Новосибирский государственный университет
Образовательные программы
Обучение ориентировано на высшие ступени (магистратура, аспирантура) и основано на следующих принципах:
- Входящий отбор студентов, обладающих необходимым уровнем рефлексии, мотивации и предметных компетенций через систему хакатонов, семинаров, зимних школ, с финальным отбором в рамках проектной летней школы
- Базовое обучение, сочетающее общие и предметные курсы:
- Методология инженерной деятельности, управление проектами, системный анализ, управление интеллектуальной собственностью (общая часть)
- Предметные компетенции в рамках курсов НГУ, онлайн- и самостоятельного обучения (индивидуальная часть)
- Ориентационные курсы и стажировки на предприятиях для введения в специфику отрасли (общая часть для обучающихся в одной предметной области)
- Проектное обучение, основанное на участии в выполнении реальных проектов в передовых технологических компаниях и технологических подразделениях научных институтов.
- Развитие базовых ценностей культуры инженерной деятельности, мотивированной получением практического результата через привлечение лучших существующих технологических заделов с использованием современных методик деятельности инновационного бизнеса.
Образовательные программы ПИШ опираются на предметные курсы, читаемые на различных факультетах НГУ, предметные курсы от технологических партнеров ПИШ, а также на курсы в области системного менеджмента и стратегирования от представителей успешного бизнеса (методология). Ориентационные курсы и стажировки выполняются на базе крупных индустриальных партнеров ПИШ НГУ для погружения студентов ПИШ в специфику задач отрасли.
Важнейшей частью подготовки студентов является их участие в реализации конкретных научно-технологических проектов на базе подразделений ПИШ, а также партнеров ПИШ. В командной работе над проектом студент должен решить нетривиальную инженерную задачу на основе фундаментальных знаний, применить логику системного инжиниринга, попробовать себя в различных ролях проектной деятельности, научиться работать с коллегами над решением сложной задачи по созданию практического продукта. Благодаря ориентационным курсам и практикам студент имеет возможность познакомиться с отраслью и конкретными людьми на предприятиях, что позволит ему эффективнее выбрать свою дальнейшую профессиональную траекторию.
Программы дополнительного образования и повышения квалификации для профессорско-преподавательского состава передовых инженерных школ, а также образовательных организаций высшего образования, реализующих образовательные программы инженерного профиля:
Метод конечных элементов (МКЭ) является одним их наиболее используемых способов численного решения задач математической физики и широко применяется в современных вычислительных пакетах (ANSYS, MSCMARC, Comsol Multiphysics и многие другие). Достоинством метода является его гибкость с точки зрения используемых математических моделей, геометрий и физических свойств описываемых объектов. Владение МКЭ входит в основной цифровой инструментарий современного инженера-механика или ученого-исследователя в области механики сплошных сред. Пакет FreeFEM++ является одним из Open-source программных продуктов, позволяющих применять МКЭ к произвольным системам дифференциальных уравнений и геометриям областей. Гибкость пакета обеспечивает как низкий порог входа в использование, так и возможность существенной модификации вычислительного алгоритма под нужды исследователя. При этом, открытость кода и лицензия LGPL позволяют свободно использовать FreeFEM++ для научных и прикладных исследовательских работ. Все это делает пакет крайне привлекательным для широкого круга специалистов.
Предлагаемая программа повышения квалификации основана на курсе «Прикладной пакет для численного счета FreeFEM++», который на протяжении ряда лет читается на ММФ НГУ в рамках магистерской программы «Нефтяной инжиниринг и математическое моделирование». Автор курса, старший преподаватель ММФ, к.ф.-м.н. Байкин А.Н., активно применяет FreeFEM++ для своих исследовательских и прикладных проектов, что не оставляет сомнений в его квалификации и качестве подобранного в курсе материала. Организация курса подразумевает введение в МКЭ, рассмотрение различных примеров применения к научным и практическим задачам, выполнение слушателями собственных проектов. Приобретаемые компетенции позволят слушателям курса начать использование FreeFEM++ для быстрого прототипирования в области математического моделирования физических процессов.
