http://dspace.tnpu.edu.ua/handle/123456789/8641 2026-04-04T09:19:11Z http://dspace.tnpu.edu.ua/handle/123456789/39568 Назва: Продуктивність квасолі звичайної (Phaseolus vulgaris (L.) Merr.) за впливу рекультиванту композиційного TREVITAN® полікомплекс Автори: Пида, Світлана Василівна; Конончук, Олександр Борисович; Дзендзель, Андрій Юрійович; Сем'янів, М. В. 2026-01-14T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39326 Назва: Математичне моделювання впливу розширення транспортної мережі на оптимізацію ефективності доставки «Останнього кілометра» в міських логістичних системах Автори: Романюк, Леонід Антонович; Чихіра, Ігор Вікторович; Тулайдан, Галина Миколаївна; Головко, Андрій Дмитрович Короткий огляд (реферат): У цьому дослідженні представлено структуру для автомати- зації польотних процесів безпілотних літальних апаратів (БПЛА) з основним фокусом на точному плануванні траєкторії для забезпечення ефективної взаємодії з навколишнім середовищем. Запропонована система включає в себе тривимірну модель руху, яка динамічно коригує траєкторії на основі факторів навколишнього середовища, підвищуючи адаптивність БПЛА до мінливих умов. У структурі було використано систему нечіткого висновку, для усунення невизначеностей, спричинених шумом датчиків, зовнішніми перешкодами та обмеженнями керування. Цей підхід обробляє неточні вхідні дані, такі як помилки позиції та швидкості, використовуючи лінгвістичні змінні та прийняття рішень на основі правил. Перетворюючи точні вхідні дані в нечіткі набори та застосовуючи експертні правила, система ефективно пом’якшує нелінійність і дестабілізуючі впливи, забезпечуючи надійні стратегії керування операціями БПЛА. У структуру також було інтегровано нейронні мережі довгої коротко- часної пам’яті (long short-term Memory – LSTM) для прогнозування майбутніх змін навколишнього середовища та дестабілізуючих факторів. Використовуючи історичні дані, архітектура LSTM моделює довго- строкові тимчасові залежності, уможливлюючи проактивне коригування траєкторії. Ця здатність прогнозування є критично важливою для підтримки стабільності та точності в динамічних середовищах. Щоб підвищити екологічну обізнаність у реальному часі, у систему було включено технологію радіочастотної ідентифікації (RFID). Активні та пасивні RFID-мітки надають дані про контекстну локалізацію, підтримують уникнення перешкод і оптимізацію траєкторії. Поєднуючи локалізацію на основі RFID з фільтром Калмана, система забезпечує точне просторове визначення та рекурсивне прийняття рішень, зменшуючи помилки передбачення та покращуючи точність навігації. Експериментальна перевірка була проведена за допомогою БПЛА DJI Matrice 210, оснащеного вдосконаленими датчиками та вбудованим обчислю- вальним модулем NVIDIA Jetson TX2. Безпілотний літальний апарат успішно долав середовище з чисельними перешкодами, позначене мітками RFID, за різних умов вітру. Система продемонструвала високу точність відстеження траєкторії, зберігаючи середньоквадратичну похибку 0,22 метра, безпечну дистанцію проходження перешкоди 2,8 метра та швидкий час реакції 0,5 секунди для початку превентивних маневрів. Ця комплексна структура поєднує в собі нечітку логіку, нейронні мережі та локалізацію на основі RFID для створення надійної архітектури керування БПЛА. Незважаючи на такі проблеми, як високі обчислювальні вимоги та залежність від інфраструктури RFID, дослідження підкреслює значні досягн- ення в автоматизації БПЛА. Майбутні дослідження спрямовані на покращення координації кількох БПЛА та оптимізацію операцій за допомогою покращеної інтеграції апаратного забезпечення та методів паралельної обробки даних.; This study presents an advanced framework for automating the flight processes of unmanned aerial vehicles (UAVs), with a primary focus on precise trajectory planning to ensure effective interaction with the environment. The proposed system incorporates a three-dimensional motion model that dynamically adjusts trajectories based on environmental factors such as wind, enhancing UAV adaptability to changing conditions. To address uncertainties caused by sensor noise, external disturbances, and control limitations, the framework employs a fuzzy inference system. This approach processes imprecise input data, such as positional and velocity errors, using linguistic variables and rule-based decision-making. By converting precise inputs into fuzzy sets and applying expert-defined rules, the system effectively mitigates nonlinearities and destabilizing influences, providing robust control strategies for UAV operations. The framework also integrates Long Short-Term Memory (LSTM) neural networks to predict future environmental changes and destabilizing factors. Leveraging historical data, the LSTM architecture models long-term temporal dependencies, enabling proactive trajectory adjustments. This predictive capability is critical for maintaining stability and accuracy in dynamic environments. To enhance real-time environmental awareness, the system incorporates Radio Frequency Identification (RFID) technology. Active and passive RFID tags provide contextual localization data, supporting obstacle avoidance and trajectory optimization. By combining RFID-based localization with a Kalman filter, the system achieves precise spatial awareness and recursive decision-making, reducing prediction errors and improving navigation accuracy. Experimental validation was conducted using a DJI Matrice 210 UAV