高速动车组气动外形多学科优化设计

基于流固耦合技术及阻力、升力、运行安全性与平稳性、气动噪声等多个性能指标驱动的多学科优化设计方法,兼顾各系统结构与功能,通过仿真分析和风洞试验等手段,系统研究了CRH3动车组气动外形与空气动力学、动力学、噪声等性能的耦合关系,对车辆间连接结构、转向架区域、车顶设备导流区域等部位进行了优化,提出了CRH380BL动车组的最佳气动外形方案,实现了预期设计目标.在线试验结果表明,CRH380BL动车组比CRH3动车组实测单位阻力降低7%,同时动车组运行稳定性提高、气动噪声有效降低,满足了持续运营速度350 km/h、最高运行速度380 km/h的技术要求.     

川藏铁路特殊气象环境对动车组隧道气动阻力的影响

为研究川藏铁路温度与气压条件变化对动车组隧道气动阻力的影响，通过调研川藏铁路雅安至林芝段各站点气象数据，建立了川藏铁路特殊高原气象条件下动车组列车隧道气动阻力的计算模型，分析了川藏铁路沿线气压与温度变化对动车组隧道气动阻力的影响. 研究结果表明:动车组列车的隧道气动阻力与线路环境的气压、温度密切相关；环境气压越低，隧道气动阻力越小，环境温度越低，隧道气动阻力越大；与平原地区的气象环境相比，川藏铁路沿线气压变化对动车组列车隧道运行阻力的影响能达到30%左右，温度变化对动车组隧道运行阻力的影响在10%左右.      

基于集成式神经网络的扁平箱梁颤振导数预测

扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁. 为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数. 首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试. 计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.      

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于多质点动车组制动模型的动态牵引负荷

针对单质点模型不足以准确描述动车组制动情况的问题,根据多质点动车模型的制动力分配,建立了动车多质点制动模型.推导出多质点模型在制动工况下的基本阻力和附加阻力以及推算出牵引网侧时变功率,对多质点模型动车组在平直轨道、有坡道和弯道情况下进行制动过程仿真.通过仿真结果与动车制动实测数据的比较,其距离误差小于50 m,验证了多质点模型的准确性.      

基于BP神经网络的船舶旋回运动仿真研究

为更准确地掌握船舶操纵性能,并为船舶初始设计和安全操纵提供参考,结合船舶旋回运动特点,采用BP神经网络方法建立了一个以船舶旋回运动中的横距、纵距为输出的预测模型.以12艘实船运动数据为训练样本对构建的神经网络模型进行训练,训练完成后,以另外2艘实船数据为测试样本进行预测,并将预测结果与实船结果进行对比和误差分析,结果验证了所构建的模型具有较强的泛化适用能力及较好的精确度,表明模型可成功地实现船舶旋回运动的仿真预测.     

高速磁浮列车气动阻力性能数值模拟与参数化评估

基于粘性流体力学理论,按三维可压缩粘性流对具有流线型头部形状的TR08列车以及通过变化流线型头部纵剖面高度或流线型头部长度设计出的4种新头型列车的周围流场进行了数值模拟。为评估不同流线型头部外形的气动阻力性能,定义了表示其形状特征的整体长细比作为评估依据,综合考虑了流线型头部水平投影形状和纵向对称面投影形状对气动阻力性能的影响。通过对5种不同头型列车的模拟结果进行对比分析,得出了流线型头部外形对气动阻力性能影响的规律:随着流线型头部长度增加,气动阻力降低,而中间车阻力变化不大;在头部流线型长度相当的情况下,纵剖面轮廓线上凸的头车气动阻力比下凹的小,而尾车气动阻力大。计算得到的不同流线型列车的整体长细比大小排序与其气动阻力系数排序完全一致。分析结果表明,增加流线型头部长度是减小气动阻力的有效途径;整体长细比能较好地反映流线型头部对列车气动阻力性能的影响。     

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

高速列车车头外形优化

针对高速列车气动性能,探讨一种列车车头外形优化仿真方法,利用优化软件Sculptor对某高速列车车头司机室观测窗处曲面进行重构,并运用流体数值仿真软件Fluent对重构模型进行数值模拟,计算结果显示,降低司机室观测窗处曲面的高度,有利于降低列车的气动阻力.     

高速综合检测车铝合金司机室的结构设计

通过新型流线型司机室空气动力学的数值分析和风洞试验,对高速综合检测车司机室气动外形进行了优选,使优美、流畅的气动外形同时兼具低阻力、低噪声的特点.在此基础上,通过对司机室的静强度计算和试验数据的分析,验证了试验车体及司机室的强度符合欧洲标准EN 12663,能够满足产品的安全可靠性需求.     

大风区不同路堑结构中高速动车组的气动特性

建立长路堑路段高速动车组运行模型,通过数值模拟得到不同工况下动车组气动力,分析强横风环境下路堑结构对动车组气动特性的影响.研究表明:不同路堑结构中气动阻力均随风速和车速增大而增大,深路堑中动车组气动阻力约为浅路堑的2～2.5倍;在3 m深度的浅路堑结构中,动车组所受升力为正值,升力和横向力均随横风风速增大而增大;而在10 m深度的深路堑结构中,动车组所受升力为负值,升力随横风风速增大而增大,横向力随风速增大而减小;分析车速对气动力的影响:在浅路堑结构中,除阻力外,列车车速对其他气动力影响较小;在深路堑中,动车组气动力大小均随车速增大而增大,在相同风速条件下,当风速高于15 m/s时,车速每增大50 km/h,横向力和倾覆力矩增大约50%.     

