Architecton: Proceedings of Higher Education №3 (91) September, 2025
Design
Leonov Kirill I.
Doctoral student.
Research supervisor: Professor V.A. Kurochkin, PhD (Art Studies).
Ural State University of Architecture and Art
Russia, Yekaterinburg, e-mail: leoikir7@mail.ru
An overview of neural network application in railway transport design
УДК: 004.032.26
Шифр научной специальности: 5.10.3
DOI: 10.47055/19904126_2025_3(91)_17
Abstract
Keywords: design, AI, machine learning, railway transport
Введение
Четвертая промышленная революция отмечается новыми технологиями, одна из них — это искусственная нейронная сеть (ИНС), которая уже оказывает влияние на все отрасли, влияет на дизайн-индустрию. ИНС, подобно человеку, в своих процессах имитирует функции и структуру нейронов мозга для решения целей и задач. На данный момент нейросеть используется для классификация данных, распознавания образов, анализа голосовых сообщений и текстов, прогнозирования и генерации результатов и т. д.
Актуальность исследования заключается в том, что современная индустрия требует постоянного поиска инновационных решений для повышения эффективности и безопасности транспортных средств. В последние годы нейросети стали важным инструментом в различных областях, включая промышленный дизайн. В 2019 г. была принята Национальная стратегия развития искусственного интеллекта, рассчитанная до 2030 г. В настоящее время около 30% компаний в транспортной отрасли используют технологии ИИ, и столько же организаций планируют внедрить эти технологии в течение ближайших трех лет. На железнодорожном транспорте была разработана Стратегия цифровой трансформации ОАО «РЖД» до 2030 г. «Благодаря ИИ существенные эффекты достигаются и в сферах технического обслуживания и ремонта, управления транспортными потоками и средствами, роботизации складского хозяйства, прогнозирования спроса и динамического ценообразования, не говоря о частичной автоматизации обслуживания массовых клиентов» [1].
В статье рассматривается применение нейросетей в процессе проектирования железнодорожного транспорта, а также их влияние на улучшение функциональности и эстетики. Проблема в том, что сейчас молодые специалисты все чаще оказываются в зависимости от виртуальной реальности, в результате они начинают терять понимание того, как функционируют реальные механизмы и как устроены их конструкции. «В такой ситуации дизайн-проектирование и инженерное конструирование становятся иллюзорными, превращаясь в красивые картинки, имеющие мало общего с реальностью» [2].
Цель работы – исследование возможностей применения нейросетевых моделей на различных этапах проектного процесса со ссылкой на логику дизайн-мышления (эмпатия, анализ и определение проблемы, генерация идей, прототипирование, тестирование) при разработке экстерьера тепловозов и отдельных компонентов для повышения автоматизации и визуальной выразительности.
Задачи:
– провести обзор существующих методов применения нейросетей в промышленном дизайне железнодорожного транспорта;
– выделить области проектного процесса, в которых использование нейросетей наиболее эффективно (с опорой на этапную структуру дизайн-мышления);
– проанализировать преимущества и ограничения таких подходов в контексте проектирования экстерьера железнодорожной техники.
В последние годы наблюдается активное развитие проектной деятельности с использованием ИИ, что привело к формированию собственной терминологии и проектного дискурса. Все чаще ИИ воспринимается не просто как инструмент, а как активный участник креативного процесса – от генерации идей до анализа пользовательских предпочтений, один из ни – ChatGPT [3]. Эффективность применения зависит от выбранного класса модели и типа генерации, относящегося к типам задач. Например, при использовании текстовых Chain-of-Thought (CoT) выбранная модель позволит получить результат с выстроенной цепочкой промежуточных рассуждений, приближенных к структуре профессионального мышления дизайнера. В генерации изображений пользуется популярностью модель: "text-to-image".
Иностранные авторы исследовали [4, 5] применение ИИ в сфере транспорта, например в проектировании микромобильного транспорта. В статье описываются компоненты системы, автономное планирование маршрутов и алгоритмы 3D-моделирования. Также в другой статье представлена методология, использующая причинно-следственные связи искусственного интеллекта для выявления причинно-следственных связей в данных о городском транспорте. Таким образом, критически важно не просто использовать ИИ как "визуализатор" идей, а осознавать его роль как когнитивного помощника, способного: выстраивать логику проектного решения; формировать сценарии тестирования; адаптировать продукт под разные группы пользователей; документировать и систематизировать ход проектной мысли.
