В статье приведены результаты исследований по изучению влияния пылевых выбросов промышленных предприятий на уровень химического загрязнения темно-каштановых почв. Изучение динамики среднегодовых концентраций загрязнения воздуха г. Усть-Каменогорск по данным Экологического бюллете́ня Республики Казахстан за 2014-2020 гг. выявили высокие концентрации оксида углерода, оксида азота, диоксида серы и хлора в 2014 г., которые в последующие года снижались (по данным среднегодовых показателей концентрации углерода, оксида азота), за исключением диоксида серы и хлора. В последующие года (2015-2020) по показателям диоксида серы и хлора был выявлен тренд снижения, хотя они были на достаточно высоких уровнях по сравнению с другими поллютантами. Анализ полученных данных в ходе исследования показал, что искусственное загрязнение фоновой почвы технологической пылью металлургического комбината в дозах от 0,5 до 5масс.% существенно повышает валовое содержание ТМ в почве: Cu – в 2-146; Zn – в 2,7-2510 раза (фон. почва 35,0 мг/кг); Pb – в 1,84-139,6 раза (фон. почва 22,0 мг/кг), Cd – в 65,8-9412,3 раза (фон. почва 0,73 мг/кг), а также соответствовало ПДК в почве по Клоке: 1,65-23,4 ПДК Cu , 1,1-29.3 ПДК Zn , 1,27-95,98 ПДК Pb и 16,0-2290,33 ПДК Cd .

Статья посвящена задаче классификации электроэнцефалографических сигналов на основе их частотно-временных характеристик с применением адаптированных сверточных нейронных сетей. В исследовании показано, что эффективность автоматического анализа существенно возрастает при целенаправленной модификации архитектур под свойства биомедицинских данных. Такой подход отражает принцип ``сигнал определяет сеть''?: выбор и доработка модели должны учитывать характер спектральных признаков и особенности динамики мозговых ритмов. Для реализации этой идеи исходные сигналы преобразовывались в частотно-временные карты, которые рассматривались как изображения и использовались для обучения нейронных сетей. При этом классические архитектуры были адаптированы: одни упрощались для повышения вычислительной эффективности, другие -- оптимизировались для работы с одноканальными данными, третьи -- усиливались за счет остаточных связей и методов регуляризации. Проведенные эксперименты показали, что все модифицированные варианты сохраняют устойчивость обучения и способность корректно выделять информативные паттерны. При этом каждая из адаптаций имеет свои преимущества: LiteResNet2D обеспечивает наибольшую точность, LiteMobileNet2D лучше всего подходит для ресурсоограниченных устройств, SimpleAlexNet2D удобна для прототипирования и быстрой проверки гипотез. Исследование демонстрирует, что адаптация сверточных архитектур под характеристики электроэнцефалографических сигналов является ключевым условием для построения надежных и переносимых систем классификации. Этот подход открывает путь к созданию специализированных инструментов анализа, которые можно масштабировать и использовать в различных когнитивных и клинических приложениях.

Целью данной работы является проектирование двух приводов на базе планетарных редукторов для двухзвенного робота-манипулятора.

Проведен систематический анализ публикаций по устойчивости инженерной инфраструктуры, включая системы жизнеобеспечения. Рассмотрены особенности моделирования угроз, модели и методы поиска уязвимостей таких систем в условиях экстремальных воздействий. Представлены общая характеристика процесса восстановления, модели и методы исследования этого процесса. Рассмотрены показатели оценки устойчивости систем жизнеобеспечения, соответствующие математические модели и методы. Отмечается, что в настоящий момент не существует согласованных показателей устойчивости, по которым возможно проводить обоснованное сравнение систем. Многие публикации сконцентрированы на фазах устойчивости (подготовка, поглощение, восстановление и адаптация) применительно к конкретным системам (электроэнергетика, водоснабжение, связь и др.). По результатам проведенного анализа литературы предложена последовательность процедур по исследованию устойчивости систем жизнеобеспечения, которая может быть использована при имитационном моделировании.