Исследование тепловых характеристик РЭА с применением программного комплекса ТРиАНА

В. В. Воловиков; Дектерев М. Л.; Ю. Н. Кофанов; Преснякова Г. О.; А. В. Сарафанов; Фень А. М.

Публикации

?

Исследование тепловых характеристик РЭА с применением программного комплекса ТРиАНА

М. : ДМК Пресс, 2014.

Воловиков В. В., Дектерев М. Л., Кофанов Ю. Н., Преснякова Г. О., Сарафанов А. В., Фень А. М.

Под общей редакцией: Кофанов Ю. Н., Сарафанов А. В.

Изложены основные аспекты методического обеспечения проектных задач, связанных с анализом тепловых характеристик конструкций радиоэлектронной аппаратуры (РЭА) средствами математического моделирования, в т.ч. с применением программного комплекса (ПК) ТРиАНА. Приводятся основные разделы программной документации "Руководство пользователя ПК ТРиАНА-2.10.0", набор методик по разработке моделей тепловых процессов, анализа тепловых режмов конструкций РЭА различных уровней иерархии, примеры применения ПК ТРиАНА в практике промышленного проектирования различных образцов РЭА, в т.ч. совместно с подсистемой АСОНИКА-К.

Предназначено для специалистов, занимающихся исследованием тепловых характеристик конструкций РЭА методами математического моделирования.

Научное направление: Электроника и электротехника Компьютерные науки

Приоритетные направления: компьютерно-математическое инженерные науки

Язык: русский

Полный текст

Ключевые слова: математическое моделирование радиоэлектронная аппаратура тепловые характеристики

Исследование тепловых характеристик РЭА с применением программного комплекса ТРиАНА

Графовые паттерны в несогласованных декларативных моделях процессов

Анненков А. Н., Нестеров Р. А., Моделирование и анализ информационных систем 2026 Т. 33 № 2 С. 176–205

Декларативные модели процессов широко используются в process mining для гибкого описания поведения процессов с помощью наборов ограничений. Однако модели, автоматически извлекаемые из журналов событий, могут содержать несогласованные ограничения, что затрудняет их интерпретацию и делает их непригодными для исполнения, проверки соответствия или дальнейшего анализа. Существующие методы анализа согласованности либо опираются на автоматные конструкции с высокой асимптотической сложностью ...

Добавлено: 18 июня 2026 г.

Advances in Information Retrieval: 48th European Conference on Information Retrieval, ECIR 2026, Delft, The Netherlands, March 29 – April 2, 2026, Proceedings, Part II

Cham: Springer Publishing Company, 2026.

Добавлено: 18 июня 2026 г.

Искусственный интеллект как роза научной деятельности: исследование Тимоти Гауэрса

Поддьяков А. Н., Троицкий вариант. Наука 2026 № 12 С. 24–25

В научно-популярной заметке представлен обзор содержания поста филдсовского медалиста Тимоти Гауэрса о возможностях ИИ в математике и содержания комментариев под постом. Обзор сделан в основном чат-ботом DeepSeek. В заключение обсуждается возможность не только решения задач искусственным интеллектом, но и их постановки. ...

Добавлено: 18 июня 2026 г.

Exploring New Frontiers in Vertical Federated Learning: the Role of Saddle Point Reformulation

Beznosikov A., Kormakov G., Grigorievskiy A. и др., Journal of Optimization Theory and Applications 2026 Vol. 209 Article 18

Добавлено: 17 июня 2026 г.

Supervised Learning in Critical Phenomena—Statistical and Systematic Accuracy

Chertenkov V. I., Щур Л. Н., Lobachevskii Journal of Mathematics 2026 Vol. 47 No. 2 P. 720–727

Добавлено: 16 июня 2026 г.

Enhancing Emotion Recognition in Speech Based on Self-Supervised Learning: Cross-Attention Fusion of Acoustic and Semantic Features

Deeb B., Andrey V. Savchenko, Макаров И. А., IEEE Access 2026 Vol. 13 P. 56283–56295

Добавлено: 16 июня 2026 г.

Automated detection of wolf howls using audio spectrogram transformers

Makarov N., Савченко А. В., Zemtsova I. и др., Scientific Reports 2025 Vol. 15 Article 26641

Добавлено: 16 июня 2026 г.

Artificial intelligence framework for multi-pathology risk assessment from retinal fundus images: deep learning approach to 15-disease screening

Vasilev R., Савченко А. В., Blinov P. и др., Frontiers in Medicine 2026 Vol. 13

Добавлено: 16 июня 2026 г.

From Data to Signs: A Foundation Model for Multilingual Sign Language Recognition

Novopoltsev M., Tulenkov A., Murtazin R. и др., IEEE Access 2025 Vol. 13 P. 188170–188181

Добавлено: 16 июня 2026 г.

B3Emo: Quantifying Affect as a Double-Edged Sword in Strategic LLM Interactions

Stepin A., Mozikov M., Kabanov A. и др., IEEE Access 2026 Vol. 14 P. 48127–48144

Добавлено: 16 июня 2026 г.

ESQA: Event Sequences Question Answering

Abdullaeva I., Karpukhin I., Filatov A. и др., IEEE Access 2026 Vol. 14 P. 59390–59408

Добавлено: 16 июня 2026 г.

Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 1: Long Papers)

Association for Computational Linguistics, 2026.

Добавлено: 14 июня 2026 г.

Proceedings of the 6th Workshop on Computational Approaches to Discourse, Context and Document-Level Inferences (CODI 2025)

Strube M., Braud C., Hardmeier C. и др., Suzhou: Association for Computational Linguistics, 2025.

Добавлено: 11 июня 2026 г.

TreeDQN: Sample-efficient off-policy reinforcement learning for combinatorial optimization

Sorokin D., Kostin A., Савченко Л. В. и др., Knowledge-Based Systems 2026 Vol. 348 Article 116258

Добавлено: 10 июня 2026 г.

Microbial diversity and production of milk spirit using traditional Buryat fermentation and distillation technologies

Namsaraev Z., Nanzatov B., Козлова А. Д. и др., Scientific Reports 2026 Vol. 16 No. 1 Article 17769

Дистиллированные кисломолочные напитки встречаются в пищевой промышленности редко, несмотря на повсеместное распространение растительных спиртных напитков. В настоящее время производство крепких дистиллированных алкогольных напитков из кисломолочных продуктов с использованием традиционных технологий известно лишь среди монголоязычных народов и их сибирских соседей. Данное исследование представляет собой первый междисциплинарный анализ дарасуна, традиционного бурятского спиртного напитка, изготавливаемого из кисломолочного напитка ...

Добавлено: 10 июня 2026 г.

Artificial intelligence and digital twins for failure prediction in data center cooling systems: a comprehensive literature review (2018–2026)

Butorova A., Bobakov V., Sergeev A. и др., European Physical Journal: Special Topics 2026 P. 1–19

Добавлено: 10 июня 2026 г.

Innovations in Information and Decision Sciences. Proceedings of the 13th International Conference on Frontiers in Intelligent Computing: Theory and Applications (FICTA 2025), Volume 4

Springer, 2026.

Добавлено: 8 июня 2026 г.

ML-based Fast Simulation of FARICH Responses

Шипилов Ф. А., Barnyakov A., Ivanov A. и др., / Series Physics "arxiv.org". 2026.

Добавлено: 19 мая 2026 г.

Perovskite nanoparticles Cs4PbBr6 and CsPbBr3: synthesis, analysis and peculiar optical properties

Гущина В. А., / Series chemrxiv-2023-vpzhz-v2 "ChemRxiv". 2023.

Наночастицы полностью неорганических перовскитов CsPbBr3 и Cs4PbBr6 интенсивно изучаются благодаря их уникальным свойствам и широкому спектру применений; однако природа их оптических свойств до сих пор полностью не изучена из-за сложности синтеза однофазных наночастиц. В данной статье мы описываем особенности синтеза однофазных частиц и результаты их химического и фазового анализа. Используя данные о концентрациях наночастиц, мы ...

Добавлено: 14 мая 2026 г.

Разработка комплексной математической модели для виртуальных тепловых испытаний электронной аппаратуры

Винокуров Ю. А., Кофанов Ю. Н., Сотникова С. Ю., В кн.: Инновационные, информационные и коммуникационные технологии: сборник трудов XXII Международной научно-практической конференции. Москва, 2025.: Ассоциация выпускников и сотрудников ВВИА им. проф. Жуковского, 2025. С. 129–134.

В статье представлены результаты разработки и валидации комплексной математической модели в виде ненаправленного графа для конкретного применения, а именно для проведения виртуальных тепловых испытаний электронной аппаратуры. Предложена структура модели, включающая четыре подмодели: тепловых процессов внутри аппаратуры, взаимодействия с испытательным оборудованием, внешнего температурного воздействия, взаимодействия с оснасткой и с измерительной системой. Описаны методы получения исходных данных ...

Добавлено: 1 мая 2026 г.

Natural hazard database from Internet publications: text mining with a large language model

Деркачева А. А., Сакиркина М. А., Краев Г. Н. и др., /. 2026.

Добавлено: 28 апреля 2026 г.

Algorithmic overlaps as thermodynamic variables: from local to cluster Monte Carlo dynamics in critical phenomena

Пиле Я. Э., Deng Y., Щур Л. Н., / Series arXiv "math". 2026. No. 2604.10254.

Добавлено: 20 апреля 2026 г.

Using predefined vector systems to speed up neural network multimillion class classification

Gabdullin N., Андросов И. А., / Series Computer Science "arxiv.org". 2026.

Добавлено: 2 апреля 2026 г.

Моделирование оценки потенциала изменения тарифов на авиаперевозки на основе составляющих себестоимости

Урюпин И. В., Власенко А. О., Мир транспорта 2024 Т. 22 № 4 (113) С. 94–103

Стоимость перевозки (тариф) является одним из ключевых факторов развития авиатранспортной системы (АТС) любой страны, в частности Российской Федерации. В свою очередь, формирование тарифа напрямую зависит от себестоимости перевозки и ее составляющих. Прогнозирование и моделирование себестоимости с учетом влияния внешних факторов позволяет получить оценку потенциала изменения тарифа, которая может быть использована в качестве индикатора направления развития ...

Добавлено: 24 февраля 2026 г.