equipped with advanced sensors and an onboard NVIDIA Jetson TX2 computing module. The UAV successfully navigated obstacle-rich environments marked with RFID tags under varying wind conditions. The system demonstrated high trajectory tracking precision, maintaining a root mean square error of 0.22 meters, a safe obstacle clearance distance of 2.8 meters, and a rapid response time of 0.5 seconds for initiating preventive maneuvers. This comprehensive framework combines fuzzy logic, neural networks, and RFID-based localization to create a robust UAV control architecture. Despite challenges such as high computational requirements and reliance on RFID infrastructure, the study highlights significant advancements in UAV automation. Future research aims to enhance multi-UAV coordination and optimize operations through improved hardware integration and parallel data processing techniques. 2025-01-01T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39323 Назва: INTEGRATING SWARM INTELLIGENCE AND EDGE COMPUTING FOR AUTONOMOUS MULTI-DRONE OPERATIONS Автори: Romaniuk, Leonid; Chykhira, Ihor; Tulaidan, Halyna; Holovko, Andrii Короткий огляд (реферат): This study presents an adaptive PSO (Particle Swarm Optimization) algorithm as the foundation for a swarm intelligence approach in multi-UAV operations. The traditional PSO formula for particle velocity and position updates was modified to incorporate a variation strategy from Differential Evolution (DE), enabling UAVs to dynamically adjust their trajectories. The integration of deep reinforcement learning (DRL) further enhances the model's ability to optimize task offloading and computational distribution, ensuring that UAVs function as efficient edge nodes. An experimental evaluation was conducted to assess the proposed PSO-Edge method compared to other machine learning techniques, specifically Random Forest and Support Vector Machine (SVM). The experimental setup involved a simulation environment where UAVs were tasked to monitor data and execute missions over a defined area. The hardware included an Intel Xeon Gold 6248R CPU, 128 GB RAM, and an NVIDIA Tesla V100 GPU, with the simulation executed using Python 3.8. The proposed PSO-Edge algorithm demonstrated superior performance across multiple metrics: reducing task completion time by 42.1 minutes compared to Random Forest and SVM; achieving the lowest energy consumption per task at 28.9 Wh; demonstrating efficient communication with the least latency at 0.15 seconds; and achieving the highest task accuracy at 96%. The results confirm that the PSO-Edge method outperforms traditional machine learning approaches in task efficiency, energy consumption, communication latency, and accuracy. This highlights the benefits of integrating edge computing with the PSO algorithm, establishing it as a robust solution for multi-UAV operations. The findings have significant implications for optimizing UAV-based applications, particularly in environments requiring dynamic adaptation and efficient resource management.; Представлено адаптивний алгоритм PSO (Particle Swarm Optimization – оптимізація роїв частинок) як основу для підходу до ройового інтелекту в операціях з кількома БПЛА. Традиційну формулу PSO для оновлення швидкості та положення частинок було змінено, щоб включити стратегію варіації від Differential Evolution (DE), що дозволяє БПЛА динамічно коригувати свої траєкторії. Інтеграція глибокого навчання з підкріпленням (DRL) додатково підвищує здатність моделі оптимізувати розвантаження завдань і розподіл обчислень, гарантуючи, що БПЛА функціонують як ефективні периферійні вузли. Проведено експериментальне оцінювання запропонованого методу PSO-Edge порівняно з іншими методами машинного навчання, зокрема випадковим лісом (RF) і методом опорних векторів (SVM). Експериментальна установка включала симуляційне середовище, де БПЛА було поставлено завдання контролювати дані та виконувати місії над визначеною територією. Апаратне забезпечення включало процесор IntelXeonGold 6248R, 128 ГБ оперативної пам’яті та графічний процесор NVIDIATeslaV100 із моделюванням, виконаним за допомогою Python 3.8. Запропонований алгоритм PSO-Edge продемонстрував високу продуктивність за кількома показниками: скорочення часу виконання завдання на 42,1 хвилини порівняно з RandomForest і SVM; досягнення найнижчого енергоспоживання на завдання – 28,9 Wh; демонстрація ефективного зв'язку з найменшою затримкою в 0,15 секунди; досягнення найвищої точності виконання завдання в 96%. Результати підтверджують, що метод PSO-Edge перевершує традиційні підходи машинного навчання за ефективністю виконання завдань, енергоспоживанням, затриманням зв’язку та точністю. Це підкреслює переваги інтеграції периферійних обчислень з алгоритмом PSO, створюючи його як надійне вирішення для операцій з кількома БПЛА. Отримані результати мають значні наслідки для оптимізації додатків на основі БПЛА, особливо в середовищах, що вимагають динамічної адаптації та ефективного управління ресурсами. 