持久积淀 今朝待发——访PTC中国区高级副总裁 刘同龙

汽车工业的快速腾飞，竞争的白热化、自主品牌的发展以及“中国制造”向“中国刨造”的转型使得越采越多的汽车厂商将关注焦点转移到新产品，新车型的研发上。如何更快、更好地进行新产品的研发成为汽车业界最关注的焦点话题。作为PLM（产品生命周期管理）这一领域的领军者、PTC等今天似乎已经等了太久……     

布敦岩改性沥青路用性能评价的研究

介绍了印尼布敦岩沥青的形成及改性机理。并且通过室内对掺加不同剂量的混合料进行车辙试验、低温弯曲试验、水稳定性试验评价和在高速公路路面中的应用。证明布敦岩改性沥青具有良好的路用性能。     

基于有向图的CBTC仿真系统数据库设计

本文介绍基于通信的列车运行控制系统CBTC仿真系统的结构与设计原理,以及数据库在CBTC仿真中的应用,分析有向图理论在数据库设计中的应用,并介绍CBTC仿真中数据库的设计及实现.     

青藏公路沿线多年冻土的分布特点及发育特征

基于多年钻探、地质雷达勘测、地温观测等现场资料,从海拔高度、纬度、地形和地表水体等方面阐述青藏公路沿线多年冻土分布特征;又分别从热交换和地热、岩性对多年冻土的影响阐述青藏公路沿线多年冻土的发育特征。     

MA混凝土配合比研究综述

引言 混合骨料（MA）混凝土（即次轻混凝土．国外也称特定密度混凝土）是在普通骨料混凝土与轻骨料混凝土基础上发展起来的一种复合骨料混凝土,不但能够改善普通混凝土性能的不足．同时也能提高陶粒混凝土的强度．兼具二者的优点。对于陶粒混凝土来说．其强度低．弹性模量小．加入碎石后,骨料的骨架作用明显提高,强度明显提高．有利于提高轻骨料混凝土的强度、弹性模量,减小徐变。     

基于标幺化均值的大功率PWM整流器故障诊断

在对大功率PWM整流器的网侧故障电流畸变现象进行研究的基础上,通过引入交直流中点电位差和网侧故障电流的标幺化均值及交流网侧电流的标幺化均值作为故障特征量形成了标幺化均值法．综合其软硬件实现难度及故障诊断速度来看,标幺化均值法在网侧故障电流畸变的情况下诊断PWM整流器主回路的开关管断路故障时比现有方法容易实现,可靠性更高．     

二维数字试件中骨料模型分析

建立混凝土的细观数字试件,进行数值模拟试验,探讨骨料体积率、骨料级配对混凝土的力学性能的影响具有重要的意义。二维数字试件是采用广泛的一种模型,其中的骨料面积率、剖面级配与三维模型中的骨料体积率和体积级配的关系还没有专门的探讨,然而此项工作对二维数字试件的建立与应用具有很大影响。本文以计算机试验为手段,针对随机的三维骨料投放进行大量的计算机模拟试验,阐述骨料面积率、剖面级配与骨科体积率和三维级配的规律,建立了二维数字试件模型中骨料模型,为二维细观数字试件的研究奠定了基础。     

基于2FSK的ICPT系统高速信号传输方法

针对感应耦合电能传输(ICPT)系统信号传输存在信号幅值衰减和较强电磁干扰的问题,基于2FSK调制解调方式,提出了一种新型的高速信号传输方法.该方法在不增加系统主电路能量耦合线圈以及不影响主电路正常工作的前提下,实现了高速信号传输.分析了不同结构下主电路信道的阻抗和频域响应特性,确定了调制解调方法及其实现方案,并搭建了系统实验平台,在2.5和1.7 MHz的载波频率下,有效实现了100 kHz脉冲信号的传输.仿真与实验结果验证了所提出的高速信号传输方法的可行性.      

智能网联车辆加速车道类人化汇入控制研究

为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-network, DQN)算法的ICV汇入控制模型(DQN-RF)。首先,建立路侧数据采集平台,采集了中国G70高速公路加速车道汇入区域HDV的真实汇入过程数据。其次,考虑汇入环境车辆历史数据流和汇入车在加速车道的汇入紧迫度,建立了基于RF算法的类人化汇入决策模型。采用城市交通仿真(Simulation of Urban Mobility, SUMO)平台搭建了高速公路加速车道ICV汇入场景,并基于Python语言建立了ICV汇入控制深度强化学习测试脚本环境,建立了基于DQN的纵向加速度控制算法。最后,将RF汇入决策模型嵌入DQN纵向加速度控制算法中,实现了ICV汇入决策和纵向加速度控制的融合。将SUMO内置的LC2013换道模型与DQN模型融合为DQN-LC2013模型,作为基线模...     

基于机器学习的盾构掘进参数预测

依托济南市济泺路穿黄隧道东线工程,选取1 130组掘进数据,按照施工顺序划分数据集,采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态,分别建立基于长短期记忆模型(Long-Short Term Memory, LSTM)、随机森林模型(Random Forest)和BP神经网络的盾构隧道掘进参数预测模型,详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：(1)LSTM模型在按施工顺序预测盾构总推力和掘进速度时,平均相对误差仅为3.72%和7.41%,模型训练时间均在20 s以内,整体表现优于随机森林模型和BP神经网络;(2)在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时,总推力和掘进速度出现较大波动,LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%,且总体误差满足施工要求;(3)随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大,数量偏多,因此在按施工顺序预测时不是优选。