Russian Federation
Russian Federation
UDC 69.05
The paper presents a quantitative analysis of 528 research and development projects (R&D) on the introduction of artificial intelligence (AI) and augmented/virtual reality (AR/VR) technologies in the construction of oil and gas facilities for 2018-2024 using the example of a large vertically integrated company. The database was formed based on the results of systematic monitoring of internal scientific and technical documentation; the inclusion criteria cover projects with a clear focus on the use of AI or AR/VR in construction, installation and supervision processes. The projects are divided into six functional areas: mining and exploration, processing and marketing, logistics and supply, industrial safety, corporate functions, ecology and energy. The effectiveness was assessed at two levels: transition to implementation in any form (259 projects, 49%) and confirmed industrial implementation (168 projects, 32%). AI projects account for 84% of the sample with about 30% conversion to industrial implementation, while AR/VR solutions (16% of the sample) achieve a conversion rate of about 41%, due to a shorter feedback cycle and the visibility of the result at the pilot stage. The share of combined AI+AR/VR projects has grown steadily from 10-12% in 2018-2019 to 20-25% by 2023-2024. It is concluded that it is advisable to shift the focus from the volume of initiatives being launched to the depth of their conversion scenarios.
artificial intelligence, augmented reality, oil and gas construction, R&D, digital transformation, predictive analytics, project conversion, BIM
Введение
Строительство объектов нефтегазовой инфраструктуры отличается высокой капиталоёмкостью и жёсткими нормативными требованиями к безопасности и качеству выполняемых работ. На каждом этапе — от проектирования до пусконаладки — накапливается значительный объём инженерных данных, управление которыми всё чаще требует автоматизированных средств обработки. В этих условиях цифровые технологии из вспомогательного инструмента постепенно становятся неотъемлемой частью производственных процессов. Коротеев и Текич, анализируя сценарии развития нефтегазового сектора, отмечают, что компании, сумевшие встроить цифровые решения в операционную деятельность, получают измеримое конкурентное преимущество за счёт сокращения простоев и оптимизации затрат [1].
Среди направлений, определяющих облик цифровизации нефтегазового строительства, выделяются два технологических класса. Первый — искусственный интеллект (ИИ; в англоязычных источниках — AI, здесь и далее обозначения используются как синонимы), включающий методы машинного и глубокого обучения. Мохаммадпур и Тораби в обзоре, посвящённом аналитике больших данных в нефтегазовой отрасли, показали, что такие методы позволяют выявлять скрытые закономерности в работе оборудования, недоступные при традиционном инженерном анализе [2]. Сиркар с коллегами обобщили опыт применения машинного обучения в задачах добычи, переработки и транспортировки углеводородов и пришли к выводу, что наибольшую практическую отдачу дают модели предиктивного обслуживания и оптимизации технологических режимов [3].
Второй класс — технологии дополненной и виртуальной реальности (AR/VR). Их применение в строительстве тесно связано с информационным моделированием: Скьяви с соавторами описали архитектуру потоков данных между BIM-моделью (BIM, Building Information Modelling; в российской нормативной практике — технологии информационного моделирования, ТИМ; здесь и далее термины используются как синонимы) и AR/VR-устройствами, при которой проектная информация накладывается на физическое состояние объекта в реальном времени [4]. Монла с коллегами провели обзор методов оценки зрелости BIM-AR/VR-решений и установили, что большинство внедрений пока находится на стадии пилотных проектов, а переход к серийному использованию сдерживается недостатком стандартизованных протоколов обмена данными [5]. Евтушенко и Куценко рассмотрели применение дополненной реальности на различных этапах жизненного цикла объекта капитального строительства и отметили, что наибольший эффект AR-инструменты обеспечивают при авторском надзоре и приёмке скрытых работ [6].
Несмотря на растущее число публикаций, посвящённых отдельным технологическим решениям, систематизированные сведения о масштабе и результативности НИОКР-проектов, одновременно охватывающих оба класса технологий применительно к нефтегазовому строительству, в литературе практически отсутствуют. Игитбас с соавторами, проведя обширный обзор литературы по BIM и AR/VR в строительстве, также зафиксировали этот пробел: большинство работ ограничивается описанием единичных случаев внедрения, а сравнительные данные о конверсии пилотов в промышленные решения не систематизированы [7].
