1. Бова В.В., Дуккардт А.Н. Применение искусственных нейронных сетей для коллективного решения интеллектуальных задач // Известия ЮФУ. Технические науки. 2012. № 7. С. 131–138.
2. Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. СПб.: Питер, 2021. 480 с.
3. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. 738 p.
4. Murphy K.P. Machine Learning: a Probabilistic Perspective. Cambridge University Press, 2013. 1067 p.
5. Быстрый старт в искусственный интеллект. Онлайн-курсы. URL: https://www.stepik.org/course/80782/promo (дата обращения: 24.09.2021).
6. Спижевой А.С., Баландин Д.В. Понижение размерности пространства признаков в задаче автоматического определения пола человека // Труды НГТУ им. Р.Е. Алексеева. 2020. № 2 (129). С. 42–51.
7. Солнцев Ю.П., Пряхин Е.И. Материаловедение: учебник для вузов. Изд. 7-е. СПб.: Химиздат, 2020. 784 с.
8. Каблов Е.Н. Материалы нового поколения и цифровые технологии их переработки // Вестник Российской академии наук. 2020. Т. 90. № 4. С. 331–334.
9. Каблов Е.Н. Инновационные разработки ФГУП «ВИАМ» ГНЦ РФ по реализации «Стратегических направлений развития материалов и технологий их переработки на период до 2030 года» // Авиационные материалы и технологии. 2015. № 1 (34). С. 3–33. DOI: 10.18577/2071-9140-2015-0-1-3-33.
10. Бузник В.М., Каблов Е.Н., Кошурина А.А. Материалы для сложных технических устройств арктического применения // Научно-технические проблемы освоения Арктики. М.: Наука, 2015. С. 275–285.
11. Каблов Е.Н., Старцев В.О. Системный анализ влияния климата на механические свойства полимерных композиционных материалов по данным отечественных и зарубежных источников (обзор) // Авиационные материалы и технологии. 2018. № 2 (51). С. 47–58. DOI: 10.18577/2071-9140-2018-0-2-47-58.
12. Орешко Е.И., Ерасов В.С., Крылов В.Д. Построение трехмерных диаграмм деформирования для анализа механического поведения материала, испытанного при различных скоростях нагружения // Авиационные материалы и технологии. 2018. № 2 (51). С. 59–66. DOI: 10.18577/2071-9140-2018-0-2-59-66.
13. Антипов В.В., Орешко Е.И., Ерасов В.С., Серебренникова Н.Ю. Гибридные слоистые материалы для применения в условиях Севера // Механика композитных материалов. 2016. Т. 52. № 5. С. 687–698.
14. Гаврюшина Н.Т., Букеткин Б.В. Исследование прочности армированных композитных образцов при трехточечном изгибе // Наука и образование: электрон. науч.-техн. изд. МГТУ им. Н.Э. Баумана. 2014. № 12. С. 128–136. URL: http://www.technomag.bmstu.ru (дата обращения: 03.10.2021). DOI: 10.7463/0815.9328000.
15. Федюк Р.С., Лисейцев Ю.Л., Таскин А.В. и др. Повышение ударной вязкости фиброзолобетона. Строительные материалы и изделия. 2020. Т. 3. № 6. С. 5–16.
16. Бугаев В.Г., Новиков В.В., Молоков К.А., Славгородская Д.В. Численный анализ ударных давлений на борт при движении судна во льдах // Морские интеллектуальные технологии. 2020. № 2-1 (48). С. 47–55.
17. Нагиева Н.М. Циклическая прочность призматического бруса овального поперечного сечения при знакопеременном кручении // Тяжелое машиностроение. 2019. № 9. С. 33–36.
18. Цыбулько А.Е., Романенко Е.А. Условия прочности при изгибе и кручении по известным теориям предельного состояния // Кузнечно-штамповочное производство. Обработка материалов давлением. 2020. № 1. С. 3–6.
19. Ильичев А.В., Губин А.М., Акмеев А.Р., Иванов Н.В. Определение области максимальных сдвиговых деформаций для образцов углепластика по методу Иосипеску, с использованием оптической системы измерений // Труды ВИАМ. 2018. № 6 (66). Ст. 10. URL: http://www.viam-works.ru (дата обращения: 10.03.2021). DOI: 10.18577/2071-6046-2018-0-6-99-109.
20. Орешко Е.И., Ерасов В.С., Ястребов А.С. Прогнозирование прочностных и деформационных характеристик материалов при испытаниях на растяжение и ползучесть // Материаловедение. 2019. № 1. С. 3–9.
21. Ерасов В.С., Орешко Е.И. Оценка качества материалов при испытаниях на ползучесть // Электрометаллургия. 2020. № 9. С. 30–39.
22. Павлов П.А. Основы инженерных расчетов элементов машин на усталость и длительную прочность. Л.: Машиностроение, 1988. 252 с.
23. Локощенком А.М., Наместникова И.В., Шестериков С.А. Описание длительной прочности при ступенчатом изменении напряжения // Проблемы прочности. 1981. № 10. С. 47–51.
24. Ерасов В.С., Орешко Е.И. Испытания на усталость металлических материалов (обзор). Часть 1. Основные определения, параметры нагружения, представления результатов испытаний // Авиационные материалы и технологии. 2020. № 4 (61). С. 59–70. DOI: 10.18577/2071-9140-2020-0-4-59-70.
