面向多源异构信息融合的隧道群组装备数据提取技术研究

为保证隧道施工多源异构设备数据的有效采集，针对施工群组装备运行数据特征，开展散布、异构设备数据的并行采集方案及技术研究； 在先行构建出数据采集系统框架、采集实施流程的基础上，针对设备多维、连续数据生成的特点，开展基于流数据管理（stream-based date management， DSM）的技术方法探究； 通过构建多并发数据采集（forward-oriented optimal concurrency control， FOCC）系统，实现多源异构数据的集采、并采。通过重点对前向乐观并发数据采集管理、采集设备自动组网技术方案进行研发实践，研发多协议集成、多接口并发采集、自组网、自主发送的“数据采集终端”，成功实现了龙门吊、泥水分离系统等隧道施工装备运行数据的实时提取。研究证明，提出的多数据并采技术方案可有效解决多源异构数据采集问题。     

西韩城际铁路湿陷性黄土地层现场浸水试验研究

在分析西韩城际铁路沿线黄土分布特征的基础上,选取代表性场地开展现场试坑浸水试验。试验结果表明:场地实测最大自重湿陷量为46 mm,仅为室内压缩试验计算值的0.23倍;湿陷土层厚度15 m,除Q;黄土全部具有湿陷性外,Q;上部黄土亦具有湿陷性;地表水自然入渗深度超过50 m,浸润角约为40°,浸润范围约为浸水试坑直径的1.7倍。对现场实测值和室内计算值差异原因进行深入分析,得出在黄土结构未完全破坏之前,发生过湿陷的土体在特定条件下还有可能再次湿陷的结论。     

大跨径斜拉桥悬臂施工线型控制技术探讨

国内大跨径的斜拉桥的建设工程不断增多,有效的控制主梁悬臂的施工线形控制是确保斜拉桥合龙的关键,同时也是确保桥梁质量控制和建设安全的重点部分。而在施工时受多种因素的影响,进而导致线型的控制存在一定的难点。在下文中以某特大桥为实际案例,进一步探讨斜拉桥悬臂施工线型的控制,进而为后续其它类似工程提供一定的参考价值。     

国产密码在铁路调度应急指挥系统中的应用研究

通过研究国产密码(简称:国密)的核心算法、典型应用场景及应用现状,结合铁路调度应急指挥系统的实际需求,解决系统中的安全方案设计、数据传输加密问题。详细阐述了国密在铁路调度应急指挥系统中的应用,得出铁路调度应急指挥系统的安全架构、身份认证和数据加密传输等方案,对于维护系统数据完整性,保障信息安全、提高安全防护等级等有着重要的作用。     

铁路局集团公司客票系统网络安全态势感知技术的研究

针对铁路局集团公司客票发售和预订系统（简称：铁路局客票系统）存在难以全面把控网络安全态势的问题，从数据采集与预处理、态势评估与预测及态势感知可视化3个角度，研究铁路局客票系统网络安全态势感知关键技术，提出适合我国铁路局客票系统安全保护场景的网络安全态势感知可视化方法，可为铁路局客票系统的安全防护提供参考。     

东海大桥桥墩过度冲刷区域防护技术研究

东海大桥桥墩区域发生严重冲刷现象,部分群桩桥墩冲刷深度已超过设计警戒值,为确保大桥安全,对桥墩区域实施护底防护措施。本文根据东海大桥过度冲刷区域防护试验工程实践,介绍了工程的设计方案、施工工艺和关键技术以及试验效果,为类似工程提供了参考和指导。     

新型明桥面轨枕板式无砟轨道结构参数研究

钢桁梁桥由于其承载性能好和跨越能力较强等优点,在大跨度铁路桥梁中被广泛采用。但大跨度钢桁梁桥具有跨中挠度大、梁端转角大和温度变形敏感等特点,为了减小大跨度钢桁梁桥二期恒载、适应桥梁变形特性,在大跨度钢桁梁桥上采用新型明桥面轨枕板式无砟轨道结构。以南沙港铁路某大跨度钢桁梁桥铺设新型明桥面轨枕板式轨道为背景,采用有限元法建立大跨度钢桁梁桥上轨枕板式无砟轨道结构计算模型,研究了轨枕板结构参数对轨道受力与变形的影响,确定轨道结构的合理尺寸与参数。结果表明:轨枕板的外形尺寸直接影响其受力和变形特征;板下垫层的厚度对垫层的受力特性的影响较大;建议南沙港铁路某大跨度钢桁梁桥上采用具有2组承轨台、宽度为2800 mm的轨枕板,轨枕板厚度为280 mm,板下垫层厚度为120 mm。     

基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。