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。     

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。     

超车视距设计中的风险评价

通过计算机仿真软件ARENA模拟双向2车道路段上不同的超车视距长度下的超车行为,并建立风险指标。风险指标主要根据超车动作结束时,超越车与对向车辆问的最短时间距离。共确定了6个风险等级,用于评价不同设计时速下的各种超车视距长度的风险。     

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。     

碳纤维水泥基复合材料加固节理岩体试验（双语出版）

为了研究碳纤维水泥基复合材料对节理岩体的加固效果、加固机理及最优碳纤维掺量值,在超细水泥、粉煤灰、矿粉、硅灰等修复材料中,考虑0、0.25%、0.50%、0.75%、1.00%这5种不同的碳纤维掺量,对加固前、后节理岩样分别进行了直剪试验。研究结果表明：加固前、后节理岩样的剪切力-剪切位移曲线变化特征明显,由无峰值强度曲线转变为有峰值强度曲线,并出现明显的应变软化阶段和残余强度阶段;碳纤维掺量（质量分数）从0增加到1.00%时,节理岩样的峰值抗剪强度、残余抗剪强度在5种法向应力下分别提高13.0%~54.1%和0.61%~44.7%,剪切刚度增大32.4%~216.8%,黏聚力和摩擦角分别增大127.3%~266.5%和4.3%~20.4%;当碳纤维掺量为0.75%左右时,节理岩样加固后抗剪性能的综合增强效果最为明显;结合节理面形貌特征和加固后剪切破坏面特征分析发现,水泥浆复合材料对节理面具有较好的充填作用和胶结作用;在水泥基材中掺入碳纤维时,一方面类似于“加筋”材料,可在纯水泥浆的基础上进一步提高浆体的强度和整体性,限制节理面剪切过程中微裂纹的开展,另一方面碳纤维对受剪浆体提供了较好的“锚固”作用,进一步增加浆体与节理面的粘结性能,使得浆体本身、浆体与节理面之间胶结面的抗剪性能明显增强,从而显著提升加固后节理岩体的综合抗剪性能。     

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。     

基于非线性降维IC特征的实车电池SOH估计EI北大核心CSCD

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。