Цель настоящей работы — провести количественный анализ 528 НИОКР-проектов, реализованных в сфере научно-технического сопровождения строительства нефтегазовых объектов в 2018–2024 гг., и выявить закономерности их динамики, отраслевого распределения и конверсии по двум технологическим классам.
Материалы и методы
Основу исследования составила база данных НИОКР-проектов, сформированная по результатам систематического мониторинга научно-технической деятельности в сфере капитального строительства одной крупной вертикально интегрированной нефтегазовой компании за 2018–2024 гг. Источниками для наполнения базы служили: внутренняя отчётность по НИОКР (технические задания, отчёты о выполнении этапов, акты приёмки работ), протоколы научно-технических советов и реестры цифровых проектов. Мониторинг охватывал все зарегистрированные инициативы за указанный период; работы, не прошедшие внутреннюю процедуру регистрации или не имевшие задокументированного плана испытаний, в выборку не включались. Дублирование исключалось путём сверки по уникальным идентификаторам проектов (номер технического задания, код в корпоративной информационной системе); при обнаружении нескольких записей об одной инициативе в базу вносилась единственная актуальная версия. Классификация проектов по технологическим классам (ИИ или AR/VR) проводилась двумя независимыми экспертами предметной области на основе анализа технического задания и отчётной документации; в случае расхождения мнений привлекался третий эксперт. Итоговая выборка — 528 проектов за период с 2018 по 2024 г. Критерии включения: (1) явная нацеленность проекта на применение технологий ИИ или AR/VR; (2) принадлежность к строительным, монтажным или надзорным процессам нефтегазового объекта; (3) наличие задокументированного плана испытаний или отчётной документации. Концептуальные разработки без зафиксированного объёма апробации в выборку не вошли.
Каждый проект отнесён к одному из двух технологических классов. Класс ИИ объединил инициативы на базе методов машинного и глубокого обучения: предиктивную аналитику технического состояния оборудования, мультиагентное управление ресурсами, алгоритмы компьютерного зрения для видеоаналитики, семантический анализ неструктурированных данных. Адамцевич и Харисов в обзоре технологий Индустрии 4.0 применительно к дистанционному управлению строительной площадкой подтверждают релевантность именно этого набора задач для строительного производства [8]. Класс AR/VR включил решения дополненной, виртуальной и смешанной реальности, реализуемые, как правило, совместно с информационной моделью объекта. Проекты, целенаправленно совмещавшие инструменты обоих классов, дополнительно маркировались как комбинированные.
Функциональная классификация велась по шести направлениям: добыча и разведка, переработка и сбыт, логистика и снабжение, промышленная безопасность, корпоративные функции, экология и энергетика.
Оценка результативности проведена на двух уровнях. Первый уровень — переход в реализацию: проект получал статус «реализуемого», если по итогам пилотной фазы принималось решение о его продолжении в любой организационной форме (включение в ИТ-портфель, присвоение статуса цифрового проекта, передача в эксплуатирующее подразделение). По этому критерию 259 из 528 проектов (49 %) перешли от стадии НИОКР к дальнейшей реализации. Второй уровень — подтверждённое промышленное внедрение (далее — «конверсия»): проект считался успешно конвертированным при наличии акта ввода в промышленную эксплуатацию, договора на тиражирование или включения разработки в действующую нормативно-методическую документацию. По этому критерию успешно конвертированы 168 проектов (132 ИИ и 36 AR/VR). Далее в статье, если не указано иное, под «конверсией» понимается именно второй, более строгий показатель.
Обработка данных включала расчёт абсолютных значений и долей по годам, технологическим классам и отраслевым направлениям, а также сравнительный анализ конверсии.
Результаты
Общая динамика НИОКР-проектов
За 2018–2024 гг. зафиксировано 528 НИОКР-проектов: 441 в классе ИИ (83,5 %) и 87 в классе AR/VR (16,5 %). Распределение проектов по технологическим классам и годам представлено в табл. 1 и на рис. 1.
