先期振动对高聚物胶凝堆石料动变形特性的影响

先期振动对土石坝地震变形影响显著。通过开展不同先期动应力作用下的动三轴试验,研究了先期振动对未加固堆石料和高聚物胶凝堆石料动变形特性的影响。结果表明:先期振动对未加固堆石料和高聚物胶凝堆石料的弹性轴应变无明显影响,但显著降低了其塑性轴应变;未加固堆石料和高聚物胶凝堆石料的残余变形在先期振动影响下显著减小,与未经受先期振动的试样相比,先期动应力为40%围压的试样,最大残余剪应变降低幅度和最大残余体应变降低幅度的平均值分别为48.1%和42.0%;先期动应力为80%围压的试样,最大残余剪应变降低幅度和最大残余体应变降低幅度的平均值分别为80.9%和71.6%。先期动应力幅值越大,再次经历动应力时未加固堆石料和高聚物胶凝堆石料产生的残余变形越小,抵抗变形能力提高越明显。最大残余变形的降低幅度与固结比、围压及高聚物含量无关。随后修正了沈珠江动残余变形模型,修正后的残余变形模型可以反映高聚物对堆石料残余剪应变和残余体应变的影响。与未经受先期振动的试样相比,先期动应力为40%围压的高聚物胶凝堆石料(高聚物质量比R_p=2%)的改进残余变形模型参数c₁和c₄分别降低了27.7%和61.2%;先期动应力为80%围压的高聚物胶凝堆石料(R_p=2%)的改进残余变形模型参数c₁和c₄分别降低了68.8%和79.3%。     

表面选区强化对钢轨波磨处轮轨滚动接触行为的影响

层流等离子体表面强化技术可大幅提高钢轨表面的硬度和耐磨性。为了揭示强化处理对轮轨滚动接触行为的影响,建立同时考虑钢轨表面选区强化和短波波磨的三维轮轨瞬态滚动接触有限元模型,数值计算了车轮高速滚过一个波磨周期的轮轨力、接触斑黏滑分布和残余应力应变。对比发现:表面选区强化对轮轨力和接触斑黏滑分布的影响较小,不影响钢轨承载性能;对钢轨表面残余应力应变分布的影响明显,残余应力主要集中在屈服强度较高的强化斑内而残余应变主要集中在韧性较好的基体材料上,表面选区强化有效结合了强化斑和基体材料的力学性能,形成了一种强韧的良好匹配。结果可为现场生产服务提供一定的理论指导和应用参考。     

中间轴驱动装置固定对弹性悬挂式机车动力学性能的影响

为防止弹性悬挂式机车中间轴驱动装置横向位移过大,发生碰撞,提出了端轴驱动装置弹性悬挂、中间轴驱动装置固定连接的方式。利用多体动力学软件SIMPACK建立整车动力学模型,对比分析驱动装置悬挂方式对机车动力学性能的影响,认为采用这种悬挂方式是合理可行的。     

杭州湾跨海大桥70 m预应力混凝土箱梁用海工耐久混凝土的试验研究

通过平板抗裂试验,研究了海工耐久混凝土的早期抗裂性,采用RCM法研究了海工耐久混凝土抗氯离子渗透的能力。结果表明,使用P.Ⅱ42.5(R)硅酸盐水泥、Ⅱ区中砂、5~25 mm碎石、Ⅰ级或Ⅱ级低钙粉煤灰、粒化高炉矿渣粉及新一代高性能高效减水剂,可以配制出C 50~C 60海工耐久混凝土。     

桥式抓斗卸船机不同形式的比较

桥式抓斗卸船机主要有自行小车式和钢丝绳牵引小车式2种形式.钢丝绳牵引式又分为单索起升单索开闭单小车牵引式、主辅小车牵引式、机械差动四卷筒牵引式、电差动四卷筒牵引式等形式,它们各有优劣,主辅小车牵引式被证明是最可靠的形式.     

电辅助驱动技术研究

文章提供一种第二轴采用传统驱动桥作为主驱动、第三轴采用电驱动桥作为辅助驱动的驱动力复合并联混合动力三轴车型方案,结合提升轴空气悬架控制技术,该方案在运营经济性方面比传统双后轴驱动车型更优。     

浅析几种无人驾驶汽车路径规划算法

路径规划是自动驾驶关键技术之一,各种路径规划算法现已不断改进并不断涌现。本文根据全局和局部路径规划对常用路径规划算法进行分类,对几种常用的路径规划算法原理进行介绍,并分析其发展方向。     

智能汽车的人机共驾技术研究现状和发展趋势

智能汽车的人机共驾技术（HMIoIV）是解决其智能化级别难以快速跨越至高度自动化水平的有效过渡手段。HMIoIV涉及了L0~L3级别的智能汽车的多种自动化技术,包括先进辅助驾驶系统。针对当前国内外智能汽车人机共驾技术的研究现状,对其概念、结构和研究内容进行总结,根据独立驾驶人参与的数量和驾驶操作方参与的数量将现有的人机共驾技术分成3类：单驾双控结构、串联型双驾单控结构（Traded Control）和并联型双驾双控结构（Shared Control）;并对驾驶人为因素、驾驶人模型、自然驾驶人状态监测和驾驶意图识别、串联型双驾单控结构和并联型双驾双控结构的研究方法以及权限与责任的关系进行全面综述。最后,分析总结当前智能汽车的人机共驾技术所面临的问题和挑战,并对该技术的发展趋势做出展望。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。