BP神经网络在解决电力消耗问题中的应用

由于BP神经网络在解决非线性复杂系统中存在很大的优势,以江西省1991—2011年人口、经济和耗电量等数据为研究对象,利用BP神经网络构建耗电量预测模型。模型一利用1991—2009年人口、经济和耗电量等数据作为训练样本,以2010—2011年作为测试样本来验证网络的准确性,再根据历史人口、经济等数据来预测历史耗电量;模型二采用传统的多元回归分析法,对非线性多元函数进行多元线性回归,通过回归模型得到的参数来预测耗电量。结果表明,模型一收敛性较好,所得预测结果绝对误差较小,而模型二传统方法得到的预测结果误差较大,因此,利用BP神经网络预测的结果具有非常大的参考价值,证明BP神经网络应用在电力消耗中的应用是可行的。     

动车组WTDS轴温数据的深度挖掘及应用

为进一步对系统动车组车载信息无线传输系统(WTDS)中已有的数据进行深度剖析,总结规律、开发应用,针对WTDS的轴温数据,设定更全面的阈值线,采用标准曲线比样法以及多元非线性回归等数学算法,建立了轴温数据分析预测模型.基于CRH5A型动车组的实际轴温数据,采用上述预测模型预测其未来轴温并进行故障判别,结果表明:该分析预...     

铁路货物周转量的半参数回归模型预测

为提高铁路货物周转量预测的准确性,在定性分析的基础上,运用灰色关联度理论选择出反映铁路运输供给能力的7个因素,并用偏最小二乘回归方法处理变量的共线性问题.采用非参数方法表达不能量化的影响因素,建立了半参数回归模型,并与线性回归模型和灰色预测模型进行了比较.研究结果表明,用半参数回归模型预测铁路货物周转量,预测结果的相对误差仅1.7%,比线性回归模型和灰色预测模型的预测精度更高.     

短时交通流组合预测模型研究

短时交通流预测是目前智能交通领域的研究热点,文中从实际应用的角度出发,提出了用于流量和速度预测的组合预测模型.该模型包含傅里叶历史估计模型、自回归模型和邻域回归模型三个子模型.详细介绍了组合预测模型的预测机理、模型细节以及用以实现模型实时更新的迭代回归算法.该模型被实际应用到北京市道路预测预报系统中,实际预测误差不超过15%.     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

面向气动性能的高速列车头型多目标优化设计

将气动阻力和气动升力作为优化目标,对高速列车头尾几何外形进行多目标优化设计.选取列车头尾横向、纵向、垂向三个方向共8组节点位置作为设计变量,利用网格变形技术得到需要进行仿真的样本.采用Fluent软件对3节编组高速列车在明线上运行的周围流场进行仿真计算,并得到其气动阻力和气动升力特性.通过响应面方法构造这两种气动特性对设计变量的响应关系,对其进行多目标优化设计得到优化后的列车外形,其气动阻力降低13.66％,且气动升力有效减小至1.46 N.     

基于最小二乘向量机的公交站点短时客流预测

考虑上下游公交站点、历史同期客流和相邻间隔输入因子β三者的影响,采用最小二乘支持向量机回归算法建立预测模型,并利用粒子群算法优化模型参数.实例验证结果表明:三者均会对预测精度产生影响;当β=3并在多输入变量中设有上下游站点、历史同期客流维度时,该预测模型相比预测性能最好,平均绝对误差为0.625 0,均方误差为0.914 5.     

基于预测控制的动车组迭代学习控制方法

针对动车组运行过程中存在非线性扰动、参数时变等问题，以提高动车组的速度跟踪精度和乘客舒适性要求为目标，提出了一种基于预测控制的高速动车组迭代学习控制方法；通过采集动车组先前运行过程中的输入输出数据，使用带遗忘因子的最小二乘法实时辨识广义预测控制(GPC)中的预测模型参数并计算预测输出，根据以往过程的平均模型误差修正该预测输出，利用修正后预测输出引出迭代学习控制律，在线实时计算得到新的控制量，实现动车组速度跟踪；采用修正后预测输出设计二次型迭代学习控制律，通过充分学习列车系统的重复性特性来解决传统比例积分微分(PID)型迭代学习参数整定难、收敛速度慢和鲁棒性差等问题，并给出算法的收敛性证明；以实验室配备的CRH380A型动车组半实物仿真平台对该方法进行了测试，建立了列车的三动力单元模型，使其跟踪设定速度曲线，并与一些传统算法进行对比。仿真结果表明：在第8次迭代过程，基于预测控制的高速动车组迭代学习控制方法得到的动力单元速度与其设定的速度和加速度误差分别在0.3 km·h^-1和0.5 m·s^-2以内，且变化平稳，其性能优于PID、GPC和P型迭代...     

基于GRNN的船舶阻力预测

文章通过介绍广义回归神经网络(GRNN)的原理及其非线性拟合的能力,建立了基于GRNN的船舶阻力预测模型。本文将该模型运用到Taylor系列船舶剩余阻力预测中,得出预测结果。通过与实际阻力比较,得出预测阻力的相对误差在5%之内的百分比为93.98%,最后本文通过预测插值后的数据,得出相对误差在5%以内占85.38%。由此可以看出,GRNN预测船舶阻力有很高的精度和较强的泛化能力,为船舶阻力的预测提供了一种简便的预测方法。