欧洲统一规范Eurocode 1-船撞桥梁偶然作用评述

总结了欧洲统一规范Eurocode 1在冲击和爆炸偶然作用设计方面的总体思想和关键条文,对其关键条文如船撞力、船只撞桥概率和桥梁倒塌概率作了详细解释和推理后,指出其在上述方面存在的不足之处,并提供了相应的修改建议,以供国内桥梁船撞设计、研究对比和参考.     

船撞桥事故综述

文中对国外、国内的船撞桥事故进行了综述。在大量调研的基础上 ,建立了我国船撞桥事故数据库。大量的事实和研究表明 ,无论是桥梁工程师还是船舶工程师 ,都应对船撞桥问题引起重视 ,并积极探索减少船撞桥事故率、降低船撞桥风险的方法和途径     

崇启大桥运营期船撞风险评估

桥梁运营期的船撞风险已逐渐成为桥梁工程面临的尖锐问题之一,因此对桥梁运营期的船撞风险进行风险评估具有重要意义.结合崇启通道工程,运用AASHTO指南方法对崇启大桥运营期各桥墩年船撞概率及年倒塌概率进行计算,对崇启大桥运营期的船撞风险进行了评估.崇启大桥运营期总体船撞风险评估等级为三级,属于中等风险水平.需要工程建设参与方以及运营管理方引起足够重视,采取防范、监控措施.     

安庆长江铁路大桥防船撞研究

根据美国阿肯色河桥和广东九江大桥船撞非通航孔桥墩时的速度,质疑美国公路桥梁设计规范中"船偏离航线速度正比下降"的方法。符合实际地总结出"失舵不失速"的工况,结合安庆铁路桥的防撞研究,对船撞桥速度的选取、船撞力和需设防桥墩数目的确定提出了见解,并对防撞方案进行了探讨。     

桥墩主动防船撞系统的研究

为确保桥梁水域桥墩安全与船舶通航安全,通过对长江水域船舶通航环境与水域安全现状以及船撞桥事故统计分析,提出开展桥墩主动防船撞系统研究的必要性。利用船舶操纵理论与船间水动力干扰相关理论,建立了船间临界失控水动力干扰模型,并据此建立了桥墩主动防船撞系统,将桥墩由被动结构防船撞转变为非结构主动防船撞,并在此基础上开发出了桥墩主动防船撞系统原型。创新之处在于,首次利用船舶操纵理论与船间水动力干扰相关理论,建立了船间临界失控水动力干扰模型,首次将桥墩的被动防撞转变为桥墩主动防撞,并开发出桥墩主动防船撞系统原型。     

基于AASHTO规范算法的桥梁船撞风险评估

美国和欧洲规范都将船撞事件处理为风险事件,根据可接受风险的水平来指导桥梁的船撞设计。我国规范是将船撞事件处理为偶然作用,根据航道和通航船舶情况给定设防船撞力。比较而言,我国桥梁船撞设计还没有形成系统的设计思想。因此,采用美国规范算法对嘉陵江渝合东阳镇大桥在近期和中远期通航密度下的船撞风险进行分析,     

失控船舶撞桥概率分析与预报

目前确定船、桥碰撞发生概率的方法,是利用航道内在该桥位处发生意外事故的长期统计资料进行统计分析所得出的概率.文中有别于传统的概率统计或模型分析方法,从船舶失控后的实际运动过程着手,建立相应的数学模型,运用MATLAB开发的软件平台分析失控船舶的漂移情况,确定失控船舶碰撞危险区域,从而得到失控船舶撞桥概率.     

黄海大桥受船撞概率分析

黄海大桥为南通港洋口港区近期人工岛连接临港工业区唯一的陆上交通要道,桥位处近6km的滩涂养殖区存在大量的养殖船舶,以及当地渔民出海捕鱼的船舶,大桥建成后存在被船舶撞击的风险,通过实地调查分析,综合国内外船撞桥数学模型的特点,本文采用以AASHTO模型为基础并结合实际调查资料对黄海大桥船撞桥概率进行研究分析,研究结论对进一步评估该桥存在的风险提供依据。     

基于神经网络和支持向量机的大客车运行车速组合预测

为了降低单个预测方法的不确定性,综合神经网络和支持向量机两种学习型算法,基于二者的最优加权组合对大客车运行车速进行了预测.以二级公路上244个路段的平曲线半径和纵坡度等线形数据和实测车速为样本,分别应用BP神经网络、支持向量机、最优加权组合预测以及线性回归对大客车第85百分位运行车速进行了预测.选择均方根误差和判断系数为评价指标,对比结果表明,最优加权组合预测能够综合单个预测方法的信息,提高了预测精度.     

