面向提质增速的高速铁路接触网数字技术

为满足高速铁路提质增速目标需求,提高接触网运行品质,保障弓网安全可靠受流,针对提质增速工程设计与施工阶段,利用有限元方法、空间建模与力学计算等方法,提出接触网提质增速设计方案与性能提升技术、接触网提质增速施工调整方法与质量控制技术。在设计阶段,采用仿真数字孪生技术对接触网的既有状态进行评估,对提质增速系统方案进行优化;在施工阶段,结合线路参数建模与测量采集实现精确预配计算建模,通过预配计算精度的提高实现吊弦安装一步到位。本研究提出的关键技术通过成渝高铁提质增速达标工程验证了实施效果,并得到全面成功应用。     

机器学习在隧道岩爆微震监测预警中的应用

深部隧道岩爆是地下工程建设中的安全隐患，准确预警岩爆能够保障工程人员的生命财产安全。机器学习等智能技术的出现为岩爆预警带来了新的思路和方法，提高了预警的准确性、及时性和智能化水平。对机器学习在深部隧道岩爆微震监测预警中的应用现状开展了系统研究。首先，对岩爆微震监测评估预警中的机器学习算法进行总结，分析了现有各类机器学习算法的特征优势，然后，对微震监测岩爆预警指标体系进行了归纳，进一步，分析了基于不同机器学习的岩爆微震监测预警应用效果。结果表明神经网络（NN）是岩爆预警算法中的热门方法，微震事件数（N）、微震能量（E）、视体积（V）及其变体是使用频次最高的岩爆预警指标，大部分岩爆预警指标个数主要在3～7个之间。岩爆等级是岩爆预警的研究热点，大部分机器学习方法的预警准确率基本能达到80%及以上，表明机器学习方法具有较好的应用效果与发展前景。最后，对发展方向进行了展望，更先进的机器学习算法、预警指标体系的有效性与全面性、样本的丰富性、岩爆发生时间预警、数据处理能力等需要进一步深入研究。     

基于神经网络算法的DMI设备目标识别与状态检测

针对现场对检修作业图像资料自动化审计的需求,以DMI设备状态检测为例,在AMIS智能检修作业系统基础上,设计了DMI设备目标识别与状态检测子系统,包含DMI设备目标识别模块和RBC连接状态检测模块。其中,DMI设备目标识别模块采用Fatster RCNN深度神经网络,利用AMIS智能检修作业系统采集的大量列控车载设备检修图像作为训练测试数据集,将DMI设备图像从背景图像中提取出来;RBC连接状态检测模块采用深度神经网络对DMI上显示的RBC连接状态进行检测。该系统可以实时、准确、自动分析DMI设备状态,为全面分析列控车载设备日常检修作业图像打下基础。