盾构曲线段施工地表沉降监测与变形规律研究

研究直径 10． 0 m 的土压平衡式盾构机曲线 段的施工地表沉降变形规律。以北京地铁某盾构区间 曲率半径 Ｒ = 350 m 和 Ｒ = 354 m 两处曲线施工段为监 测对象,以几何水准测量为监测方法,通过对监测数据 的分析得到如下结论: 沉降变形主要经历前期沉降、盾 尾脱出后沉降、注浆隆起、稳定沉降、后期沉降 5 个阶 段,最终变形值分布包络图近似呈偏正态分布,对称轴 线偏于曲线内侧。     

临近既有线的地道软土深基坑支护技术

庄桥站旅客地道为临近既有线软土深基坑工程,面临列车动载大、软土侧压力大、土体渗流明显等基坑危害.通过优化设计,解决基坑支护安全性与经济性的矛盾.同时,在施工过程中,通过实时监测、变形预警和信息化施工等手段确保方案落实,减少动载振动影响和开挖时空效应.     

青藏线格拉段5T综合预报关联TFDS信息的探讨

为提高车辆红外轴温探测系统THDS的兑现率,现以青藏线格尔木—拉萨段实施的5T系统预报为基础,关联TFDS信息,进行了热轴综合预报探讨。文中给出了关联TFDS信息的解决方案,应用效果良好。     

成都地铁2号线东延段高架车站主体结构设计

研究成都地铁2号线东延段高架车站的结构设计问题.对车站独柱大悬臂桥墩结构进行内力变形控制和结构整体动力特性分析,总结该形式车站的结构特点和设计控制关键,为类似的高架车站结构设计提供参考.     

高速公路隧道穿越滑坡段变形机制与处治技术

以奉(节)巫(溪)高速公路孙家崖隧道为工程依托,探讨隧道穿越滑坡体时隧道施工对滑坡体的影响机制与处治技术。在滑坡形成机理与变性特征分析的基础上,基于理论研究和数值分析方法提出针对性的滑坡体综合防治措施设计;采用多方位的监控量测措施全程监控了隧道开挖施工扰动对滑坡体形变的影响,并由此探讨隧道与滑坡体之间的相互作用机制。研究结果表明:滑坡体抗滑桩处治方案减小了隧道开挖对滑坡体稳定性产生的不利影响;隧道支护措施能同抗滑桩支挡结构一起组成组合抗滑结构体,有利于滑坡体的稳定。     

塑料排水板堆载预压法处理软基的固结效果

结合某填海造地道路地基处理工程实例,探讨塑料排水板堆载预压法的加固机理;基于现场软基沉降监测实测数据,采用双曲线法对加固后的软土地基沉降进行预测,并分析地基的最终沉降量及固结度。研究结果表明:塑料排水板堆载预压法在软基处理中的加固效果较好,堆载预压结束后,软基固结度可达到80%～95%,满足设计要求。     

盾构施工参数对地铁穿越公路桥梁桩基的影响

为了提升地铁穿越公路桥梁桩基的稳定性,考察了盾构施工过程中开挖步数、掌子面推力和注浆压力对桩基变形的影响。结果表明,随着开挖步数的增加,桩基横向水平位移与桩身埋深关系曲线逐渐转变为“鼓凸”状,且随着开挖步数增加,桩基横向水平位移呈现逐渐增大的趋势。掌子面推力不会对桩基横向位移造成明显影响,但随着掌子面推力逐渐增大,桩基纵向位移呈现逐渐增大的趋势;随着注浆压力增加,桩体横向位移逐渐增大而纵向位移逐渐减小。在对地铁穿越公路桥梁桩基进行盾构施工过程中,可以通过调整注浆压力来对桩体变形进行控制,从而最大限度的保证桩体的稳定。     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。