桥梁裂缝产生原因浅析论

介绍了桥梁裂缝产生的几种原因。     

浅谈青藏铁路通信信号系统

了解青藏铁路通信信号系统构成,介绍各子系统间接口及通信协议,有助于各子系统间实现互联互通,提高运用和维护水平。     

铁路客运专线连续梁-拱组合结构设计

研究目的:本文以成绵乐客运专线鸭子河特大桥(56+ 116 +56)m连续梁-拱桥为工程背景,研究梁拱组合结构的梁拱构造、吊杆受力特性、支座布置、施工方法等,通过对模型的建立、荷载的选取、梁拱及吊杆的检算、动力特性及拱座局部分析计算,介绍梁拱结构的结构特点,为今后类似工程的修建提供参考.研究结论:连续梁拱组合结构能较好地发挥连续梁和拱两种结构体系的优点.与同跨度连续梁相比,由于拱的加劲作用,能够有效降低主梁的高度,同时,钢管对混凝土的套箍作用,提高了混凝土的抗压强度和变形能力,管内混凝土又有效地增加了钢管的局部稳定性,使拱与梁受力性能都得到较好的发挥,使梁拱组合结构具有整体受力特性好、结构刚度大、建筑高度低、施工方法成熟等优点.     

新建道路路基对既有上跨桥的安全影响分析及保护对策

新建道路路基填筑后,使上跨桥桥墩埋置于路基边坡中,桥墩因承受不平衡土压力的作用而产生附加的桥墩内力及变形,这将给桥梁安全和正常使用带来隐患。文章通过工程实例,根据新建道路路基与既有上跨桥下部结构的空间关系特点,运用有限元软件分析既有上跨桥下部结构的变形规律,评价桥梁结构的稳定性。计算结果表明:在未采取桥墩保护措施的条件下,新填筑路基对上跨桥桥墩结构安全影响较大,并针对性提出基于钢筋混凝土护筒保护的桥墩保护措施。该项目可为类似工程分析提供参考依据。     

混凝土T梁有效预应力的刚度修正试验研究

为了分析混凝土T梁的有效预应力,基于动测法建立了预应力与频率的数学模型,进行了3根曲线无粘结全预应力简支T梁的动力试验,探讨了刚度、偏心距与有效预应力的关系,给出了简支T梁的有效刚度及偏心距与预应力之间的函数表达式,对比了T梁的理论值与实测值。研究结果表明:在张拉预应力前期,混凝土T梁的基频随着预应力的增加而增加,后期具有一定的波动性。该文给出的拟合公式在混凝土T梁的有效预应力识别中具有较好的适用性。     

施工定位误差对竖向预应力筋应力损失的影响分析及改进措施

PC连续刚构桥箱梁的竖向预应力钢筋有效应力受到预应力筋施工定位误差的影响,将增加竖向预应力损失,从而加大腹板主拉应力超限的可能.研究过程中一方面通过实测锚垫板倾斜角度,并结合解析法计算结果,讨论其对锚固损失的影响程度;另一方面则利用有限元法计算预应力筋安装偏位对腹板应力的影响程度.结果表明:①施工时锚垫板倾斜的角度误差所产生的附加回缩量将加大竖向预应力筋锚固损失;②必须按照设计要求来安装竖向预应力筋,减小偏位误差.     

隧道围岩信息化监测及在工程实际中的应用

隧道围岩的信息化监测是隧道施工过程中的一个重要环节,特别是在新奥法施工过程中.该文结合工程实际,分析新奥法施工过程的信息化监测内容以及监测方案,并对监测结果进行了分析总结.对如何利用监测结果、以监测信息去指导现场施工、方案调整进行了分析.     

圆筒型FPSO上部模块支撑结构疲劳分析

与船型FPSO相比,圆筒型FPSO没有明显的总纵弯曲,上部模块与船体结构之间通常采用刚性支墩来连接,水平运动所产生的弯矩和装/卸载引起的船体垂向变形对模块支撑结构的影响较为显著。因此,以“希望6号”圆筒型FPSO上部模块支撑结构为研究对象,基于DNVGL船级社规范,介绍一种简化疲劳分析方法。以FPSO运动加速度和船体变形载荷作为载荷输入条件,利用SESAM/GeniE软件进行有限元分析,得到结构在所有组合工况下应力的扫描计算结果。根据作业海域各个方向波浪发生的概率,运用简化疲劳分析方法计算得到所关注节点的疲劳损伤和各个工况对结构节点疲劳损伤度的贡献。结果表明,所关注节点的疲劳强度均满足设计疲劳强度要求;同一节点的疲劳损伤对不同浪向的敏感度不一样。该简化疲劳分析方法同样适用于承受周期性载荷的FPSO上部模块主结构和其他型式海洋结构物的疲劳分析。     

基于效益费用比法的道岔预防性养护维修时机研究

道岔预防性养护维修的时机研究是道岔预防性养护维修技术研究内容的重要组成部分。通过对道岔性能指标和道岔状态的评定分析，确定可接受的最低道岔性能指标值；根据道岔的管理数据，建立道岔性能指标与养护维修时间的回归衰变方程，由此计算不同预防性养护维修时间的效益面积与费用比值，其中最大比值所对应的预防性养护维修时间即为最佳养护维修时机。该方法称为“效益费用比法”。按照该方法推算道岔的养护维修时间，可提高道岔养护维修效率，延长道岔的寿命，降低道岔养护维修费用，节约铁路运输成本，保障铁路运输安全。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。