Таблица 1
Распределение НИОКР-проектов по технологическим классам и годам (2018–2024 гг.)
|
Год |
ИИ-проекты |
AR/VR-проекты |
Итого |
|
2018 |
18 |
15 |
33 |
|
2019 |
116 |
26 |
142 |
|
2020 |
63 |
18 |
81 |
|
2021 |
75 |
9 |
84 |
|
2022 |
68 |
10 |
78 |
|
2023 |
56 |
5 |
61 |
|
2024 |
45 |
4 |
49 |
|
Итого |
441 |
87 |
528 |
Рис. 1. Сравнительный анализ общего числа и успешной конверсии проектов с применением технологий AR/VR и AI (2018–2024 гг.)
Пиковый объём инициатив приходится на 2019 г.: 116 ИИ-проектов и 26 AR/VR-проектов. В последующие годы число новых AR/VR-инициатив устойчиво снижается (с 18 в 2020 г. до 4 в 2024 г.), тогда как ИИ-проекты после спада в 2020 г. (63 проекта) демонстрируют рост в 2021–2022 гг. (75 и 68 проектов соответственно) с последующим снижением до 45 проектов к 2024 г. Соотношение технологических классов в общем портфеле представлено на рис. 2.
Рис. 2. Соотношение проектов с технологиями AR/VR и AI в научно-техническом сопровождении (2018–2024 гг.)
Отраслевая структура инициатив
В разрезе шести функциональных направлений востребованность технологических классов существенно различается (табл. 2). Динамика распределения проектов по категориям и годам представлена на рис. 3.
Таблица 2
Распределение НИОКР-проектов по функциональным направлениям
|
Направление |
ИИ |
AR/VR |
Итого |
|
Добыча и разведка |
190 |
20 |
210 |
|
Переработка и сбыт |
101 |
5 |
106 |
|
Логистика и снабжение |
55 |
11 |
66 |
|
Промышленная безопасность |
20 |
16 |
36 |
|
Корпоративные функции |
72 |
34 |
106 |
|
Экология и энергетика |
3 |
1 |
4 |
|
Итого |
441 |
87 |
528 |
Рис. 3. Динамика распределения научных проектов по категориям в нефтегазовой отрасли (2018–2024 гг.)
Максимальный объём сосредоточен в секторе добычи и разведки (210 проектов), где доминируют ИИ-решения (190 из 210), ориентированные на предиктивное обслуживание скважинного и наземного оборудования. Азми с коллегами, обобщившие 91 публикацию по предиктивной аналитике в нефтегазовой отрасли, подтверждают, что именно задачи прогнозирования отказов и оптимизации режимов эксплуатации составляют основной массив прикладных разработок в этом секторе [9]. Переработка и сбыт (106 проектов) также отдают предпочтение ИИ (101 проект): задачи оптимизации технологических режимов хорошо формализуются и удобны для автоматизированного решения.
Иная картина складывается в секторе промышленной безопасности: при сопоставимом числе ИИ- и AR/VR-инициатив (20 и 16 из 36 проектов) значительная часть ИИ-проектов использует алгоритмы компьютерного зрения для видеоаналитики и предотвращения инцидентов. Фанг с соавторами, разработавшие метод автоматического обнаружения рабочих и тяжёлой техники на строительных площадках с помощью свёрточных нейронных сетей, показали, что подобные системы способны существенно сократить задержку реагирования на нарушения по сравнению с ручным мониторингом [10]. AR/VR в этом секторе применяется для дистанционного контроля и обучения персонала в условиях опасных производств. Детализация масштабов внедрения по сферам применения представлена на рис. 4 и 5.
Рис. 4. Масштабы внедрения технологий AR/VR по сферам применения (2018–2024 гг.)
Рис. 5. Масштабы внедрения технологий AI по сферам применения (2018–2024 гг.)
Корпоративные функции (106 проектов) — лидер по использованию AR/VR (34 из 87 проектов выборки), что объясняется широким распространением VR-тренажёров и AR-инструментов в управленческих и образовательных процессах. Логистика и снабжение (66 проектов) акцентирована на ИИ-решениях для оптимизации графиков поставок. Адамцевич с коллегами, изучившие международный опыт применения технологий Индустрии 4.0 для мониторинга строительного производства, отмечают, что автоматизация логистических цепочек на стройплощадке даёт измеримый эффект в виде сокращения простоев [11]. Экология и энергетика (4 проекта) пока остаётся на периферии цифровых преобразований.