Наиболее популярными являются области автомобильного, архитектурного и графического дизайна [6–8], где ИИ активно используется для генерации 2D/3D-изображений, проведения симуляций и адаптивного прототипирования. Существуют единичные примеры применения нейросетевых моделей при проектировании высокоскоростных поездов [9] (в рамках конкурсных решений и концепт-дизайна), однако системные подходы к интеграции ИИ в этапы проектирования дизельных и электрических локомотивов не были найдены. При этом область промышленного дизайна локомотивов и железнодорожной техники в целом пока остается на периферии исследований. В данной работе использовались общедоступные нейросети [3, 10–12].
Научная новизна исследования заключается в анализе существующих решений, а также в выявлении недостатков и преимуществ при использовании нейросети для генерации дизайн-решений локомотивов. Текстовый запрос и генерация изображений на основе существующих решений позволит оценить работу нейросети, следуя основным этапам дизайн-проектирования объекта для выявления недостатков и преимуществ работы ИИ.
Суть проектирования трансформируется с развитием общества, что приводит к пересмотру важности научно-исследовательских, технических, организационных и творческих аспектов, а также к учету роли социокультурных процессов и междисциплинарного взаимодействия специалистов из разных областей. «Методология дизайна включает организационные, научные, творческие, технологические составляющие и изучает следующие вопросы:
– этапы и алгоритм проектирования;
– стратегия и тактика проектных исследований и проектирования;
– цель, задачи, принципы проектирования;
– нормативные требования;
– принципы, закономерности и технологии мышления (в том числе методы научного познания и творческого мышления, эмпатия, дизайн-мышление);
– методы проектирования (функциональный анализ, сценарное моделирование, партисипационный метод, кастомизация, зонирование, методы социологических исследований и др.);
– методы формообразования (моделирование, стилизация, аналогия, соподчинение, методы организации художественной композиции, масштабирование, пропорционирование, ритмизация, колористика и т. д.);
– технологии прототипирования и создания объектов» [13, с.36].
Дизайн мышление делится на пять этапов: эмпатия, анализ и определение проблемы, генерация идей, прототипирование, тестирование.
Таким образом первоначальный этап эмпатии является одним из важных, ведь именно он может повлиять на дальнейший процесс и конечный результат. Используя этот метод, дизайнер принимает на себя роль потенциального пользователя, что позволяет ему эмоционально переживать различные ситуации и предсказывать поведение и реакции людей при взаимодействии с объектом. Чем больше жизненный и профессиональный опыт, тем быстрее и глубже можно понять потребности пользователей и создать более эффективные решения.
Дизайн-студия Национального центра промышленного дизайна и инноваций 2050.ЛАБ известна своими работами в сфере отечественного дизайна железнодорожного транспорта, их директор Максим Чащин комментирует работу с нейросетями так: «Искусственный интеллект предлагает формы по ключевым параметрам, а дизайнер выбирает то, что лучше отвечает поставленной задаче. Нейросеть можно научить оценивать восприятие дизайна того или иного предмета разными категориями людей (мужчины, женщины, технари, гуманитарии и т .д.) в зависимости от того, как настроен алгоритм» [14]. Дополнительным преимуществом данной технологии является создание фокус-групп для выполнения задач дизайнера. Применяя ИИ, можно минимизировать субъективность и влияние человеческого фактора.
