The object of research, development or design (in Russian) : Объектом исследования, разработки и проектирования в данном проекте является интеллектуальная система мониторинга и управления параметрами здания на основе сети IoT-сенсоров и технологии цифрового двойника. Основное внимание уделяется разработке эффективной стратегии размещения сенсоров с применением информационного моделирования здания (BIM) и методов целочисленного линейного программирования, а также созданию интегрированной архитектуры цифрового двойника для мониторинга в реальном времени.

The object of research, development or design (in Kazakh) : Бұл жобадағы зерттеу, әзірлеу және жобалау объектісі IoT сенсорлары желісі мен цифрлық егіз технология негізінде ғимарат параметрлерін бақылау және бақылаудың интеллектуалды жүйесі болып табылады. Негізгі назар ғимарат ақпараттық модельдеу (BIM) және бүтін сызықтық бағдарламалау әдістерін пайдалана отырып, сенсорды орналастырудың тиімді стратегиясын әзірлеуге және нақты уақыттағы мониторинг үшін біріктірілген цифрлық егіз архитектураны құруға бағытталған.

Aim of work (in Russian) : Целью исследования является обеспечение оптимального покрытия критически важных зон здания для точного сбора данных об окружающей среде, а также разработка механизмов обработки и анализа данных на основе вычислений на границе сети (edge computing). Проект направлен на повышение энергоэффективности и комфорта эксплуатации здания, путем автоматизации управления на основе данных с сенсоров, интегрированных в систему управления зданием (BMS).

Aim of work (in Kazakh) : Зерттеудің мақсаты экологиялық деректерді дәл жинау үшін құрылыстың маңызды аймақтарын оңтайлы қамтуды қамтамасыз ету, сонымен қатар шеттік есептеулерге негізделген деректерді өңдеу және талдау механизмдерін әзірлеу болып табылады. Жоба ғимаратты басқару жүйесіне (BMS) біріктірілген сенсорлардың деректері негізінде басқаруды автоматтандыру арқылы ғимараттың энергия тиімділігі мен жұмысының ыңғайлылығын арттыруға бағытталған.

Методы исследования (на русском) : В проекте используются методы информационного моделирования здания (BIM) для создания цифровой модели и оптимального размещения IoT-сенсоров. Задача размещения решается с помощью целочисленного линейного программирования, что позволяет формализовать её как математическую модель с ограничениями и функцией оптимизации. Для обработки данных применяется edge computing, что улучшает оперативность и надежность системы. Также используются методы интерполяции для повышения точности данных в цифровом двойнике.

Методы исследования (на казахском) : Жобада IoT сенсорларының сандық моделін және оңтайлы орналасуын жасау үшін ақпараттық модельдеу (BIM) әдістері қолданылады. Орналастыру мәселесі бүтін сызықтық бағдарламалаудың көмегімен шешіледі, бұл оны шектеулер мен оңтайландыру функциясы бар математикалық модель ретінде ресімдеуге мүмкіндік береді. Жүйенің тиімділігі мен сенімділігін арттыратын деректерді өңдеу үшін шеттік есептеулер қолданылады. Сандық егіздегі деректердің дәлдігін жақсарту үшін интерполяция әдістері де қолданылады.

Obtained results and novelty (in Russian) : Центральным результатом стала разработка и тестирование DRL-агентов, обученных в Digital Twin, в Boptest. Тесты выявили явный компромисс: модель A2C оказалась наиболее энергоэффективной (1.9 кВт·ч/м²), но с катастрофически высоким дискомфортом (131.79 K·h/zone), в то время как DDPG (4.46 кВт·ч/м²) и PPO (4.08 кВт·ч/м²) показали более высокое потребление, но PPO успешно минимизировала дискомфорт (15.25 K·h/zone). Ключевым элементом стала разработка агента многокритериального обучения (MORL), обученного в Digital Twin. Этот подход продемонстрировал Парето-фронт, визуализируя набор оптимальных, недоминируемых решений для этого баланса. Эксперименты в Sinergym с моделью MORL (Chebyshev) подтвердили, что агент успешно поддерживал температуру в комфортных зонах (зимой и летом) в течение всего года, а графики потребления подтвердили ожидаемую сезонность (пики зимой, минимум летом). Научная новизна подхода заключается в синергии применения MORL для самостоятельной выработки контроллером системной стратегии оптимизации конфликтующих целей (энергия vs комфорт) в реальном времени, генерируя Парето-оптимальные решения, что превосходит традиционные контроллеры. Второстепенные результаты включают гибридные ML-модели (стекинг SVR+RF→Ridge) для прогнозирования (R² ~0.82) и классификации комфорта (95% точности), а также методы отбора признаков (SHAP), выявления операционных состояний (K-means) и аномалий (Isolation Forest, CO2> 1800 ppm).

