舰船海上数据浮标的水动力分析

由于受到人为等因素的影响,使得我国海洋中的自然灾害发生频率有所增大。因此,加大对海洋环境的监测力度显得尤为必要。舰船海上数据浮标通过搭载相关的仪器设备能够对海洋水文信息进行观测,依托这些信息可以为海洋资源的开发利用和各类灾害的防控提供可靠依据。为了确保海上数据浮标搭载的各种仪器设备能够保持稳定运行,必须确保浮标本身的可靠性。本文从舰船海上数据浮标的作用入手,分析了舰船海上数据浮标的水动力。     

铁路数字移动通信系统网络数据编号方案探讨

对繁杂的铁路数字移动通信系统(GSM-R)编号数据进行了梳理,将GSM-R编号数据划分为3层逻辑关系,明确了每层逻辑关系对应的数据表格。以郑渝高铁编号方案为例,对GSM-R网络编号中特殊情况的处理办法进行了讨论。     

盾构管片模具三维激光扫描检测关键技术

目前盾构管片模具主要采用传统的人工和激光跟踪测量技术进行检测,存在检测点位少,精度低等缺点,不能很好地指导管片模具的修复工作,直接影响到管片尺寸的生产精度,易造成盾构隧道管片破损、开裂及渗漏水等现象,为后期的运营埋下了安全隐患。宁波市轨道交通利用三维激光扫描技术对管片模具进行检测,通过理论分析、现场试验及数据分析,确定了点云数据的拼接方式、扫描分辨率、基准模型及模型对齐的方式,成功克服了现有的管片模具检测中存在的测量点位少、精度低等缺点,实现了对管片模具的全方位检测,大大提高了管片模具的检测精度。同时在参考现有规范及经验的基础上,制定出了盾构管片模具三维激光扫描检测标准,很好地指导了管片模具的修复工作,提高了盾构管片尺寸的生产精度,确保盾构隧道的施工质量。     

基于BIM技术的装配式高层住宅预制构件库的建立及数据开发

预制构件库是BIM技术应用于装配式高层住宅结构设计的基础,采用参数化实现构件的拼装,也是现实预制构件生产的依据。依托中国铁建·御湖项目,对装配式高层住宅的预制构件库的建立及数据开发进行研究,对预制构件库的建立中阐述了入库的预制构件分类、预制构件的编码和预制构件信息的创建,尝试利用Microsoft SQL Server 2008 R2作为数据库开发工具,以SQL作为数据库查询和程序设计语言,实现预制构件数据的存储以及查询、更新和管理,为预制装配式高层住宅的建设提供良好的预制构件管理工具。     

考虑对地航速和航向的船舶典型轨迹提取方法

基于船舶自动识别系统(Automatic Identification System, AIS)数据的船舶典型轨迹挖掘需要经过两个重要步骤，一是压缩 AIS 数据，二是聚类压缩后的 AIS 数据。传统的DP(DouglasPeucker)压缩算法，只考虑船舶轨迹的压缩形状，忽视了船舶航行中其他重要信息。为解决此问题，把对地航速和航向加入到DP算法的压缩过程中。在AIS轨迹聚类方面，传统谱聚类方法只对船舶轨迹的位置进行相似性度量，没有考虑船舶轨迹的其他维度，针对此问题，提出多属性轨迹相似性度量方法。由于不同的输入参数影响着最终的聚类质量，引入Calinski-Harabasz指标评价谱聚类算法，实现聚类参数的自适应选择。利用山东威海水域的实际AIS数据进行实例研究，并与传统谱聚类算法做比较实验。实验结果表明，利用该方法提取到的典型轨迹符合真实水域的交通情况，相较于传统谱聚类方法具有更高的聚类质量。     

基于动态称重系统实测轴载分布特征研究

以济青高速改扩建工程为例,利用动态称重系统(Weight-in-Motion,WIM)实测数据分析了2019年至2020年的济青高速公路的交通轴载分布特征,获得了不同轴型车辆的轴载谱变化规律;通过对全年交通量的分析,得到了车道拓宽后的高速公路年平均日交通量调节系数及车辆横向分布系数的变化规律.研究结果表明:采用轴载谱的方法可以更加全面、精确地分析交通荷载对路面结构产生的破坏机理,可以为类似区域条件下道路设计分析提供基本的交通输入参数.     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。