Приступим к диалогу с ChatGPT и в качестве примера возьмем тепловоз ТЭМ5Х. Сформировали задачу: опиши дизайн транспорта на фото глазами мужчины машиниста 30–35 лет с помощью модели "CoT". Нейросеть выдала ответ: «Визуальная оценка внешнего вида: первое, что бросается в глаза – надпись HYBRID. Значит, у нас тут гибридный локомотив – не только дизель, но и электрика. Будущее уже здесь. Краска – приятно строгая: синие и серые тона, аккуратная геометрия. Без вычурности, чисто по делу. Функциональная оценка: агрегат явно не из легких – рама мощная, вентиляционные решетки внушают доверие. Воздухозаборники большие – значит, двигатель там знатный. Электромоторы, скорее всего, по осям стоят. Для маневров – то, что надо. Еще и экологичней будет – сосны возле депо скажут спасибо. Кабина высоко – обзор отличный. Это плюс. Видно, что сделали с расчетом на безопасность: бронированные стекла, обзор по кругу. Наверняка климат-контроль есть, не то, что в старых "ЧМЭ". Технический интерес: интересно, как у него переход между дизелем и электро? Автоматический? Или вручную переключать? Если плавно тянет – будет кайф. Надо будет почитать ТТХ, может даже взять на испытания, если предложат. Эмоциональная реакция: смотрится, конечно, бодро. Будто танк на колесах. Но при этом не уродливый – видно, что дизайнер думал. Уж точно лучше, чем старые тепловозы, что по депо гремят. Приятно, что технологии двигаются вперед. И приятно будет сесть за пульт такой машины – почувствовать, как она откликается на каждое движение руки. Вывод глазами машиниста: современный, мощный, технологичный. Такой локомотив хочется не просто водить – хочется быть его частью. Умная машина под умного машиниста» [3].
Но поскольку мы выяснили, что нейросеть не создает осознанные ответы, а использует, то что нашла в открытых источниках, то полностью полагаться на них не следует. Значит, для реальных заказчиков следует совместно формировать техническое задание и проводить консультации. Эффективность дизайн-проекта во многом определяется стилем работы дизайнера, его глубоким пониманием человеческой психологии и способностью вызывать у заказчика необходимые чувства и эмоции. Кроме того, существенную роль играет профессиональная интуиция дизайнера, которую нейросеть не способна воспроизвести, так как она основана на личном опыте и взаимодействии с людьми. ИИ можно использовать, например, в качестве виртуального помощника, который сможет ответить на самые частые вопросы, используя уже готовую и верную базу.
Задача анализа и определения проблемы – осмыслить информацию, которую удалось получить на первом этапе, сделать выводы и установить точку зрения. «Нейросети могут иметь трудности с пониманием контекста, что может привести к некорректным выводам или недостаточно полному учету особенностей проекта и его целевой аудитории. Дизайн часто требует учета целого ряда факторов, таких как брендовая идентичность, целевые потребности, социально-культурные особенности и прочие. Нейросети могут столкнуться с трудностями в учете всех этих факторов» [8, с. 376]. Цель и задачи проектирования, а также техническое задание следует формулировать через призму проблемы. Такой подход позволит не только создавать предмет, но и эффективно решать возникшую проблему, переосмысливая функции и назначение объекта. Это поможет избежать стереотипов и шаблонного мышления, а также не повторять существующие аналоги.
Самый распространенный кейс в работе с нейросетью – генерация идей, так как ИИ может предложить креативные варианты в неограниченном количестве и в короткое время, не основываясь на жизненном опыте, тем самым предлагая креативные идеи. «Нейросети можно обучать на наборе дизайнов, созданных несколькими дизайнерами, а затем использовать для генерации новых концепций, которые включают элементы работы каждого специалиста. Это может помочь дизайнерам изучить новые возможности дизайна, о которых они, возможно, не подумали бы самостоятельно. Также это может способствовать творческому сотрудничеству внутри дизайнерских команд» [7, с. 336].
Дизайнер С. Смирнов говорит: «Современный ИИ представляет собой очень эффективный, очень быстрый генератор референсов, т. е. вспомогательных визуалов, которые могут направить мысль дизайнера в верном направлении. Однако последнее слово остается за человеком. Компьютер может откликнуться на запрос, допустим, сделать модель автомобиля более угловатой, но решить, хорошо это или плохо, остановиться на этом или нет, он не способен» [15].
На данный момент ИИ в сфере генерации изображение железнодорожного транспорта скорее руководствуется принципом проектирования «форма определяет функцию», потому что при первом просмотре картинка удивляет, но при тщательном анализе можно понять, что, кроме эстетической ценности, картинка ничего не содержит (рис. 1).
Рис. 1. Изображение поезда, сгенерированное участниками технического творчества «Техномарт».
Фото К.И. Леонова
Нейросети для генерации изображений в сфере железнодорожного транспорта могут предложить новые решения для художественных и игровых целей, потому что их пользователь оценивает внешний вид, а не функциональные качества. Так «RZD Digital» и его партнеры организовали цифровой конкурс «АРТЭКСПРЕСС», где была задача участникам создать изображение с помощью текстового запроса к нейросети Kandinsky от Сбера.
