В работе получена и экспериментально апробирована многоконтурной оптимизации в системе интеллектуального проектирования обуви. Методика основана на интеграции генеративных нейросетевых моделей, материаловедческой оптимизации и предиктивного производственного анализа в единую архитектуру конструкторско-технологической подготовки производства. Процесс формализован как задача многокритериальной оптимизации с интегральной функцией эффективности, учитывающей время проектирования, материалоёмкость, уровень дефектности и точность воспроизведения формы готового изделия. Для оценки геометрической точности реализации цифровой модели в физическом изделии использован коэффициент объёмного сходства форм, рассчитываемый по результатам сопоставления CAD-модели и 3D-скана готовой обуви. Экспериментальная апробация на парной выборке моделей показала статистически значимое улучшение показателей по сравнению с традиционным подходом: сокращение времени проектирования на 50%, снижение материальных отходов при раскрое на 25%, уменьшение уровня производственного брака на 50% и повышение точности формы изделия с 86,4% до 94,1%. Полученные результаты подтверждают эффективность интеграции технологий искусственного интеллекта в контур цифрового проектирования и демонстрируют возможность одновременной оптимизации временных, материальных и геометрических характеристик изделия без взаимного ухудшения показателей. Разработанная методика может быть интегрирована в существующие CAD-системы и производственные линии предприятий массового сегмента.
This study presents and experimentally validates a structural model of multicontour optimization in an intelligent footwear design system. The proposed methodology integrates generative neural network models, materials optimization, and predictive production analysis into a unified architecture of engineering and technological production preparation. The design process is formalized as a multicriteria optimization problem with an integral performance function that accounts for design time, material consumption, defect rate, and the accuracy of geometric reproduction of the finished product. To evaluate the geometric accuracy of transferring the digital model into the physical product, a volumetric shape similarity coefficient was employed, calculated through comparison of the CAD model and the 3D scan of the finished footwear. Experimental validation based on a paired sample of models demonstrated statistically significant improvements compared to the conventional approach: a 50% reduction in design time, a 25% decrease in material waste during cutting, a 50% reduction in production defects, and an increase in shape accuracy from 86.4% to 94.1%. The obtained results confirm the effectiveness of integrating artificial intelligence technologies into the digital design framework and demonstrate the possibility of simultaneous optimization of temporal, material, and geometric characteristics without mutual performance degradation. The proposed methodology can be integrated into existing CAD systems and production lines of mass-segment enterprises.