Конверсия проектов
Общая картина перехода НИОКР-проектов в реализацию по годам представлена на рис. 6 и в табл. 3.
Рис. 6. Динамика общего числа НИОКР-проектов и их успешной конверсии по технологиям AR/VR/AI (2018–2024 гг.)
Таблица 3
Динамика перехода НИОКР-проектов в реализацию (2018–2024 гг.)
|
Год |
Общее число НИОКР |
Проекты, перешедшие в реализацию |
Доля, % |
|
2018 |
33 |
19 |
58 |
|
2019 |
142 |
99 |
70 |
|
2020 |
81 |
58 |
72 |
|
2021 |
84 |
20 |
24 |
|
2022 |
78 |
25 |
32 |
|
2023 |
61 |
18 |
30 |
|
2024 |
49 |
13 |
27 |
|
Всего |
528 |
259 |
49 |
В 2018–2020 гг. доля проектов, перешедших в реализацию, достигала 58–72 %, а начиная с 2021 г. снизилась до 24–32 %.
При оценке по более строгому критерию — подтверждённому промышленному внедрению — успешно конвертированы 168 проектов из 528 (табл. 4).
Таблица 4
Сводные показатели конверсии НИОКР-проектов в промышленное внедрение
|
Класс технологий |
Всего проектов |
Конвертировано |
Конверсия, % |
|
ИИ |
441 |
132 |
30 |
|
AR/VR |
87 |
36 |
41 |
|
Итого |
528 |
168 |
32 |
Конверсия ИИ-проектов составляет около 30 %. Среди нереализованных инициатив порядка 20–30 % закрыты из-за недостаточного экономического эффекта по итогам пилота или организационных затруднений при передаче в эксплуатацию.
Конверсия AR/VR-проектов — около 41 %. Более высокий показатель объясняется несколькими факторами. AR/VR-решения в связке с BIM-моделью имеют сравнительно линейный сценарий применения: оператор совмещает цифровую модель с физическим объектом и фиксирует расхождения. Пащенкова с соавторами на примере объектов капитального строительства нефтегазовой отрасли описали практику применения AR совместно с информационной моделью [12]. Кроме того, меньший масштаб выборки (87 против 441) не исключает эффекта отбора: AR/VR-проекты запускались прицельнее, с более зрелыми бизнес-обоснованиями.
Тренд на комбинирование технологий
Доля комбинированных ИИ+AR/VR-проектов неуклонно растёт: с 10–12 % в 2018–2019 гг. до 20–25 % в 2023–2024 гг. Такие проекты появляются там, где нужно одновременно автоматизировать контроль качества и обеспечить оперативную пространственную визуализацию — например, при приёмке блочного оборудования или верификации монтажных узлов трубопроводов. Железнов описал модель управления жизненным циклом объекта капитального строительства на базе облачной BIM-платформы, в которой интеграция различных цифровых инструментов обеспечивает единое информационное пространство для принятия решений [13]. При совмещении ИИ-алгоритмов с AR-визуализацией геометрические расхождения и нарушения регламентов выявляются быстрее, чем при раздельном применении методов, что сокращает затраты на устранение дефектов. Обязательным условием результативности остаётся регулярное обновление BIM-модели и согласование данных из разрозненных источников.
Обсуждение
Полученные результаты согласуются с тенденциями, зафиксированными в отраслевой литературе. Коротеев и Текич указывают на то, что нефтегазовый сектор прошёл стадию первоначального технологического энтузиазма и перешёл к прагматичной оценке экономической отдачи цифровых решений [1]. Динамика числа проектов — пик в 2019 г. с последующим снижением — допускает несколько интерпретаций: как завершение фазы массового пилотирования и переход к целенаправленному масштабированию, так и влияние внешних факторов (пандемия COVID-19 в 2020–2021 гг., корректировка инвестиционных программ). Разграничить вклад этих факторов на имеющихся данных не представляется возможным.
Разница в конверсии между ИИ (30 %) и AR/VR (41 %) находит объяснение в структурных особенностях этих технологий. Мохаммадпур и Тораби отмечают, что внедрение аналитики больших данных в нефтегазовой отрасли сопряжено с длительным накоплением обучающих массивов и перестройкой процессов сбора информации [2]. AR/VR-инструменты, напротив, дают наглядный результат уже на этапе первых испытаний — пользователь видит совмещение модели и объекта и быстро оценивает полезность инструмента. Монла с коллегами приходят к аналогичному заключению: короткий цикл обратной связи при работе с AR/VR способствует более высокому уровню принятия технологии конечными пользователями [5].