Интересны четыре работы, которые выполнены в разных стилистических решениях, относящиеся к теме нашего исследования:
– Первая работа с инфографикой поезда. Нейросети, создающие инфографику, могут стать мощным инструментом, который изменит подход к дизайну, могут взять на себя создание базовых инфографик, что освободит дизайнеров от рутинной работы и позволит им сосредоточиться на более креативных и сложных задачах.
– Роботизированный комплекс для обслуживания путей частично напомнил робота «японского перевозчика West Japan Rail Company», только в этом концепте робот и комплекс одно целое. Японский «робот может переносить грузы весом до 40 кг, работать на высоте до 12 метров, управляется оператором через VR-гарнитуру и будет использоваться для замены и ремонта сигнального оборудования, удаления веток деревьев вдоль путей, покраски металлоконструкций, ремонта контактной сети».
– Биомиметический дизайн, который пользуется популярностью в проектировании высокоскоростных поездов. Эта концепция основывается на изучении и подражании природным процессам, структурам и функциям для создания инновационных решений. В открытых источниках можно найти множество подобных работ, связанных с разными животными. Объяснение этого тренда связано с тем, что некоторые животные имеют элегантные формы и красивые окраски, что вызывает ассоциацию с грацией и изящностью.
– Одна из победивших работ на тему вокзал будущего. Когда компании видят свое лого на работах, они проникаются симпатией и у них создается чувство гордости (рис. 1, 2). Таким образом, создание брендинга с помощью ИИ в начале своего развития может стать мощным продвижением дизайнерских работ.
Рис. 2. Участники первого конкурса цифрового искусства «АРТЭКСПРЕСС».
Сост. К.И. Леонов на основе [9]
Взяв готовый эскиз локомотива и загрузив в нейросеть Vizcom для генерации изображений [11], получили скетчи с текстурами примерно за 30 секунд (рис. 3). Данная нейросеть базируется на латентных диффузионных моделях, а с помощью информации "скетч + промпт + стиль" создает изображения.
Рис. 3. Составлено К.И. Леоновым на основе материала, созданного нейросетью.
https://pikabu.ru/story/tyem5kh_novoe_ili_khorosho_zabyitoe_6911563 ; [11]
Так на базе одного вида железнодорожного транспорта создается сразу несколько решений – могут меняться количество секций у локомотива, сфера применения и т. д. Freepik Pikaso [10] использует латентную диффузионную модель и предлагает несколько видов моделей, но он воспользовался типом генерации "ReCo", была указана область (кабина) на изображении (тепловоза ТЭМ5Х), задано описание (убрать кабину) и затем сгенерировано изображение только внутри этой области, сохранен оригинал невыделенной части изображения. Данную платформу можно рассматривать в качестве диагностического комплекса или беспилотного локомотива (рис. 4).
Рис. 4. Сгенерированное изображение тепловоза без кабины на основе рендераТЭМ5Х производства ТМХ.
Автор идеи К.И. Леонов.
https://sitmag.ru/article/25569-manevroviy-gibridniy-teplovoz-tem5h-gibridniy-avtonomniy-lokomotiv-obrel-plot [10]
Можно рассмотреть путевую технику (рис. 5.1) компании Rail Technology, которая победила в конкурсе Red Dot Design Award в 2022 г. Попробуем взять за основу данную технику и сгенерировать тепловоз маневровый в ChatGpt [3]. Первая генерация получилась с длинным капотом в стиле американских локомотивов (рис. 5.2). Вторая и третья генерация приближены к европейским маневровым тепловозам (рис. 5.3, 5.4).Здесь был применен тип генерации "texttoimage" на модели DALLE 3. Визуальная суть правильно считана, но функциональное назначение при этом потеряно, а именно назначение поручней, если нет площадки и дверей.
