CRUST
Common Repository of the University of Science and Technologies
Welcome to the Common Repository of the University of Science and Technologies (CRUST)!
CRUST is an electronic archive created to publish, accumulate, store and provide free full-text access to publications.
These publications have a scientific, educational, and methodological purpose. They are created by teachers, researchers, employees, graduate students, or students of the university (student publications are published with the review of a supervisor).
CRUST also provides university employees with the opportunity to publish their own scientific papers.
For contacts:[email protected]
The institutional repository of theUkrainian State University of Science and Technologies
Communities in CRUST
Select a community to browse its collections.
- ENG: Library
- ENG: Department of military training of specialists
- ENG: Common collection
- ENG: Dnipro Metallurgical Institute
- ENG: Dnipro Institute of Infrastructure and Transport (DIIT)
- ENG: SEI “The Prydniprovska State Academy of Physical Culture and Sports” (SEI PSACEA)
- ENG: Ukrainian State University of Chemical Technology (USUCT)
- ENG: SEI “The Prydniprovska State Academy of Physical Culture and Sports”
Recent Submissions
Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2025) Hryhorovych, Mykyta S.
ENG: Deep learning has emerged as a transformative approach for detecting structural damage and deformations, particularly for flat roofs and large-scale infrastructure. This article synthesizes recent progress in applying convolutional neural networks (CNNs), segmentation models, object detectors (YOLO, Faster R-CNN), and autoencoders for unsupervised anomaly detection. Drones (UAVs), thermal imaging, and vibration sensing all contribute critical data. By training on images or signals indicative of healthy vs. damaged conditions, deep models can locate cracks, spalling, missing fasteners, or stiffness loss at high speed and with impressive accuracy - often above 85%. A review of more than 300 publications indicates that remote inspection with AI can drastically reduce manual labor and improve the consistency of damage identification, even in hazardous or inaccessible areas. A summary table compares deep learning effectiveness across beams, walls, decks, roofs, and other structural components. Real-world deployments on bridges, high-rise facades, and post-disaster zones confirm that deep learning, coupled with UAV-based inspections, can accelerate maintenance workflows, detect subtle defects, and reduce safety risks. Ongoing challenges include data scarcity for rare failure modes, generalizing models to new environments, and the integration of physics-based reasoning. Recommendations for future research involve fusing multispectral data, automating calibration of deep models, and embedding AI in digital twins for continuous structural health monitoring.
Аналіз методик автоматизованого картування змін водойм
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2025) Кавац, Олена Олександрівна; Кавац, Юрій Віталійович; Сергєєва, Катерина Леонідівна; Рой, Дмитро Миколайович
UKR: Моніторинг внутрішніх вод має стратегічне значення для розвитку країни. Оцінка екологічного стану, об’єм та площа водойм є ключовим у аналізі та прогнозі водного балансу. Внаслідок зміни клімату в Україні відбувається негативний за наслідками процес погіршення умов природного вологозабезпечення, в результаті якого у зоні Полісся зникають території надлишкового зволоження, а на півдні розпочався процес опустелювання земель. Наземні вимірювання з оцінки змін площі водойм є дорогим і ресурсоємним підходом, який особливо складний у віддалених районах. В статті розглянуті основні методи автоматизованого картування змін водойм на основі да-них ДЗЗ. Використання різнорідних даних у поєднанні з комбінацією методів на основі спектральних індексів та машинного навчання демонструють найкращий результат.
Machine Learning Methods for Antifraud Systems
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2025) Ostrovska, Kateryna Yu.; Nosov, Valerii O.
ENG: Fraud in the financial sector, e-commerce, and online services is becoming increasingly frequent and sophisticated. Traditional rule-based systems, while still helpful in detecting known fraud patterns, struggle to keep up with new, evolving attack vectors, as static rules are quickly circumvented. In contrast, machine learning (ML) provides a dynamic and scalable approach that can process vast amounts of transactional and behavioral data to identify subtle anomalies and suspicious activity. This paper provides a comprehensive overview of current ML techniques used in fraud detection, categorized into three main groups: classification models, anomaly detection methods, and deep learning architectures. It discusses real-world applications across various fraud scenarios, including credit card abuse, account takeovers, cybercrime, and scams in digital comerce. Emphasis is placed on the strengths and limitations of each approach, with attention to real-world considerations like scalability, model transparency, and the challenge of class imbalance. The paper also reviews recent advances, including graph-based representations of financial interactions, IP-based behavioral profiling, and the emergence of hybrid systems that integrate multiple ML techniques –such as combining autoencoders with boosting algorithms for improved accuracy, especially when labeled data is scarce. The findings aim to support the development of flexible, high-performance fraud detection solutions that leverage the most effective ML practices and capitalize on the synergy of hybrid model architectures.
Розробка автоматизованої системи центру авторизації
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2025) Краснюк, Михайло Андрійович; Гнатушенко, Вікторія Володимирівна; Мороз, Борис Іванович; Сокол, Олександр
UKR: У сучасному цифровому світі, де онлайн-сервіси та додатки стають необхідними інструментами в повсякденному житті, питання безпеки та контролю доступу користувачів набувають особливої важливості. Автоматизована система центру авторизації є сервісом що вирішує ці питання. Сервіс забезпечує безпечне та надійне обслуговування клієнтів різних інформаційних систем. Результатом дослідження є створення програмного продукту, послугами якої можуть користуватися як в інфраструктурі сервісів великої компанії, так і WEB-сервісам. Автоматизована система є достатньо швидкою, що дозволяє обслуговувати велику кількість користувачів із різних інформаційних систем одночасно. Використання послуг автоматизованої системи центру авторизації знімає із бізнесу обтяження зі зберігання паролів, авторизації користувачів в інформаційній системі, впровадження безпекових оновлень та полегшує адміністрування.
Adaptation of a Predicate Model in Control Problems of Nonstationary Static Objects
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2025) Tryputen, Mykola; Kuznetsov, Vitalii V.; Verovkin, Oleksandr
ENG: When controlling static objects at the optimization level, pattern recognition methods are used that allow partitioning the factor space into elementary subdomains in the form of n-dimensional hyperparallelepipeds. One of the main elements of the control structure for this approach to control is the adaptation algorithm, that makes it possible to refine the description of a static object under nonstationarity conditions. Repeated use of the adaptation algorithm to refine the model leads to an unjustified complication of its logical structure and the accumulation of information that has lost its relevance. The paper proposes a method for minimizing the description of images of technological situations, that makes it possible to overcome the indicated disadvantages. The method is based on the property of invariance of the number of parameters defining the hyperparallelepiped to the size of the described area in the factor space. This made it possible to identify significant boundary sub-areas in the description of the image of technological situations and, by their subsequent combination in the direction of the feature axes, to select a description with a minimum number of sub-areas. When performing these operations, “outdated” information is removed and the logical structure of a static control object is simplified as much as possible. The paper shows the possibility of implementing an algorithm for minimizing the description of images on the basis of α-algebra, that makes it possible to integrate its control structures using relational data models. The effectiveness of the proposed algorithm is confirmed by computational experiments in the control of the process of lump crushing for the conditions of a mining and processing plant.