考虑多车影响的分子动力学智能网联跟驰模型

为研究含智能网联汽车(Connected and Automated Vehicle, CAV)和人工驾驶汽车(Regular Vehicle, RV)混行交通流下CAV跟驰行为的控制问题,考虑前后多车的速度、车头间距、速度差、加速差等参数,采用分子动力学定量表达不同周边车辆对主体车的影响,得到可用于描述CAV在混行交通流中的跟驰过程。稳定性分析结果表明,与全速度差模型相比,本文提出的考虑前后多车信息的CAV跟驰模型有利于提高交通流的稳定性。数值仿真与模型验证结果表明,与PATH实验室的CACC(Cooperative Adaptive Cruise Control)模型相比,本文建立的CAV跟驰模型平均速度最大误差减小了0.19 m·s^-1,平均误差减小26.79%,拟合精度提高了0.91%。同时,在CAV和RV组成的混行交通流中,随着CAV比例的逐渐增加,车队的平均速度和交通流量逐渐增加。迟滞回环曲线表明,与全速度差(Full Velocity Difference, FVD)模型相比,本文提出的CAV模型控制下的交通流稳定性更强。该模型可用于同质流或CAV与...     

基于Nastran某商用车传动轴NVH模态性能仿真和试验研究

传动轴是商用车动力系统关键传动部件,对整车NVH性能有重要影响,文章针对某商用车传动轴进行了模态CAE和试验研究,C AE分析和试验结果表明,此商用车传动轴NVH模态性能满足目标.     

浅谈汽车智能座舱发展现状及未来趋势

互联网的发展和新技术的应用,推动了汽车产品内涵和外延的深度变革。汽车已经开始从最初简单的交通工具逐渐向智能终端转变。智能座舱开始作为汽车整个内饰环境向未来延展创新的重要一环,愈发成为当前汽车厂商和消费者关注的热点之一。本文主要对汽车智能座舱的发展现状和未来趋势进行探讨。     

中职汽车新能源教学中创新教育的途径探究

新能源汽车的出现对于当前汽车领域的发展而言,掀起了新的篇章,也能够为汽车领域的创新和发展拓展新的空间.在这样的状况之下,必然更需要大量的专业性人才.不仅需要更多的汽车设计人员,同时也需要汽车维修人员.因此,对中职院校汽车专业教学活动的开展提出了更高的要求,在本次研究当中,主要针对中职汽车新能源教学中创新教育的途径进行详...     

用迭代法编程计算风浪的波长

在堤顶高程设计中,要计入波浪爬高,爬高先要算得风浪的波长。波长计算公式等号两边均有需求的变量,导致只能用较麻烦的试算法。该文推荐用迭代法来计算波长.并用VB6.0编写了源程序代码,可供同行参考。     

盾构水平姿态的理论分析模型

为解决盾构施工水平姿态控制难题，针对隧道掘进姿态调整主要依赖于经验关系和人为控制，而相关的理论分析较为欠缺的现状，基于二维盾体结构提出一种力学与水平姿态理论分析模型。在综合考虑地层参数、油缸推进力、地层反力、现场施工措施的基础上，将盾构姿态引入盾构水平受力平衡分析中，建立关于盾构水平姿态的理论模型。理论分析结果表明： 1）盾构姿态控制与分区压力密切相关，同时受土体刚度和总推力的影响； 2）通过与现场实测数据的对比分析，验证了理论模型的适用性； 3）该理论模型参数简单，易于验算，可实现较准确的姿态预测，为盾构姿态控制问题提供了有效的理论支撑和现实依据。     

基于多任务迁移学习的交通警情信息自动处理方法

从交通警情数据中自动获取信息对于快速处理交通事故和提高交通管理水平具有重要的意义。为此，提出了一种基于多任务迁移学习的交通警情信息自动处理方法，该方法上游采用文本预训练模型作为共享参数层，下游建立多任务并行学习方法，实现对交通警情中的关键信息、类型和语义自动处理。选取江苏省苏州市2年内共120 191条原始交通警情作为试验数据，通过自动处理方法构建了一套标准的交通警情信息数据库。试验结果表明：所建立的关键信息抽取方法可以更精准地提取警情数据中的时间、地址和车牌信息；交通警情分类模型性能优于现有的深度学习模型，分类准确率达93%；基于局部特征增强的警情语义分析方法重点识别了警情中事故的严重程度和救援需求，识别准确率达87%。研究结论显示交通警情自动化处理方法具有良好的可移植性和实用性。     

高速铁路CRTSⅢ型预制轨道板平面度关键影响参数

针对个别线路CRTSⅢ型轨道板脱模时已存在上拱的问题,建立了轨道板-模板一体化分析模型,研究预应力施加、混凝土收缩等因素对预制轨道板平面度的影响规律。结果表明:预应力及其偏心、轨道板顶面和底面弹性模量差异、养护过程中温度梯度对预制轨道板平面度影响较小,底模承轨槽约束条件下的混凝土收缩是影响预制轨道板平面度的关键因素。轨道板预制过程中混凝土收缩控制试验表明,在保证模板精度条件下,养护过程中补水可显著减小预制轨道板平面度上拱幅值。     

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.