Рис. 5. Сгенерированные изображения тепловоза (1, 2) на основе рендера путевой техники Rail Technology (3).
https://www.railtechnology.com/rail-technology/ [3]
Создание макета – неотъемлемый этап в области приборостроения и производстве транспортных средств. Указанная нейросеть Vizcomтакже создает 3D-модели на основе изображений с помощью латентной диффузии из 2D-рендеров, запуская процесс генерации 3D-моделей. В ходе эксперимента на основе существующих изображений тепловоза в разных ракурсах выяснилось, что лучше всего использовать несколько изображений для дальнейшей генерации вращающейся 3D-модели. На данный момент результат оказался средним из-за того, что слишком много деталей, например поручни, антенна и т.д. (рис. 6), но это уже впечатляет и можно предположить, что в будущем благодаря данной функции ускорится процесс создания макета для демонстрации в презентации.
Рис. 6. 3D-модели, созданные нейросетью на основе рендеров ТЭМ5Х.
Составлено К.И. Леоновым на основе материалов:
https://sitmag.ru/article/25569-manevroviy-gibridniy-teplovoz-tem5h-gibridniy-avtonomniy-lokomotiv-obrel-plot [11].
Компании, производящие железнодорожную технику, используют цифровые двойники, которые помогают проектировать продукцию, проводить виртуальные испытания и оптимизировать производство. Например, взяв изображение двигателя Volvo и загрузив в нейросеть RodinAI [12] для генерации 3D-моделей на основе рисунков, получаем решение (рис. 7), которое можно использовать на начальных этапах проектирования, когда детализация второстепенна. Если воспользоваться 3D-сканером, то на это уйдет примерноот 5 минут, а нейросеть справилась менее чем за 2 минуты, но в обоих случаях необходимо дорабатывать 3D-модель в специализированных программах. Данная нейросеть использует продвинутые диффузионные нейросети, предназначенные для 3D-моделирования, а именно "roll-out diffusion". Поддерживает запросы "text to 3D" и "image to 3D", автор воспользовался последней для создания моделей. Она оказалось более полезной, чем рассмотренная ранее Vizcom и на данный момент в бесплатной версии есть возможность скачать модель в разных форматах.
Рис. 7. Составлено К.И. Леоновым на основе рендера двигателя Volvo и сгенерированной 3D-модели.
https://groupintelcar.ru/product/dvigatel-samosvala-volvo-d13f-kupit-novyj/ [12]
«Примером использования искусственного интеллекта непосредственно в проектировании можно назвать работу в программе AutoDesk, используемой компанией Stanley Black & Decker, которая занимается производством промышленных инструментов, при этом входит в список Fortune 500, список пятисот крупнейших компаний в США» [6, c. 405]. На официальном сайте AutoDesk генеративное проектирование определяется как «процесс исследования дизайна», в котором дизайнер или инженер вводят проектные цели в программное обеспечение для сокращения время на расчеты и исследования, что увеличивает производительность команды разработчиков.
Все больше компаний на железнодорожном рынке начинают применять комплектующие, созданные с помощью 3D-печати. Этот подход активно используется как перевозчиками, такими как Deutsche Bahn и OBB, так и производителями подвижного состава, включая французскую компанию Alstom. «Последняя уже заявляла, что сэкономила за счет применения 3D-печати более €15 млн, а ее затраты на процесс закупок снизились на 86%» [16].
«Несмотря на бурное развитие компьютерной графики и цифрового проектирования, значение макетирования не только не уменьшилось, но и вышло на новый технологический уровень» [17]. Нейросети уже способны создавать трехмерные модели, которые можно печатать на 3D-принтере. Формат файла STL является наиболее распространенным для 3D-принтеров, так как он содержит набор инструкций, позволяющих CAD-программам и слайсерам воспроизводить 3D-модель, сохраненную ранее или созданную в другое время. С помощью ChatGpt автор упростил изображение существующего тепловоза ТЭМ10 в векторном стиле и загрузив в RodinAi, получил модель (рис. 8), которую можно скачать в разных форматах. Проверив в программе Blender 3D [18] модель с помощью дополнения "3D-print", выявил незначительные погрешности, но нормали и полигональная сетка была в приемлемом состоянии. Эта модель обладает преимущественно сувенирным характером, а не функциональным назначением, однако существует предположение, что в перспективе применение нейросети для созданий 3D-моделей может быть полностью реализовано.
Рис. 8. Использование изображения для создания 3D-модели в нейросети.
