в подобных гибридных системах, в то время как переносимость OpenCL-приложений может сыграть решающую роль при выборе средства для разработки. Мы также уделим внимание системам с несколькими GPU, которые все чаще используются в рамках подобных кластеров. Вычисления проводились на гибридном кластере ресурсного центра «Вычислительный центр СПбГУ».

A hybrid cluster implies the use of computational devices with radically different architectures. Usually, these are conventional CPU architecture (e.g. x86_64) and GPU architecture (e. g. NVIDIA CUDA). Creating and exploiting such a cluster requires some experience: in order to harness all computational power of the described system and get substantial speedup for computational tasks many factors should be taken into account. These factors consist of hardware characteristics (e.g. network infrastructure, a type of data storage, GPU architecture) as well as software stack (e.g. MPI implementation, GPGPU libraries). So, in order to run scientific applications GPU capabilities, software features, task size and other factors should be considered.

This report discusses opportunities and problems of hybrid computations. Some statistics from tests programs and applications runs will be demonstrated. The main focus of interest is open source applications (e. g. OpenFOAM) that support GPGPU (with some parts rewritten to use GPGPU directly or by replacing libraries).

There are several approaches to organize heterogeneous computations for different GPU architectures out of which CUDA library and OpenCL framework are compared. CUDA library is becoming quite typical for hybrid systems with NVIDIA cards, but OpenCL offers portability opportunities which can be a determinant factor when choosing framework for development. We also put emphasis on multi-GPU systems that are often used to build hybrid clusters. Calculations were performed on a hybrid cluster of SPbU computing center.

Одним из важных направлений развития облачных технологий на данный момент является разработка методов интеграции различных облачных инфраструктур. В научной сфере актуальность данного направления обусловлена в первую очередь часто возникающей проблемой нехватки собственных вычислительных ресурсов и необходимостью привлечения дополнительных мощностей. В данной статье рассматриваются существующие подходы к интеграции облачных инфраструктур между собой: федеративные объединения и так называемая модель cloud bursting. Федеративное объединение на базе облачной платформы OpenNebula строится по схеме «одна главная зона и несколько управляемых зон», где под «зоной» понимается каждая из инфраструктур федерации. В подобной интеграции все облачные инфраструктуры имеют единую базу пользователей, а управление всей федерацией осуществляется централизованно с главной зоны. Данная схема наиболее подходит для объединения территориально разнесенных облачных инфраструктур, например подразделений одной организации, но не подходит для объединения инфраструктур разных организаций ввиду присущего данному подходу централизованного управления, а в случае использования организациями разных облачных платформ — невозможна. Модель федеративного объединения, реализованная в европейской грид-инфраструктуре «EGI Federated Cloud», хотя и позволяет интегрировать между собой облачные инфраструктуры на базе разных платформ, однако для интеграции подобным способом требуются установка и настройка существенного дополнительного набора специфических для данной конкретной европейской грид-инфраструктуры сервисов, что лишает данный подход универсальности. Модель cloud bursting лишена ограничений перечисленных федеративных подходов, однако в случае OpenNebula, на базе которой построена облачная инфраструктура Лаборатории информационных технологий Объединенного института ядерных исследований (ЛИТ ОИЯИ), такая модель была реализована только для интеграции с фиксированным набором коммерческих поставщиков облачных ресурсов. С учетом этого, а также на основании полученного авторами статьи опыта как по объединению облачных инфраструктур представляемых ими организаций, так и интеграции с европейским облаком EGI Federated Cloud командой ЛИТ ОИЯИ был разработан драйвер для объединения облаков партнерских организаций по модели cloud bursting на базе платформы OpenNebula как с аналогичным, так и с облаками на базе OpenStack. В статье описывается архитектура этого драйвера, используемые в нем технологии и протоколы, а также опыт его применения для объединения облачных инфраструктур организаций из стран-участниц ОИЯИ.

