深层水泥搅拌法加固引桥地基效果分析

依托天津某引桥地基加固工程,采用有限元法对该工程进行了数值模拟,并将数值模拟结果与现场实测数据进行了对比分析。结果表明,土压力和孔隙水压力的数值计算结果与实测结果符合较好,证明了数值模型的合理性;变形计算结果表明,深层水泥搅拌法很好地控制了地基变形,证明了该方法的有效性。     

长江口深水航道整治工程影响数值研究*

长江口深水航道整治工程使得南港北槽开通12.5 m水深航道,长江口河势及不同汊道动力条件随深水航道整治工程的完工发生了一系列的变化。利用长江口深水航道整治工程实施前后地形资料,分析出工程对长江口各汊道的地形变化的影响,同时应用上海河口海岸科学研究中心自主开发的平面二维模型模型计算了长江口流场变化,给出南北港、南北潮涨落潮分流比的变化,并分析了导致这种变化的主要原因。     

某海域松散砂层钻探成孔问题的探讨

针对某港口工程海域松散砂层钻探成孔中,多次出现的塌孔和涌砂致使取土困难不能进行原位测试的问题,在实际操作中经过反复试验,采用加重泥浆护壁和投放粘土球等办法,增加钻孔孔底的压力和孔壁的泥皮厚度,使层压水不易向钻孔内渗流,并通过适当控制钻进速度最终解决了钻探成孔问题,保证了工程地质勘察资料的准确性、真实性.     

长板短桩复合地基试验研究

通过对长板短桩复合地基处理深厚软基的方法在广东省内某高速公路中的现场试验,表明该方法能够显著提高地基的极限承载力,加快填土速度。填土期间地基中搅拌桩能有效约束深层土体侧向位移,但路基沉降速率较大;相对常规排水预压法,该方法可以减少沉降总量,但后期沉降速率收敛缓慢,对于减少预压时间和工后沉降作用不明显;试验区桩土应力比较小,且总体上体现出填土期迅速增大,预压期逐渐减小的特征。     

采用深基坑法对盾构机纠偏综合施工技术

在盾构法隧道施工中,若盾构机偏离设计轴线较大,自身无法拟合至线路轴线,况且亦无法通过调线方式补救时,可以采取开挖深基坑的方法尝试纠偏。一般基坑开挖均在没有或仅有小型障碍物的情况下进行,盾构机存在的环境下深基坑开挖较为少见。结合某工程实例,针对盾构机存在的特殊性,在常规基坑开挖的基础上,大胆采用了盾体支撑技术,先撑后挖,同时辅以桩外土体加固措施,克服了地质条件差、地下水丰富、周边环境复杂、基坑形状不规则、施工难度大等不利因素,顺利完成了基坑封底,成功实现盾构纠偏,使深基坑法对盾构纠偏成为可能。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于强化学习的干线信号混合协同优化方法

交通拥堵已成为很多大中城市普遍存在的社会问题。信号控制作为缓堵保畅的重要措施之一，愈发受到社会关注。信号优化手段可分为模型驱动和数据驱动两类，且随着交通大数据的不断充实，基于强化学习的数据驱动方法日益成为新兴发展方向。然而，现有数据驱动类研究主要偏重于决策模型设计，缺乏对智能体结构的探讨；同时，在多路口协同方面多采用分布式策略， 忽略了智能体之间信息交互，无法保障区域层面的整体最优性。为此，本文以干线信号为对象， 构建一种多智能体混合式协同决策的信号优化方法。首先，针对交通状态的多样性、异构性及数据不均衡性，设计分布训练-分区记忆的单智能体决策模型，并优化状态空间和回报函数，界定单路口控制的最佳方案；其次，融合分布式和集中式学习的模型优势设计多智能体交互方法，在单路口分布式控制的基础上，设置中心智能体评价局部智能体的决策行为并反馈附加回报以调整局部智能体的决策模型，实现干线多信号的协同运行。最后，搭建仿真平台完成效果测试与算法对比。结果表明：新方法与独立优化和分布式协同相比，在支路交通流基本不受影响的前提下， 干线停车次数分别降低了14.8%和13.6%，具有更好的控制效果。     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联，提出一种基于驾驶状态的危险路段识别方法，辨识和分析不同风格驾驶人具有潜在风险的路段，并提出优化方案。首先，通过实车实验采集驾驶人行为及生理指标数据，使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型，并依据行为特征对驾驶风格进行差异性 分析；其次，采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型，通过GPS(Global Positioning System)点位对应实现危险路段辨识，并基于驾驶风格差异，从驾驶人感知、操纵与生理角度对危险路段进行致因分析；最后，将生理与道路线形作为优化参考，以车速建议为着力点进行多元回归分析，并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型，3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段；海拔提升可加速危险驾驶状态的出现，各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长，激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张；下行时，谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态，激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求，为线形设计与交通管理措施制定提供理论依据。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。