Скриншот К.И. Леонова на основе материала [12]
ChatGPT может также генерировать скрипт 3D-моделей с помощью модели "GPT-4", включающую огромное количество данных: документацию по Blender Python API, примеры 3D-моделирования и скриптов и т. д. Задав запрос в ChatGPT [3], автор написал код для создания 3D-модели поезда в Blender 3D [18]. Нейросеть выдара ответ, который был скопирован в программу (рис. 9). Есть головной состав и вагон, но дополнительно было предложено создание анимации и текстурирования, и нейросеть также соблюдала «культуру моделирования», а именно: в дереве моделей каждый объект имеет наименование и находится в группе, в дизайн-студиях это считается «хорошим тоном». Здесь также есть погрешности с расположением моделей, но все работает исправно (рис. 9).
Рис. 9. Использование сгенерированного скрипта.
Скриншот автора К.И. Леонова на основе материалов Blender 3D [3]
Последний пункт – тестирование. Если говорить о транспорте, то в этом случае нейросеть не сможет выполнить свою функцию, так как продуктом будут пользоваться люди, а не ИИ. В ходе дизайн-проектирования критически важно учитывать все аспекты человеческого фактора, включая физиологические, антропометрические, психофизиологические, психологические, гигиенические характеристики, а также факторы, которые влияют на эффективность жизнедеятельности. для организации окружающей среды. Человек становится центральной мерой для организации окружающей среды.
Общедоступные нейросети, указанные в данном исследовании для генерации текста, изображений и 3D-моделей, могут использоваться дизайнерами на этапе концепций, для конкурсных работ и т.д. Но для полноценной работы в компаниях, связанных непосредственно с производством, стоит рассматривать специально заточенные ИИ под сферу применения, где необходимая база информации, алгоритмы, которые определяется заказчиком. Например, ранее рассмотренный генеративный дизайн в программе AutoDesk; применение синергии дополненной и виртуальной реальности в продукте Step Check от Vuforia может быть полезен для компаний в сфере применения интерактивных разработок и инструкций; стремительно развивается беспилотный транспорт и применение ИИ в этой области поможет обрабатывать большое количество данных для прогнозирования износа и отказов, что влияет на дизайн с учетом долговечности и ремонтопригодности, один из таких продуктов – Uptake, который зарекомендовал себя в сфере грузового автомобильного транспорта. Но чем быстрее идет цифровая трансформация, тем больше компании зависят от технологий, и тем серьезнее становятся угрозы для стабильности, безопасности и эффективности бизнес-процессов. Когда искусственный интеллект интегрируется во все сферы деятельности и станет неотъемлемой частью повседневной жизни, предполагается, что ценность человеческого труда возрастет. Этот процесс напоминает историческую эволюцию производственных технологий, когда ремесленники и мануфактурщики столкнулись с более быстрыми и дешевыми методами производства. Однако, несмотря на массовое внедрение автоматизации, ручной труд не исчез, напротив, он продолжает сохранять свою ценность и востребованность даже в эпоху массового потребления.
Анализ работ, сделанных в нейросети [3, 10–12], и личный опыт позволили сделать вывод, что на данный момент приятно работать с ChatGpt, так создалось ощущение совместной работы с «настоящим дизайнером», который может понимать простое общение и адаптироваться под разное мышление (например, рассмотренный "CoT"), вникать в тему, предлагает большое количество разных типов генераций. Наибольшую ценность нейросети представляют как средство расширения концептуального поиска, генерации идей и визуального экспресс-прототипирования. Этот подход особенно перспективен в условиях проектирования сложных объектов (например, локомотивов), где важно сочетание инженерной логики, эстетики и пользовательского опыта. Но стоит внимательно относиться к полученным результатам, так как были заметны погрешности в надписях и в некоторых функциональных аспектах, которые можно пропустить из-за срока сдач или большой нагрузки, потому что, полностью полагаясь на работу нейросети, люди оказываются "вне процесса". Это значит, что они не уделяют должного внимания происходящему, и им требуется время, чтобы заметить сбой, оценить ситуацию и решить, как на него реагировать. Но стоит обратить внимание, что лучше всего использовать нейросети на базе готовых и верных решений для продуктивной работы.