Доминирование ИИ в секторе добычи и разведки обусловлено хорошей оснащённостью промысловых объектов датчиками и наличием длинных временных рядов — необходимой предпосылки для обучения предиктивных моделей [3]. Сектор безопасности, где AR/VR занимает сопоставимую долю с ИИ, характеризуется высокой мотивацией к снижению человеческого фактора. Аканму с соавторами, разработавшие систему распознавания объектов на строительных площадках с применением глубокого обучения и синтетических данных, указывают на перспективность комбинирования компьютерного зрения с AR-визуализацией для оперативного оповещения персонала об опасных ситуациях [14].
Рост доли комбинированных решений свидетельствует о зрелости технологической экосистемы. Организации, накопившие опыт раздельного применения ИИ и AR/VR, выстраивают архитектуры, в которых алгоритм автоматически выявляет отклонение, а AR-интерфейс представляет его в контексте физического объекта. Скьяви с соавторами подчёркивают, что устойчивая BIM-основа является обязательным условием для результативного AR-применения [4]. Алексанин, анализируя использование информационных технологий на этапе строительства, также указывает на ключевую роль актуальности и полноты цифровой модели для успешного внедрения любых надстроечных инструментов [15].
Необходимо обозначить ограничения исследования. База данных охватывает проекты одной компании и не претендует на репрезентативность всего нефтегазового рынка. Критерий конверсии отражает формальный переход к промышленной эксплуатации, но не учитывает масштаб внедрения и долгосрочный экономический эффект. Классификация проектов по двум технологическим классам неизбежно огрубляет разнообразие подходов: за понятием «ИИ» скрываются как простые регрессионные модели, так и архитектуры глубокого обучения с разным потенциалом конверсии. Эти ограничения задают направление для дальнейших исследований.
Заключение
Проведённый анализ 528 НИОКР-проектов по применению ИИ и AR/VR в строительстве нефтегазовых объектов одной вертикально интегрированной компании за 2018–2024 гг. позволяет сформулировать следующие выводы.
В исследованном портфеле НИОКР технологии ИИ занимают доминирующее положение (83,5 % инициатив), однако их конверсия в промышленное внедрение (около 30 %) уступает показателю AR/VR-проектов (около 41 %). При этом почти половина всех НИОКР (259 из 528, 49 %) переходит в ту или иную форму реализации, что свидетельствует о высоком общем уровне востребованности цифровых решений.
Сектор добычи и разведки — лидер по числу ИИ-инициатив (190 из 441), в рамках исследованного портфеля сектор промышленной безопасности демонстрирует наиболее сбалансированное соотношение ИИ и AR/VR (20 и 16 проектов), отражая двойную потребность в автоматизированном обнаружении угроз и наглядном представлении информации для полевого персонала.
Устойчивый рост доли комбинированных ИИ+AR/VR-проектов (с 10–12 % до 20–25 % за шесть лет) указывает на формирование нового класса решений, способных одновременно закрывать задачи контроля качества и оперативной визуализации. Их результативность опирается на актуальную BIM-модель, что выдвигает повышение культуры информационного моделирования в число приоритетов отраслевой цифровизации.
Практический вывод для нефтегазовых компаний состоит в целесообразности переключения фокуса с количества запускаемых НИОКР на глубину проработки сценариев их конверсии: наличие плана масштабирования с первых этапов пилота повышает вероятность успешного внедрения. Перспективным направлением дальнейших исследований представляется создание методики оценки конверсионного потенциала НИОКР-проектов, учитывающей технологическую зрелость решения, готовность данных и операционные условия. Перенос выявленных закономерностей на отрасль в целом требует верификации на данных других компаний, что составляет одно из направлений дальнейших исследований.
1. Koroteev D., Tekic Z. Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future. Energy and AI. 2021; 3:100041. DOI:https://doi.org/10.1016/j.egyai.2020.100041.
2. Mohammadpoor M., Torabi F. Big Data analytics in oil and gas industry: An emerging trend. Petroleum. 2020; 6(4):321–328. DOI:https://doi.org/10.1016/j.petlm.2018.11.001.
3. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H. Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research. 2021; 6(4):379–391. DOI:https://doi.org/10.1016/j.ptlrs.2021.05.009.
4. Schiavi B., Havard V., Beddiar K., Baudry D. BIM data flow architecture with AR/VR technologies: Use cases in architecture, engineering and construction. Automation in Construction. 2022; 134:104054. DOI:https://doi.org/10.1016/j.autcon.2021.104054.
5. Monla Z., Assila A., Beladjine D., Zghal M. Maturity evaluation methods for BIM-based AR/VR in construction industry: a literature review. IEEE Access. 2023; 11:101134–101154. DOI:https://doi.org/10.1109/ACCESS.2023.3281265.
6. Evtushenko S.I., Kutsenko M.D. Ispol'zovanie tekhnologii dopolnennoj real'nosti na etapakh zhiznennogo tsikla ob"ekta kapital'nogo stroitel'stva [Use of augmented reality technology at the stages of the life cycle of a capital construction facility]. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2023; 18(11):1813–1820. DOI:https://doi.org/10.22227/1997-0935.2023.11.1813-1820. EDN IOBIMY.
7. Yigitbas E., Nowosad A., Engels G. Supporting construction and architectural visualization through BIM and AR/VR: a systematic literature review. ArXiv. 2023. DOI:https://doi.org/10.48550/arXiv.2306.12274.
8. Adamtsevich L.A., Kharisov I.Z. Obzor tekhnologij Industrii 4.0 dlya razrabotki sistemy distantsionnogo upravleniya stroitel'noj ploshchadkoj [An overview of Industry 4.0 technologies for the development of a remote-control system for a construction site]. Stroitel'stvo i arkhitektura [Construction and Architecture]. 2021; 9(4):91–95. DOI:https://doi.org/10.29039/2308-0191-2021-9-4-91-95. EDN RLENTY.
9. Azmi P.A.R., Yusoff M., Mohd Sallehud-Din M.T. A review of predictive analytics models in the oil and gas industries. Sensors. 2024; 24(12):4013. DOI:https://doi.org/10.3390/s24124013.
10. Fang W., Ding L., Zhong B., Love P.E.D., Luo H. Automated detection of workers and heavy equipment on construction sites: A convolutional neural network approach. Advanced Engineering Informatics. 2018; 37:139–149. DOI:https://doi.org/10.1016/j.aei.2018.05.003.
11. Adamtsevich L.A., Kharisov I.Z., Kamaeva Yu.V. Mezhdunarodnyj opyt primeneniya tekhnologij Industrii 4.0 dlya monitoringa aktual'nogo sostoyaniya stroitel'nogo proizvodstva [International experience in applying Industry 4.0 technologies for construction progress monitoring]. Stroitel'noe proizvodstvo [Construction Production]. 2022; 3:58–66. DOI:https://doi.org/10.54950/26585340_2022_3_58. EDN EUJSKM.
12. Pashchenkova V.V., Murlenko V.A., Gureev S.N. Prakticheskoe primenenie dopolnennoj real'nosti i tekhnologij informatsionnogo modelirovaniya v protsessakh kapital'nogo stroitel'stva [Practical application of augmented reality and information modelling technologies in capital construction processes]. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2025; 20(5). DOI:https://doi.org/10.22227/1997-0935.2025.5.
13. Zheleznov M. A lifecycle management system for capital construction facilities based on a digital cloud platform implementing information modeling methods and technologies. E3S Web of Conferences. 2021; 281:04007. DOI:https://doi.org/10.1051/e3sconf/202128104007.
14. Akanmu A.A., Olayiwola J., Ogunseiju O., McFeeters D. Construction site safety management: A computer vision and deep learning approach. Sensors. 2023; 23(2):944. DOI:https://doi.org/10.3390/s23020944.
15. Aleksanin A.V. Ispol'zovanie informatsionnykh tekhnologij na etape stroitel'stva ob"ekta [Use of information technologies at the facility construction stage]. Stroitel'stvo i rekonstruktsiya [Building and Reconstruction]. 2023; 4(108):132–137. DOI:https://doi.org/10.33979/2073-7416-2023-108-4-132-137. EDN BVHWWU.
