大粒径沥青混合料配合比设计及施工工艺监控

结合实际工程,采用旋转压实仪成型、多级嵌挤配合比设计方法对大粒径透水性沥青混合料进行了配合比设计。阐述了施工控制流程、质量控制标准以及施工中控制离析和集料破碎问题的针对性措施,可为同类工程提供借鉴。     

基于加权TOPSIS法的HIR技术应用综合效用评价

以重庆高速公路沥青路面就地热再生试验工程为依托,对就地热再生技术运用的综合效用,从技术、经济、环境三个方面进行了分析和试验性论证.结果证明:在合理的养护时机采用就地热再生技术可以有效改善路面性能,并降低养护成本,具有良好的经济与社会效益.     

非一致激励下大跨斜拉桥的随机地震响应分析

基于平稳随机地震动场理论,对大跨度斜拉桥进行非一致激励下的平稳随机地震响应分析。以金塘大桥主通航孔桥为研究对象建立有限元模型,采用多点平稳随机地震响应分析方法,数值仿真了该斜拉桥在纵桥向、横桥向和竖向多点激励下的地震响应,研究了地震动的空间变化,包括部分相干效应和行波效应以及视波速变化对大跨度斜拉桥地震响应的影响。数值分析结果表明：非一致激励下斜拉桥的内力和位移有较大改变,地震动的行波效应影响比部分相干效应的影响更大,地震动的空间变化对纵桥向激励有利,对横桥向激励影响较小,对竖向激励影响很大且不利。对大跨度斜拉桥,必须进行多点地震激励的响应分析。     

论陶瓷电主轴的故障分析及修复

电主轴是由内装式电机直接驱动,以满足高速切削对机床"高速度、高精度、高可靠性及小振动"的要求,电主轴的轴承采用高速陶瓷轴承技术,耐磨耐热,寿命是传统轴承的几倍。针对dCi11车间凸轮轴德国肖特磨床陶瓷电主轴的具体故障进行分析,对电主轴精度的修复方法和如何提高电主轴的旋转精度进行探讨,给类似结构的电主轴提供了一种可以借鉴的修理方法。     

维义大桥连续钢桁拱架设的合龙技术研究

广西柳州市维义大桥是一座主跨288m的连续钢桁拱桥,采用半悬臂拼装方法施工,在中跨跨中合龙时,合龙口的多个合龙点在高程、里程、轴线以及转角等方向存在不同位移差,且临时结构规模大、钢桁拱吨位重.为确定有效的位移调整方案来实现钢桁拱的精确合龙,对合龙位移调整措施进行了研究.结果表明:拱桁合龙口的里程位移差可通过钢桁拱的纵向预偏或纵移进行消除,其高程和转角的位移差通过临时支墩顶落梁调整最为有效;桥面刚性系杆合龙口的高程和里程的位移差可通过临时支墩顶落梁进行消除;各合龙点的轴线位移差可通过横向对拉调整.     

多重子阵回波提取与检测方法

针对主动声呐目标检测的问题,提出了一种先提取目标回波、再加以检测的方法.构造若干相互重叠的子阵,利用子阵的波束输出提取目标回波的时间序列;运用空时二维数学量度量提取序列与理想回波序列的差异,从而实现目标的检测.区别于传统相关接收、相干累加、滤波等方法,此种解析计算的方式无需混响与信号的统计特性.通过仿真数据与实验数据的处理证明了该方法的有效性.     

河北省沥青混凝土冷再生应用及使用效果分析

随着公路建设的发展,沥青混凝土冷再生技术被广泛的应用于路面改造工程.以河北省沥青混凝土冷再生应用为例,综合评价沥青混凝土冷再生技术的几大优势,通过技术经济对比分析,具体阐述沥青混凝土冷再生技术带来的经济效益和社会环境效益.     

乳化沥青冷再生沥青混合料配合比设计

沥青路面冷再生技术可重复利用旧沥青路面材料.对回收沥青路面材料样品进行抽提,评价了RAP的级配组成和回收沥青的老化程度.借鉴国内外再生沥青混合料配合比设计的经验,得出了本研究的乳化沥青冷再生混合料的级配组成,并对最佳含水率和最佳乳化沥青用量进行了研究.     

ETC收费车道通行能力探讨

基于交通流理论,结合ETC车道行进车辆最小安全间距的计算结果,提出由限制车速及车辆最小安全距离求解ETC车道最大通行能力的计算方法.并利用Paramics微观交通仿真软件进行了ETC车道通行能力模拟,通过计算及模拟结果的对比分析,验证了该方法的科学性.     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.