One of the important direction of cloud technologies development nowadays is a creation of methods for integration of various cloud infrastructures. An actuality of such direction in academic field is caused by a frequent lack of own computing resources and a necessity to attract additional ones. This article is dedicated to existing approaches to cloud infrastructures integration with each other: federations and so called ‘cloud bursting’. A ‘federation’ in terms of OpenNebula cloud platform is built on a ‘one master zone and several slave ones’ schema. A term ‘zone’ means a separate cloud infrastructure in the federation. All zones in such kind of integration have a common database of users and the whole federation is managed via master zone only. Such approach is most suitable for a case when cloud infrastructures of geographically distributed branches of a single organization need to be integrated. But due to its high centralization it's not appropriate when one needs to join cloud infrastructures of different organizations. Moreover it's not acceptable at all in case of clouds based on different software platforms. A model of federative integration implemented in EGI Federated Cloud allows to connect clouds based on different software platforms but it requires a deployment of sufficient amount of additional services which are specific for EGI Federated Cloud only. It makes such approach is one-purpose and uncommon one. A ‘cloud bursting’ model has no limitations listed above but in case of OpenNebula platform what the Laboratory of Information Technologies of Joint Institute for Nuclear Research (LIT JINR) cloud infrastructure is based on such model was implemented for an integration with a certain set of commercial cloud resources providers. Taking into account an article authors’ experience in joining clouds of organizations they represent as well as with EGI Federation Cloud a ‘cloud bursting’ driver was developed by LIT JINR cloud team for OpenNebula-based clouds integration with each other as well as with OpenStack-based ones. The driver's architecture, technologies and protocols it relies on and an experience of its usage are described in the article.

В статье рассмотрена задача мультиклассификации хвойных деревьев с различной степенью поражения насекомыми-вредителями на изображениях, полученных с помощью беспилотных летательных аппаратов (БПЛА). Предложены три модификации классической сверточной нейронной сети U-Net для попиксельной классификации изображений пораженных деревьев пихты сибирской Abies sibirica и кедра сибирского Pinus sibirica. Первая модель Мо-U-Net вносит ряд изменений в классическую модель U-Net. Вторая и третья модели, названные MSC-U-Net и MSC-Res-U-Net, представляют собой ансамбли из трех моделей Мо-U-Net с разной глубиной и размерами входных изображений. В модели MSC-Res-U-Net также используются остаточные блоки. Нами созданы два датасета по изображениям с БПЛА пораженных вредителями деревьев Abies sibirica и Pinus Sibirica и обучены предложенные три модели с использованием функций потерь mIoULoss и Focal Loss. Затем исследовалась эффективность каждой обученной модели при классификации поврежденных деревьев Abies sibirica и Pinus sibirica. Результаты показали, что в случае использования функции потерь mIoULoss предложенные модели не пригодны для практического применения в лесной отрасли, поскольку не позволяют получить для отдельных классов деревьев этих пород точность классификации по метрике IoUс, превышающую пороговое значение 0,5. Однако в случае функции потерь Focal Loss модели MSC-Res-U-Net и Mo-U-Net, в отличие от третьей предложенной модели MSC-U-Net, для всех классов деревьев Abies sibirica и Pinus sibirica показывают высокую точность классификации (превышение порогового значения 0,5 по метрикам IoUс и mIoU). Эти результаты позволяют считать, что модели MSC-Res-U-Net и Mo-U-Net являются практически значимыми для специалистов лесной отрасли, поскольку позволяют выявлять хвойные деревья этих пород на ранней стадии их поражения вредителями.

This article considers the task of multiclass classification of coniferous trees with varying degrees of damage by insect pests on images obtained using unmanned aerial vehicles (UAVs). We propose the use of convolutional neural networks (CNNs) for the classification of fir trees Abies sibirica and Siberian pine trees Pinus sibirica in unmanned aerial vehicles (UAV) imagery. In our approach, we develop three CNN models based on the classical U-Net architecture, designed for pixel-wise classification of images (semantic segmentation). The first model, Mo-U-Net, incorporates several changes to the classical U-Net model. The second and third models, MSC-U-Net and MSC-Res-U-Net, respectively, form ensembles of three Mo-U-Net models, each varying in depth and input image sizes. Additionally, the MSC-Res-U-Net model includes the integration of residual blocks. To validate our approach, we have created two datasets of UAV images depicting trees affected by pests, specifically Abies sibirica and Pinus sibirica, and trained the proposed three CNN models utilizing mIoULoss and Focal Loss as loss functions. Subsequent evaluation focused on the effectiveness of each trained model in classifying damaged trees. The results obtained indicate that when mIoULoss served as the loss function, the proposed models fell short of practical applicability in the forestry industry, failing to achieve classification accuracy above the threshold value of 0.5 for individual classes of both tree species according to the IoU metric. However, under Focal Loss, the MSC-Res-U-Net and Mo-U-Net models, in contrast to the third proposed model MSC-U-Net, exhibited high classification accuracy (surpassing the threshold value of 0.5) for all classes of Abies sibirica and Pinus sibirica trees. Thus, these results underscore the practical significance of the MSC-Res-U-Net and Mo-U-Net models for forestry professionals, enabling accurate classification and early detection of pest outbreaks in coniferous trees.