2025-01-01T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39322 Назва: Підготовка майбутнього вчителя хімії до формування дослідницьких умінь учнів із використанням інноваційних технологій навчання Автори: Гладюк, Микола Миколайович; Тулайдан, Галина Миколаївна; Романюк, Леонід Антонович Короткий огляд (реферат): Сучасна хімічна освіта вимагає переходу від репродуктивного засвоєння знань до діяльнісного, дослідницького типу навчання, що ґрунтується на розвитку в учнів умінь ставити запитання, формулювати гіпотези, планувати й проводити експеримент, інтерпретувати результати та здійснювати рефлексію. Разом із тим результати опитувань учителів хімії засвідчують недостатню готовність педагогів до впровадження STEM-, AR/VR- та цифрових технологій, що суттєво обмежує можливості формування дослідницької компетентності школярів. Це зумовлює потребу модернізації підготовки майбутнього вчителя хімії з акцентом на використанні інноваційних інструментів навчання. Мета статті полягає у визначенні теоретичних і методичних засад формування дослідницьких умінь учнів у процесі хімічної освіти та обґрунтуванні можливостей інноваційних технологій цифрових лабораторій, інтерактивних симуляцій, STEM-ресурсів і web-інструментів – для підвищення готовності майбутнього вчителя хімії до організації дослідницької діяльності школярів. Дослідження ґрунтується на комплексі наукових методів: аналізі психолого-педагогічних та методичних джерел; узагальненні результатів анкетування вчителів хімії з різних регіонів України; порівняльному аналізі функціональних можливостей віртуальних лабораторій (PhET, VirtuLab, ChemCollective, Wolfram Demonstrations Project тощо); вивченні результатів педагогічних експериментів щодо впровадження STEM-, web- та хмарних технологій у навчання хімії; статистичній інтерпретації емпіричних даних. У статті розкрито сутність і структуру дослідницьких умінь учнів, визначено їх ключову роль у компетентнісній моделі хімічної освіти. Встановлено, що лише 24,1% учителів системно застосовують STEM- підходи, а рівень обізнаності з AR-технологіями залишається критично низьким (15,8%). Здійснений аналіз цифрових лабораторій підтвердив їх високу ефективність для моделювання хімічних процесів, формування навичок гіпотезування, аналізу та інтерпретації результатів. Педагогічні експерименти засвідчили зростання рівня дослідницької компетентності учнів на 10–19% за окремими показниками після впровадження цифрово орієнтованих технологій, а кількість учнів з високим рівнем сформованості таких умінь збільшилася більш ніж удвічі. У підготовці майбутніх учителів інтеграція хмарних сервісів, веб-квестів і симуляцій сприяла зростанню цифрової та дослідницької компетентності у 2–3 рази. Результати дослідження можуть бути використані для модернізації освітніх програм педагогічних університетів, розроблення модулів із цифрових STEM- і AR/VR-технологій, підвищення кваліфікації вчителів хімії, створення електронних навчальних ресурсів і віртуальних лабораторій.; Modern chemistry education requires a transition from reproductive acquisition of knowledge to an active, research-based type of learning, which is based on the development of students' skills to ask questions, formulate hypotheses, plan and conduct experiments, interpret results, and reflect. At the same time, the results of surveys of chemistry teachers indicate insufficient readiness of teachers to implement STEM, AR/VR, and digital technologies, which significantly limits the possibilities of forming research competence in schoolchildren. This necessitates the modernization of the training of future chemistry teachers with an emphasis on the use of innovative teaching tools. The purpose of the article is to determine the theoretical and methodological foundations of the formation of students' research skills in the process of chemistry education and to substantiate the possibilities of innovative technologies of digital laboratories, interactive simulations, STEM resources and web tools - to increase the readiness of future chemistry teachers to organize research activities of schoolchildren. The study is based on a set of scientific methods: analysis of psychological, pedagogical and methodological sources; generalization of the results of a survey of chemistry teachers from different regions of Ukraine; comparative analysis of the functional capabilities of virtual laboratories (PhET, VirtuLab, ChemCollective, Wolfram Demonstrations Project, etc.); study of the results of pedagogical experiments on the implementation of STEM, web and cloud technologies in chemistry education; statistical interpretation of empirical data. The article reveals the essence and structure of students' research skills, identifies their key role in the competency model of chemistry education. It was found that only 24.1% of teachers systematically apply STEM approaches, and the level of awareness of AR technologies remains critically low (15.8%). The analysis of digital laboratories confirmed their high efficiency for modeling chemical processes, developing skills in hypothesizing, analyzing and interpreting results. Pedagogical experiments have shown an increase in the level of students' research competence by 10–19% according to individual indicators after the introduction of digitally oriented technologies, and the number of students with a high level of formation of such skills has more than doubled. In the training of future teachers, the integration of cloud services, web quests and simulations contributed to the growth of digital and research competence by 2–3 times. The results of the study can be used to modernize educational programs of pedagogical universities, develop modules on digital STEM and AR/VR technologies, improve the skills of chemistry teachers, create electronic educational resources and virtual laboratories. 2025-01-01T00:00:00Z