道路施工区车辆延误分析与交通仿真研究

道路施工区使得车辆运行受到显著影响,车辆延误增加,针对道路施工区车辆延误展开研究并提出了分析施工区车辆延误的方法.与传统的延误分析方法不同,引入交通仿真技术分析计算施工区影响范围内的运行延误、排队延误、加减速延误与绕行延误.采用TSIS仿真软件可以模拟封闭车道施工、不改变交通流向、改变交通流向或交通分流等交通组织方案,并根据不同的交通组织方案,分别计算车辆途经施工区产生的附加延误以及最优分流比例.研究示例表明,运用经过标定验证之后的仿真模型能有效地对施工区延误进行定量分析.仿真表达交通信息的多样性和详实性,确保了施工区车辆延误分析的全面性和准确性.     

桥梁施工控制方法浅析

桥梁施工控制的主要任务是桥梁施工过程的安全控制和桥梁结构线形与内力状态控制。随着桥梁结构形式、施工特点及具体控制内容的不同,其施工控制方法也不相同。总的来讲,桥梁施工控制可分为事后控制法、预测控制法、自适应控制法、最大宽容度法等。     

基于TOPSIS与灰色关联的危货车辆违规报警研究

为定量评估道路危货车辆运输违规情况,采用熵权法计算权重,TOPSIS法对各月指标进行宏观纵向排序,灰色关联分析法横向分析子序列与母序列关联程度,从而建立一个综合评价模型,并以陕西省道路危货车辆运输违规情况进行实证研究.结果表明:通过陕西省政府和企业监管力度加大,较好的规范了危险品道路运输操作,违规报警次数整体上呈现递减趋势,安全性逐步提升.所监测各子序列与母序列关联程度都较大,其中,疲劳驾驶对报警影响最大,离线位移影响最小.根据研究结果提出改进建议,降低道路危货车辆运输违规操作次数,提高道路危险货物运输安全性.     

“一带一路”背景下中—老运输通道货运量分担率预测方法研究

为了分析中老铁路开通运营后货物运输发展格局,在考虑货主选择货物运输方式影响因素的基础上,选取运输能力、运输时间、运输费用、服务水平4个因素作为效用函数的构成变量,然后利用AHP法赋权,最后通过改进Influ-Logit模型来预测中老运输通道内公路及铁路货流分担率。预测结果显示:中老铁路开通后,公路与铁路的货运分担率分别为53.1%和46.9%,中老铁路运输相比公路具有较大优势,特别是区域市场的货运量分担率具有很大的提升空间。     

东北亚地区中国大陆与周边集装箱港口态势

1中国大陆港口在东北亚地区的地位 近年来随着中国经济的快速发展,中国大陆集装箱运输量也大幅增长.目前东北亚地区的集装箱货流已逐渐减少对日本、香港、韩国和中国台湾省传统集散地的依赖而转向中国大陆港口,各地与集装箱相关的经济实体都闻风而动,改变了本地区集装箱运输业务的旧格局.     

十年自主领航 解放耀启新程 一汽解放汽车有限公司成立十周年暨解放J6P升级版下线仪式在吉林长春隆重举行

冰封塞北寒,腊梅迎春开。2013年1月18日,注定成为一汽解放企业发展历程中的一个重要节点,这一天,一汽解放汽车有限公司成立十周年暨解放J6P升级版下线仪式在吉林省长春市解放公司总装车间内隆重举行。解放公司领导及员工代表近千人,共同见证了一辆崭新的解放J6P升级版牵引车顺利驶下生产线,承载着十年自主领航的辉煌与荣耀,开启解放自主发展,开放合作的新征程。自主发展全面布局作为中国汽车工业的摇篮,六     

京新高速上地斜拉桥横向计算分析

京新高速上地斜拉桥是京新高速公路（五环路一六环路）工程的一部分,为独塔单索面预应力混凝土斜拉桥。全长510m,桥面全宽35．5m,双向六车道。根据横向受力方式的不同,将全桥横向计算分析分为普通截面、吊点截面及支点截面等三类截面。分别对以上三类截面进行横向计算分析,根据各类横向计算结果进行配筋及截面设计优化。     

上硬下软反倾边坡变形破坏机理与稳定性研究

依托兰州至海口国家高速公路重庆至遵义段扩容工程YK71+590～+710右侧上硬下软反倾结构边坡工程,采用工程地质分析方法对边坡变形破坏机理进行分析,预测评价边坡稳定性。结果表明：坡体开挖和坡脚软弱地层遇水软化是发生变形破坏的主要控制因素;在现状条件下及开挖完成后,边坡稳定性均不能满足安全要求,必须进行治理,且应考虑边坡开挖完成后可能发生深层滑动。     

基于改进Mask R-CNN的钢桥多病害智能识别

钢桥在现代交通基础设施中扮演着重要的角色,然而,由于长期服役与环境影响,钢桥可能出现涂层锈蚀、螺栓脱落等病害。为解决传统的钢桥病害检测需要人工参与,费时费力且主观性强的问题,提出了一种基于深度学习的钢桥病害检智能识别方法。利用无人机在图像采集方面的优势,采集大量高清病害图像,经图像增强、标注后建立钢桥病害图像库,用于模型的训练和测试;引入掩膜区域卷积神经网络(Mask R-CNN)构建钢桥病害识别模型,实现钢桥病害的自动识别;并通过更换骨干网络的方式进一步提升模型性能。研究结果表明：将骨干网络由传统的ResNet101替换为VoVNet后模型性能显著提升,交并比阈值为0.5与0.5∶0.95时,优化后模型的识别平均精确率分别为0.84与0.59;相同交并比阈值下较之优化前有约10%的提升。将改进的模型应用于上莘桥表观病害检测,其对涂层锈蚀、螺栓锈蚀与螺栓脱落的识别准确率分别达到了89.3%、85.7%、73.1%;改进的Mask R-CNN模型在钢桥病害识别任务中表现出了优异的性能,无人机与深度学习相结合的方法能够实现钢桥病害的高精度、自动化检测,具有重要的科学研究和工程应用价值。