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。     

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。