References
1. Kuznetsova, Y., Palshin, K., Pavlova, K., Osintseva, Y., Ragination, Y., Efraimova, Y. and Kiselev, A. (2024). Transport is getting smarter. Bulletin of Digital Transformation of RZD [Online] No. 3, pp. 27. Available at: https://rzddigital.ru/upload/iblock/a7d/x0irqdh70by6qczm1qvbscc7agv784n3.pdf . (in Russian)
2. Kurochkin, V.A. (2023). The problem of developing constructive thinking among future specialists in industrial design. Architecton: Proceedings of Higher Education [Online] Volume 2(82). Available at: https://archvuz.ru/2023_2/30/ . (in Russian)
3. ChatGPT. ChatGPT [Online]. Available from: https://chatgpt.com/auth/login?next=%2F%3Fref%3DFutureTools.io .
4. Ficherov, P.S., Stoev, P., Georgiev, M., and Stoeva, M. (2024). Design of a micromobility transportation unit with AI. IFAC-PapersOnLine [Online] vol. 58, no. 3, pp. 215-220. Available from: https://www.sciencedirect.com/science/article/pii/S2405896324002362 .
5. Fekete, T., Mengistu, G. and Wicaksono, H. (2025). Leveraging causal AI to uncover the dynamics in sustainable urban transport: a bike sharing time-series study. Sustainable Cities and Society [Online] vol. 122. Available from: https://www.sciencedirect.com/science/article/pii/S2210670725001179 .
6. Seldyukova, D.V. (2023). The specifics of AI’s influence on the activities of designers. Materials of the 19th All-Russian Scientific Conference of Students and Young Scientists on Architecture and Design, Yekaterinburg, 13-14 April 2023, pp. 1-412. (in Russian)
7. Lukyanina, A.Y. (2023). The role of neural networks in modern design. Materials of the 19th All-Russian Scientific Conference of Students and Young Scientists on Architecture and Design, Yekaterinburg, 13-14 April 2023, pp. 1-412. (in Russian)
8. Apionisheva, A.I. (2024). The role of neural networks in the field of design. Materials of the 20th International Scientific and Practical Conference of Students and Young Scientists on Architecture and Design, Yekaterinburg, 11-12 April 2024, pp. 1-501. (in Russian)
9. RZD Digital. (2025). First Digital Art Competition [Online]. Available from: https://rzddigital.ru/interactiv/firstDigital/ . (in Russian)
10. Freepik. Freepik Pikaso [Online]. Available from: https://www.freepik.com/pikaso .
11. Vizcom. Vizcom [Online]. Available from: https://www.vizcom.ai/ .
12. Rodin Ai. Rodin Ai [Online]. Available from: https://hyper3d.ai/rodin .
13. Pankina, M.V. (2020). Basic methodology of design project development. Ekaterinburg: Ural Federal University Press. (in Russian)
14. Chashin, M. (2022). Perspectives of neural networks in rolling stock design. Rolling stock [Online]. Available from: https://rollingstockworld.ru/proizvodstvo/perspektivy-nejrosetej-v-dizajne-podvizhnogo-sostava/ (in Russian)
15. Smirnov, S. (2023). Artificial intelligence assistant and competitor of a designer. Train Brain [Online] No. 2(14). Available from: https://tobehero.ru/upload/tnb_archive/tnb_2023_08.pdf . (in Russian)
16. Savenkova, E. and Stolznev, A. (2024). The development of 3D printing of rolling stock components: a view from 3D Spark. Rolling stock [Online]. Available at: https://rollingstockworld.ru/komponenty/kak-budet-razvivatsya-3d-pechat-komponentov-podvizhnogo-sostava-vzglyad-3d-spark/ . (in Russian)
17. Bystrov, V.G. and Bystrova, E.A. (2017). Digital modeling technologies as a method of training students for modern production. Architecton: Proceedings of Higher Education [Online] No. 1(57). Available at: http://archvuz.ru/en/2017_1/6 . (in Russian)
18. Blender 3D. Blender 3D [online]. Available from: https://www.blender.org/ .
Citation link
Leonov, K.I. An overview of neural network application in railway transport design //Architecton: Proceedings of Higher Education. – 2025. – №3(91). – URL: http://archvuz.ru/en/2025_3/17/ – DOI: https://doi.org/10.47055/19904126_2025_3(91)_17
Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons "Attrubution-ShareALike" ("Атрибуция - на тех же условиях"). 4.0 Всемирная