Скачать программу курса. Часть 1
Скачать программу курса. Часть 2
Приказ об утверждении программы
В последние годы активно расширяется спектр применение распределенных оптоволоконных сенсоров для решения самых разных прикладных задач. Междисциплинарная образовательная программа направлена на формирование базовых разносторонних знаний в области создания и использования оптоволоконных измерительных систем.
В первой части программы даются теоретические основы функционирования оптоволоконных датчиков, включая описание типов и характеристик оптоволоконных волноводов, физические основы распространения света в волокне. Подробно рассмотрены типы рассеяния света в волокне и связанные вопросы создания на их основе датчиков измерения температуры (DTS), акустических волн (DAS), деформации (DSS). Во второй части на примере реальных приборов обсуждается вопрос аппаратурной реализации распределенных датчиков с учетом характеристик составных частей, внутренней калибровки, предобработки и т.д.
В третью часть программы входят лабораторные работы, в рамках которых слушатели исследуют точность и разрешающую способность оптоволоконных систем при измерении температуры и акустических волн. Последний блок обсуждает применение распределенных оптоволоконных датчиков при решении прикладных задач. Основной упор сделан на задачи нефтегазовой отрасли и мониторинга конструкций.
Гидроразрыв пласта (ГРП) является ключевой технологией для интенсификации нефтедобычи, используемой в нефтегазовой промышленности. При подборе оптимального дизайна ГРП для конкретной скважины широко используется специализированное ПО в виде симуляторов ГРП (РН-ГРИД, КиберГРП, MFrac, FracPro, Kinetix, Gohfer, Stimplan и др.), основанное на физико-математическом моделировании. ГРП является комплексным процессом и в самом простом представлении включает в себя течение вязкой жидкости по узкой трещине, упругую реакцию горной породы и раскрытие трещины, разрушение породы и продвижение фронта трещины, утечку жидкости в породу через стенки трещины. Предлагаемый курс посвящен обзору физических процессов при ГРП и описывающих их математических моделей. Особое внимание уделяется разбору и укреплению понимания физических эффектов, возникающих при ГРП, технологическим рычагам данной технологии. Отдельно рассматриваются сопутствующие процессы (течение по скважине, множественный ГРП, перенос проппанта), а также сложные случаи такие как ГРП в трещиновато-пористых коллекторах и кислотный ГРП.
Данный курс будет интересен инженерам ГРП, сотрудникам научно-технологических центров нефтяных и нефтесервисных компаний, сотрудникам научно-исследовательских институтов и университетов для улучшения понимания технологии ГРП, а также знакомства с современными подходами для ее моделирования.
Автор курса, старший преподаватель ММФ НГУ, к.ф.-м.н. Байкин А.Н., около 10 лет занимается моделированием ГРП, является автором публикаций по данной тематике в высокорейтинговых журналах. В настоящее время руководит инжиниринговой группы по разработке расчетного модуля для моделирования развития плоской трещины ГРП, внедренного в симулятор КиберГРП, и других инструментов для моделирования ГРП.
Цель курса - введение в область знаний анализа больших данных, с привязкой к бизнес-задачам. Освоение курса позволит обучающимся: проводить постановку задач анализа данных; разрабатывать требования к проекту анализа данных и к его результатам; обосновывать применение методов машинного обучения в бизнес-задачах; понимать возможности технологий машинного обучения при проведении бизнес-анализа и их ограничений; подготовить и реализовать проект по анализу данных с применением машинного обучения.
Целью курса является ознакомление слушателей с различными методами машинного обучения, формирование у них представление о том, что машинное обучение — это не «магия», а инструмент прикладной математики со своими достоинствами и недостатками. Курс дает возможность «своими руками» попробовать решить разнообразные задачи анализа данных различными методами машинного обучения - от простых линейных моделей до современных нейронных сетей, а также объясняет в теории и на практике различия методов и границы их применимости.