The paper is devoted to the development of the method of laser shock peening (LSP) of metals. To optimize the mode of LSP for Ti-6Al-4V specimens a deep learning model for predicting residual stresses by laser shock peening was developed. A numerical-experimental method was used to carry out the model training, in which an experimental study of the effect of different processing mode on the depth and distribution of residual stresses was carried out. The Johnson-Cook model was used as the governing relationship for modeling the dynamic deformation process. At the second stage, the problem of static equilibrium of a body with a plastically deformed area was numerically solved to determine residual stresses. The results of research on determination of the optimal configuration of the deep learning model showed that when using sinusoidal activation function of the neural network with 4 hidden layers and the number of neurons 10, the best level of accuracy in solving the problem is achieved. The obtained model allows us to optimally determine the LSP mode according to the given limitations of values and depth of residual stresses.

Diesel engines power much of the heavy-duty equipment used in underground mines, where exhaust emissions pose acute environmental and occupational health challenges. However, predicting the amount of air required to dilute these emissions is difficult because exhaust mass flow and pollutant concentrations vary nonlinearly with multiple operating parameters. We apply deep learning to predict the total exhaust mass flow and carbon monoxide (CO) concentration of a six-cylinder gas–diesel (dual-fuel) turbocharged KAMAZ 910.12-450 engine under controlled operating conditions. We trained artificial neural networks on the preprocessed experimental dataset to capture nonlinear relationships between engine inputs and exhaust responses. Model interpretation with Shapley additive explanations (SHAP) identifies torque, speed, and boost pressure as dominant drivers of exhaust mass flow, and catalyst pressure, EGR rate, and boost pressure as primary contributors to CO concentration. In addition, symbolic regression yields an interpretable analytical expression for exhaust mass flow, facilitating interpretation and potential integration into control. The results indicate that deep learning enables accurate and interpretable prediction of key exhaust parameters in dual-fuel engines, supporting emission assessment and mitigation strategies relevant to underground mining operations. These findings support future integration with ventilation models and real-time monitoring frameworks.

На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатная модель для прогнозирования деформации до разрушения на сжатия высокоэнтропийных сплавов. В рамках работы оценивалась точность влияния архитектуры полносвязной искусственной нейронной сети (количество скрытых слоев и количество нейронов в скрытых слоях) на точность прогнозирования. Было показано, что с увеличением количества скрытых слоев абсолютная погрешность снижается – от 5,4% для односвязной нейронной сети до 4,8 % для двухслойной и 4,7% для трехслойной нейронной сети. БлагодарностиИсследования выполнены при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках соглашения от «24» июня 2021г.№075-11-2021-046 (ИГК 000000S407521QLP0002) с АО «ОЭЗ «ВладМиВа»» по комплексному проекту «Организация высокотехнологичного производства экспортноориентируемых медицинских изделий на основе инновационных конструкционных материалов с целью импортозамещения на базе разработанных технологий» при участии НИУ «БелГУ» в части выполнения научно-исследовательских, опытно-конструкторских и технологических работ с использованием оборудования Центра коллективного пользования "Технологии и Материалы НИУ "БелГУ". Работа частично выполнена (машинное время) при поддержке проекта Российского фонда фундаментальных исследований № 20-53-56063.