25. Ерасов В.С., Орешко Е.И., Луценко А.Н. Образование новых поверхностей в твердом теле на стадиях упругой и пластической деформаций, начала и развития разрушения // Труды ВИАМ. 2018. № 2 (62). Ст. 12. URL: http://viam-works.ru (дата обращения: 03.10.2021). DOI: 10.18577/2071-6046-2018-0-2-12-12.
26. Гуляев А.И., Ерасов В.С., Орешко Е.И., Уткин Д.А. Анализ разрушения углепластика при выталкивании мультифиламентного цилиндра // Клеи. Герметики. Технологии. 2021. № 1. С. 28–35.
27. ГОСТ 56232–2014. Определение диаграммы «напряжение–деформация» методом инструментального индентирования шара. М.: Стандартинформ, 2014. 44 с.
28. Образцов С.М., Биржевой Г.А., Конобеев Ю.В., Рачков В.И. Нейросетевые эксперименты по взаимовлиянию легирующих элементов на механические свойства ферритно-мартенситных сталей с 12-процентным содержанием хрома // Известия вузов. Ядерная энергетика. 2008. № 3. С. 119–124.
29. Аборкин А.В., Ваганов В.Е., Алымов М.И., Елкин А.И., Букарев И.М. Физико-механические свойства и износостойкость покрытий системы CrN/AlN, полученных магнетронным распылением // Известия вузов. Порошковая металлургия и функциональные покрытия. 2017. № 3. С. 65–74.
30. Качановский Ю.П., Коротков Е.А. Основные принципы построения нейросетевой модели формирования свойств автолистовой стали // Вести высших учебных заведений Черноземья. 2009. № 4 (18). С. 70–74.
31. Смирнова Н.А., Замышляева В.В., Лапшин В.В. и др. Использование информационных технологий для прогнозирования деформационных свойств эластичных тканей при пространственном растяжении // Дизайн и технологии. 2018. № 68 (110). С. 74–79.
32. Карнаух С.Г., Винников М.А., Карнаух Д.С. Применение критериев разрушения материалов для выбора способа разделения сортового проката // Обработка металлов давлением. 2011. № 1 (61). С. 25–31.
33. Мешалкин В.П., Дли М.И., Стоянова О.В. Исследование искусственных нейронных сетей, используемых для моделирования свойств создаваемых композиционных материалов // Химия и химическая технология. 2011. Т. 54. Вып. 5. С. 124–127.
34. Gholampour Ali.A., Mansouri I., Kisi O., Oxbakkaloglu T. Evaluation of mechanical properties of recycled aggregate concrete using LSSVR, MARS, and M5Tree models // Neural Computing and Applications. 2018. URL: https://www.researchgate.net/publication/326623737 (дата обращения: 03.10.2021).
35. Chen Li. A Multiple Linear Regression Prediction of Concrete Compressive Strength Based on Physical Properties of Electric Arc Furnace Oxidizing Slag // International Journal of Applied Science and Engineering. 2010. Vol. 7. No. 2. P. 153–158.
36. Nik M.A. A comparative study of metamodeling methods for the design optimization of variable stiffness composites // Composite structures. 2014. No. 107. P. 494–501.
37. Arafa M., Alqedra M., An-Najjar H. Neural Network Models for Predicting Shear Strength of Reinforced Normal and High-strength Concrete Deep Beams // Journal of Applied Science. 2011. No. 11 (2). P. 266–274.
38. Narayan V., Abad R., Lopez B. et al Estimation of Hot Torsion Stress Strain Curves in Iron Alloys Using a Neural Network Analysis // ISIJ International. 1999. Vol. 39. No. 10. P. 999–1005.
39. Васильев А.Н., Тархов Д.А., Шемякина Т.А. Нейросетевой подход к задачам математической физики. СПб.: Нестор-История, 2015. С. 216–220.
40. Чуканов А.Н., Хонелидзе Д.М., Гвоздев А.Е., Сергеев А.Н. Нейронные сети в прогнозировании длительной прочности сталей в условиях водородной стресс-коррозии // XV Международный конгресс сталеплавильщиков. Тула, 2018. С. 612–617.
41. Орехова Е.Е., Абрамов А.А., Андреев В.В. Разработка методики определения предела выносливости металлов с учетом влияющих факторов на основе искусственной нейронной сети // Современные проблемы науки и образования. 2014. № 6. С. 194.
42. Муравьев К.А., Макаренко В.Д., Евпак Т.Ф., Бондарев А.А. Нейросетевой анализ показателей трещиностойкости сварных соединений конструкционных сталей // Компрессорное и энергетическое машиностроение. 2014. № 1. С. 21–25.
43. Mishulina O.A., Kruglov I.A., Bakirov M.B. Neural networks committee decision making for estimation of metal’s hardness properties from indentation data // Optical Memory and Neural Networks (Information Optics). 2011. Vol. 20. No. 2. P. 132–138.
44. Бакиров М.Б., Мишулина О.А., Киселев И.А., Круглов И.А. Исследование возможности восстановления диаграмм деформирования с помощью нейросетевого подхода // Заводская лаборатория. Диагностика материалов. 2010. Т. 76. № 7. С. 42–48.