基于非线性有限元的桥梁船撞分析与撞击力研究

桥梁船撞通常造成很大的风险,其撞击过程是一个复杂瞬态动力过程,现行规范将这种冲击作用以等效静态力的形式施加到桥梁结构上,计算撞击效应。基于一座内河航道上施工中的桥梁受到船只撞击,计入几何和材料非线性,分析其撞击力和撞击损伤效应。并对比研究不同初速度下的数值分析结果、不同规范的等效静力及其与撞击速度的关系,探讨桥梁船撞作用力。在此基础上,讨论了内河航道船舶等效撞击力,在现有规范下,建议了桥梁设计撞击力的参照公式。     

考虑航艏向与数据变化差异的船舶轨迹预测

船舶自动识别系统(Automatic Identify System,AIS)数据可以实时体现船舶当前时刻的具体动态,采用传统BP(Back Propagation)神经网络模型的船舶轨迹分析预测方法,在计算中直接将航艏向数据纳入模型,没有考虑船舶航艏向在零度附近变动时带来的实际方向变动幅度与数据变化幅度存在较大偏差问题。为解决该问题,在BP神经网络基础上,引入双三角函数变换,同时将正弦值与余弦值纳入模型,将两者相结合,从两维度体现航艏向情况;在拟合预测后进行反三角函数变换和平均处理,构建一种基于改进神经网络算法的船舶AIS轨迹预测模型。选取实例数据进行模型验证,实例结果表明,该模型预测结果比不考虑差异方法的误差均方差更小,大幅降低误差幅度,可更精确地预测船舶轨迹。     

基于集成式神经网络的扁平箱梁颤振导数预测

扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁. 为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数. 首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试. 计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.      

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。      

船舶设备风险估计模型探讨

随着船舶设备运行状况复杂化程度越来越明显,风险估计已成为船舶设备管理的一个重要组成部分,但目前完整的船舶设备风险标准和评估体系尚未形成.为此,基于单一设备风险分析,建立了船舶设备总体风险因素指标体系.同时,基于人工神经网络强大的学习能力及任意逼近特性,建立了基于BP神经网络的船舶设备风险估计模型.算例验证表明,该模型实用性强,获得的船舶设备总体风险等级值能够作为采取风险控制措施的依据.     

桥墩局部冲刷深度模糊神经网络解的初步探讨

结合模糊系统和神经网络的优点,建立模糊神经网络桥墩局部冲刷深度的预测模型.用收集到的桥墩局部冲刷数据样本训练并测试模糊神经网络模型.测试结果表明:由模糊神经网络模型得出的桥墩局部冲刷的模拟及预测值与实测值比较吻合.这说明该模糊神经网络模型预测桥墩局部冲刷深度是可行的、有效的.     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

一种航路扇区概率性交通需求预测方法

空中交通拥堵逐渐从终端区向高空航路网络蔓延,准确预测航路扇区交通需 求概率性变化成为科学实施拥堵管理的重要前提,而国外已有方法较难适用我国空管实 际数据条件.为解决该问题,本文基于空管现有航空器过点时间数据,设计了基于预测误 差分布特性的统计方法,提出了航路扇区概率性交通需求预测方法.结合中南地区典型运 行数据,提取并验证了各扇区过点时间的预测误差分布规律,获得了各扇区交通需求值 及其概率分布,发现所得概率性交通需求预测结果较之传统确定性交通需求预测方法更 准确,适合为我国高空航路拥堵管理研究提供需求预测依据.     

基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测, 构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型; 使用多尺度排列熵算法对时间序列进行变点分析, 求解出性能退化过程中的突变点, 得到了有故障征兆的性能退化起始点; 构建了包含多变量的长短时记忆神经网络模型, 将多个状态参数代入到模型中得到对应的剩余寿命; 将变点后的航空发动机多状态参数和剩余寿命作为样本, 代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测; 通过综合航空发动机状态参数变点分析方法和时间序列预测模型, 得到最终的剩余寿命预测结果。研究结果表明: 多尺度排列熵算法能够及时监控各个状态参数的变化, 当发现状态参数异常时, 排列熵的值会发生跳变, 从而有助于及时发现故障征兆; 长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选, 充分保留了有效信息用于时间序列预测; 多变量长短时记忆神经网络能够对多状态参数进行同步分析, 并且将状态参数直接与剩余寿命相对应, 提高了模型效率; 通过多尺度排列熵算法和长短时记忆神经网络模型的结合, 能够考虑到航空发动机的多退化模式, 得到更符合实际退化过程的剩余寿命预测结果; 经过算例分析, 提出方法的剩余寿命预测的均方根误差为5.3, 与长短时记忆神经网络、反向传播神经网络和支持向量机相比, 误差分别降低了63%、72%和78%。