Obtained results and novelty (in Kazakh) : Негізгі нәтиже Digital Twin-де оқытылған DRL-агенттерін Boptest-те әзірлеу және тестілеу болды. Тесттер айқын ымыраны көрсетті: A2C моделі энергия тиімділігі (1.9 кВт·сағ/м²) бойынша үздік болды, бірақ жайсыздығы өте жоғары (131.79 K·h/zone), ал DDPG (4.46 кВт·сағ/м²) және PPO (4.08 кВт·сағ/м²) жоғары тұтынуды көрсетті, бірақ PPO жайсыздықты (15.25 K·h/zone) сәтті азайтты. Негізгі элемент Digital Twin-де оқытылған көп критерийлі оқыту (MORL) агентін әзірлеу болды. Бұл тәсіл осы тепе-теңдік үшін оңтайлы, басым емес шешімдер жиынтығын көрсететін Парето-шебін көрсетті. Sinergym-дегі MORL (Chebyshev) моделімен жүргізілген эксперименттер агенттің жыл бойы (қыста және жазда) температураны жайлылық аймақтарында сәтті ұстап тұрғанын растады, ал тұтыну графиктерi күтілетін маусымдылықты (шыңдар қыста, минимум жазда) растады. Тәсілдің ғылыми жаңалығы контроллердің қарама-қайшы мақсаттарды (энергия vs жайлылық) нақты уақыт режимінде оңтайландырудың жүйелі стратегиясын өз бетінше әзірлеуі үшін MORL-ды қолдану синергиясында жатыр, бұл дәстүрлі контроллерлерден асып түсетін Парето-оңтайлы шешімдерді құрайды. Қосымша нәтижелерге болжау (R² ~0.82) және жайлылықты жіктеу (95% дәлдік) үшін гибридті ML-модельдері (SVR+RF→Ridge стекингі), сондай-ақ белгілерді іріктеу әдістері (SHAP), операциялық күйлерді (K-means) және аномалияларды (Isolation Forest, CO2> 1800 ppm) анықтау кіреді.

The main constructive and technical economic indicators (in Russian) : Конструктивные показатели проекта включают точное размещение IoT-сенсоров с учетом архитектурных и инженерных особенностей здания. Технические характеристики системы включают датчики для измерения температуры, влажности, движения и качества воздуха, интегрированные с системой управления зданием (BMS). Экономические показатели ориентированы на минимизацию затрат на развертывание сенсоров и их эффективное использование. Оптимизация размещения сенсоров снижает стоимость установки и эксплуатации, а автоматизация управления ресурсами снижает операционные расходы.

The main constructive and technical economic indicators (in Kazakh) : Жобаның дизайн көрсеткіштері ғимараттың архитектуралық және инженерлік ерекшеліктерін ескере отырып, IoT сенсорларын дәл орналастыруды қамтиды. Жүйенің техникалық сипаттамалары ғимаратты басқару жүйесімен (BMS) біріктірілген температураны, ылғалдылықты, қозғалысты және ауа сапасын өлшеуге арналған сенсорларды қамтиды. Экономикалық көрсеткіштер сенсорларды орналастыру шығындарын азайтуға және оларды тиімді пайдалануға бағытталған. Сенсорды орналастыруды оңтайландыру орнату және пайдалану шығындарын азайтады, ал ресурстарды басқаруды автоматтандыру операциялық шығындарды азайтады.

Level of implementation (in Russian) : Результаты исследований опубликованы в рецензируемых научных изданиях (Sensors, Buildings, Sustainability, Energies). Разработанные алгоритмы и подходы протестированы в лабораторных условиях и на симуляционных данных. Представлены архитектуры систем (например, для умной лаборатории), готовые к пилотному внедрению.

Level of implementation (in Kazakh) : Зерттеу нәтижелері рецензияланатын ғылыми басылымдарда (Sensors, Buildings, Sustainability, Energies) жарияланды. Әзірленген алгоритмдер мен тәсілдер зертханалық жағдайларда және симуляциялық деректерде тестіленді. Пилоттық енгізуге дайын жүйе архитектуралары (мысалы, ақылды зертхана үшін) ұсынылды

Efficiency (in Russian) : Проект повышает энергоэффективность и комфорт в зданиях благодаря точному размещению IoT-сенсоров, цифровому двойнику и edge computing. Это позволяет оптимизировать расход энергии, автоматизировать управление климатом и освещением, оперативно реагировать на изменения среды и снижать эксплуатационные расходы. Система обеспечивает безопасность, мониторинг в реальном времени и экономию на установке и обслуживании, делая управление зданием более устойчивым и экономически выгодным.

Efficiency (in Kazakh) : Жоба IoT сенсорларын, сандық қос және шеткі есептеулерді дәл орналастыру арқылы ғимараттардағы энергия тиімділігі мен жайлылықты жақсартады. Бұл энергияны тұтынуды оңтайландыруға, климат пен жарықтандыруды басқаруды автоматтандыруға, қоршаған ортаның өзгеруіне жылдам әрекет етуге және пайдалану шығындарын азайтуға мүмкіндік береді. Жүйе қауіпсіздікті, нақты уақыттағы бақылауды және орнату мен техникалық қызмет көрсетуді үнемдеуді қамтамасыз етеді, бұл ғимаратты басқаруды тұрақты және үнемді етеді.

Field of application (in Russian) : Проект нацелен на создание интеллектуальной системы мониторинга и управления зданием, основанной на IoT-сенсорах и цифровом двойнике. Основные области применения включают энергоэффективное управление зданиями, автоматизацию процессов контроля окружающей среды, улучшение комфорта пользователей и оптимизацию работы инженерных систем. Система может быть использована в различных типах зданий, таких как офисные комплексы, жилые здания, торговые центры и производственные объекты, для повышения их функциональности, безопасности и устойчивости к внешним воздействиям.

Field of application (in Kazakh) : Жоба IoT сенсорлары мен цифрлық егіз негізінде ғимараттың зияткерлік мониторингі мен басқару жүйесін құруға бағытталған. Негізгі қолданбаларға ғимаратты энергияны үнемдейтін басқару, қоршаған ортаны бақылау процестерін автоматтандыру, пайдаланушының жайлылығын арттыру және коммуналдық жүйелердің жұмысын оңтайландыру кіреді. Жүйені кеңсе кешендері, тұрғын үйлер, сауда орталықтары және өндірістік нысандар сияқты әртүрлі типтегі ғимараттарда олардың функционалдығын, қауіпсіздігін және сыртқы әсерлерге төзімділігін арттыру үшін қолдануға болады.