挖掘机定深系统在深中通道沉管隧道减载沉箱基床整平施工中的应用

为解决深中通道西人工岛岛隧结合部E1管节顶部减载沉箱基床整平施工中，因潮位低、流速大、施工条件错综复杂造成的水下人工整平存在的安全风险问题，研究开发挖掘机搭载GPS等自动定位测控系统进行减载沉箱碎石基床整平。该系统通过GPS、双轴倾斜仪计算获得驾驶室的位置、姿态，再通过各个摆臂上的单轴倾斜仪计算获得各个摆臂、挖斗的位置和姿态，以指导驾驶员进行基床整平施工。采用该系统对碎石基床整平后，碎石基床高程验收最大值为+4.2 cm，最小值为-3.5 cm，达到了设计及施工要求，提高了碎石基床整平精度。     

原位自生(TiC+TiB)/Ti6Al4V在300℃干滑动摩擦磨损机制

选用颗粒状TiC和条状TiB复合增强的钛基复合材料,在300℃环境温度和不同载荷下的干滑动摩擦磨损行为及其磨损机制进行研究.利用SEM、ESS、XRD等分析手段,对磨损面、剖面,磨屑等进行观察与分析;总体上复合材料磨损率降低,且增强相含量高的磨损率也低,摩擦系数小而稳定.磨损表面存在氧化物,存在磨屑脱落后的痕迹,从磨损剖面可看到一定厚度的塑性变形层及磨损过程中形成的摩擦层,对磨屑的研究中看到,小载荷时形成尺寸不超过10μm的氧化物粉末磨屑、随载荷增加开始形成10～ 25 μm的粒状磨屑、甚至出现尺寸更大的片状剥落磨屑,从而分析得出,小载荷时以氧化磨损为主,存在轻微的磨粒磨损,载荷较大时则以剥层磨损为主,并存着轻微的氧化磨损.     

对转桨水动力性能实时预报方法

为了实现对转桨水动力性能实时预报，基于BP神经网络构建对转桨水动力性能预报模型。首先，采用低阶速度势边界元法建立对转桨水动力性能预报模型，通过调整来流速度和前后桨转速开展对转桨水动力性能多工况计算，从而获得构建神经网络所需的样本空间。建立适用于对转桨水动力性能预报的神经网络架构，通过训练使其具备良好的泛化能力。以某组对转桨为研究对象开展水动力性能实时预报方法研究，结果表明，采用BP神经网络预报模型可获得与边界元法精度相当的预报结果，但该模型与边界元法相比计算所耗时间可以忽略不计，可有效实现对转桨水动力性能实时、快速预报。     

桩板结构在深厚软基高速公路过渡段处理中的应用

针对高速公路深厚软基过渡段处置的困难与不足，结合公路工程特点，引入铁路领域桩板结构地基处理方法。结合具体工程案例，基于非饱和渗流-固体力学耦合数值分析理论，对比分析一般悬浮桩与桩板结构在过渡段的处理效果并进行关键结构的参数分析。结果表明：对比过渡段工后差异沉降、总沉降、水平位移等评价指标后，桩板结构相比一般方案对过渡段的处置效果更优越；差异沉降受桩体间距影响较敏感，实际设计中需多次试算以保证工程设计经济性；混凝土板厚度是控制差异沉降的关键参数，较大的混凝土板厚度可有效改善深厚软基上各结构间的过渡效果。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.     

云南省民航客运发展预测

民航运输是云南省在进行综合交通运输建设的重点之一,也是该省在未来"十四五"(2021-2025年)和"十五五"(2026-2030年)规划期间的研究热点。本文以云南省为研究范围,以省内民航客运为研究对象,选取省内主要的社会经济因素为影响因子,运用主成分分析法(PCA)、反向传播神经网络算法(BP神经网络算法)和回归分析法,构建了省内民航客运的预测模型,得出省内各主要机场在"十四五"末和"十五五"末的预计旅客吞吐量,对省政府在进行机场改扩建上有一定的指导意义。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。