The integral blisk is an important structure designed to meet the requirements of high-performance aero-engine, and the blade quality is one of the key factors affecting the service life of the integral blisk. To further improve the blade quality, ultrasonic vibration assisted belt flapwheel flexible polishing (UBFP) is proposed. In this paper, the surface generation mechanism and polishing efficiency of UBFP is studied. Based on kinematic models and simulations of multiple abrasive grains, the improvement effect of "peak clipping" on polished surface is explained. The surface integrity of GH4169 polished workpieces under UBFP and conventional belt flapwheel flexible polishing (BFP) are evaluated experimentally. The results show that ultrasonic vibration can effectively reduce surface roughness (13.26%) and increase residual stress (3.81%), but exhibits negligible impact on surface hardness. The surface roughness distribution on the polished surface under UBFP is more even than that under BFP. In addition, considering the reduction rate of surface roughness during the polishing process, the polishing efficiency of UBFP is 5.27% higher than that of BFP. Therefore, the UBFP process shows promising potential for blade polishing and green manufacturing of difficult machining materials.

The total mileage of the road network in China has been growing rapidly during the last twenty years. With the development of deep learning, the automatic road distr ess detection method is more accurate and effective than manual detection. However, the road are classified into five grades according to the Chinese road standard and each grade has its own characteristics. A single model cannot effectively identify multi-grade roads with different materials and levels of road distress. This study proposes a YOLOv8-based road distress detection strategy adapted for multiple road grades. The improved URetinex-Net network is used to enhance the spatial features and scenario diversity of the road distress datasets. Compared to the base YOLOv8 model, the enhancements have led to a 12% increase in accuracy for cement roads, a 22.3% improvement in detection speed, a 5.5% increase in accuracy for ordinary asphalt roads, a 7.5% increase in recognition accuracy for highways, and a 9.3% improvement in detection speed, with significant effects. This study refines the classification of roads based on their grades and matches them with corresponding artificial intelligence training strategies, providing guidance for road inspection and maintenance.

Abstract Predicting stable groundwater seepage using known data is an important task in groundwater dynamics. This is crucial for ensuring the rational utilization of groundwater resources and effectively controlling groundwater pollution. However, traditional finite difference methods and analytical solutions have significant limitations in dealing with complex groundwater flow problems, such as poor applicability and low computational efficiency under irregular boundary conditions. In recent years, although methods based on radial basis function (RBF) have improved in accuracy, they still face the problem of insufficient flexibility in high-dimensional space. This article proposes a new method for predicting stable groundwater seepage, using the multiple quadratic curve (MQ) numerical method to address this challenge. We first use RBF interpolation to decompose the groundwater flow field, and then solve the corresponding linear equation system to obtain a numerical solution for stable groundwater seepage. This method abandons the traditional construction of grids and elements, provides greater flexibility in high-dimensional space, and adopts a node based approximation method to ensure computational accuracy. The experimental results show that this method performs well in simulating groundwater flow and changes, with relative errors as low as a specific value. Compared with higher precision radial basis function methods, this new method improves the accuracy by two orders of magnitude, providing a new solution for accurate prediction of groundwater flow.