管路系统振动性有限元计算研究

着重介绍了应用有限元法对柴油机及其隔振装置中管路系统结构振动特性的初步研究成果，包括管路系统的建模、根据计算软件进行模型转换、计算结果与试验结果的比较等。     

LiDAR数据在公路测设中的精度改善技术研究

通过修正LiDAR点云的滤波处理结果,根据工程应用的需求,将高速公路和桥梁上的非地面点提取出来与地面点合并作为地形点.并添加高速公路路面边缘的三维矢量线作为约束条件进行联合建模,以达到补充桥梁和路面数据点的目的,从而提高数模精度.     

基于蚁群算法的交通信号控制

交通信号控制可以有效地调节车流量，避免冲突和减少交通拥堵。蚁群算法具有信息分散性、群体性、随机性和自组织的特点，这些特点恰好符合交通流网络的特性。计算仿真结果表明，该方法优于传统的交通信号控制方法，尤其是在交通流很大的情况下更能体现方法的优越性。     

重载对以弹性模型表征的沥青路面使用性能的影响

利用ABAQUS有限元分析软件,采用弹性本构模型表征沥青混合料的材料性质,结合JTG D50-2017《公路沥青路面设计规范》,分析重载对沥青路面使用性能的影响。结果表明,路表弯沉随着轴重的增长呈线性增长,重载会大大降低结构承载能力;重载作用使路面结构产生相同永久变形量所需荷载作用次数急剧降低;随着轴重的增加,中面层中的剪应力线性增长,加速沥青路面的剪切破坏;沥青面层和无机结合料层的疲劳寿命随轴重的增加呈幂函数形式减小;土基顶面产生相同压应变所需轴载作用次数随轴重的增加急剧减小。     

古塔变形分析模型

根据2013年全国大学生数学建模比赛C题中某古塔4年的观测数据,给出了确定古塔各层中心位置的通用方法,建立了最优化模型,用Lingo软件求得4次测量的古塔的各层中心坐标。以斜率、曲率、投影、均方差、拟合等知识为基础,对倾斜度、弯曲度、扭曲度三个指标进行定义,结合使用Excel和Matlab软件对古塔变形情况进行量化分析,最后根据得到的数据对古塔的变形趋势进行预测。     

不可压缩液体中A由气核分叉特性研究

空化气泡会引起强烈的声辐射和舰船壳体振动，自由气核振动的跨临界分叉研究对寻求空化气泡的生成机理具有重要意义。通过建立不可压缩液体中自由气核的振动模型，由中心流形定理对该振动模型进行约化，得出中心流形上的跨临界分叉方程，通过该振动模型的分叉研究，提出了产生气泡的新机理，并进行了仿真实验加以验证。仿真结果表明，跨临界分叉是自由气核产生气泡的一条途径。     

一汽奔腾B50同源而生

当人们正为第一款奔腾B70的下线而欢呼时，一汽人就已经开始紧锣密鼓，为进一步完善自身的产品线而精谋细化，力争尽决以产品的多样化来满足决速发展的市场需求。经过短短两年的发展，这个产品线就“抚育”出了系列兄弟奔腾B50，哥俩诞生在相同的技术研发平台，并与新MAZDA6（睿翼）共线生产，这个高起点的平台为同胞“小弟”奔腾B50强健的“体魄”、完善的“器官”、全身的“防御”、超凡的“功力”，打下了坚实可靠的基础，犹如哪吒横空出世……     

考虑汉语句子阅读阈限的交通辅助标志字高设计

为保障驾驶员对交通辅助标志的有效视认,运用实验方法,研究辅助标志字高设计.建模分析驾驶员对交通标志信息的视认过程,构建基于车速和字数的交通辅助标志字高模型;设计实验分析交通辅助标志汉字阅读阈限;根据阅读阈限,分别确定门架式和悬臂式两种交通辅助标志在不同速度和字数条件的最小字高要求,并与《道路交通标志和标线(第2部分):道路交通标志》(GB 5768.2-2009)进行比较分析.结果 表明:(1)当辅助标志字数超过7个,不同字数句子的阅读阈限存在显著差异,阅读阈限的增速随字数的增加逐渐提高;(2)交通辅助标志的字高随车速和汉字字数的增加而增加;(3)国标(GB-5768)的字高设定对15字以内的辅助标志适用,对120 km/h道路中16字以上的长标志不满足阅读阈限要求.     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。