In order to improve the surface quality of copper after laser remelting, this article took laser frequency, pulse width, and energy density as the research objects and used scanning electron microscopy (SEM), a laser confocal three-dimensional measurement instrument, hardness tester, and friction and wear measurement instrument to study the surface morphology, surface roughness, microhardness, and wear resistance of copper, respectively. The results indicate that the frequency, pulse width, and energy density of laser remelting could directly affect the surface quality of the sample, but the influence of frequency and pulse width was more significant. When the laser remelting frequency was 10 Hz, the pulse width was 10 ms, and the energy density was 132.69 J/mm2, the sample exhibited good surface morphology, roughness, and wear resistance. The relevant research in this article can provide a good reference for the laser surface treatment of copper-based materials.

Amidst the global energy crisis, the industrial sector is facing unparalleled energy conservation challenges as a primary energy consumer. Industrial demand response (IDR) is a promising strategy to enhance the energy efficiency of manufacturing enterprises. This paper introduces a graph reinforcement learning (GRL)-based method for flexible job shop scheduling under IDR from a production and energy nexus perspective. The scheduling problem is initially formulated as a Markov Decision Process (MDP). On this basis, the scheduling state is represented by a unique heterogeneous disjunctive graph incorporating IDR features, and the reward is constructed through a tailored generalized electricity consumption index (GECI). Moreover, a mixed graph neural network scheduler is designed to tackle this MDP, which integrates the heterogeneous attention mechanism and adaptive greedy sampling strategy. Furthermore, a proximal policy optimization algorithm is employed for training to obtain optimal scheduling schemes. Empirical case studies indicate that the proposed method can reduce GECI by up to 14.44% and 2.22%, respectively, outperforming existing well-known dispatching rules and another scheduling method based on GRL.

Reducing carbon emissions from the logistics industry is beneficial for controlling environmental pollution and achieving sustainable development.To improve the carbon emission efficiency of the logistics industry (LCEY) for sustainable development, we propose social network analysis for LCEY evaluation and improvement.We established an evaluation index system for LCEY, measured it with the Super-SBM model considering unexpected output, created its spatial correlation matrix using a modified gravity model, and analyzed its spatial network characteristics with social network analysis.Taking 16 cities in Anhui Province as examples, this study demonstrates the implementation process of the method in detail.The results show that the average value of LCEY in 16 cities in Anhui Province increased from 0.3851 in 2012 to 0.7371 in 2021, showing a steady upward trend.The network efficiency decreased from 0.7619 in 2012 to 0.6857, indicating that the spatial spillover effect is significant, the spatial network relationship is gradually enhanced, and the network tightness must be improved.The characteristics of the spatial network are unbalanced; therefore, improving the structure of the benefit-spillover relationship is crucial.Hence, we propose countermeasures and suggestions to improve the LCEY to provide theoretical and methodological support for the research and management of the LCEY.