边界元法几乎奇异积分计算方法及其在螺旋桨性能预报中的应用

边界元法在奇点接近区域进行影响系数计算时,高斯积分法存在几乎奇异积分,易产生误差,影响数值模拟精度.针对这一问题,采用一种四边形单元上的积分转换为4个三角形分别积分再求和的方法,解析地求得影响系数积分,实现了几乎奇异积分的精确计算.将该方法应用于螺旋桨水动力性能预报,计算了螺旋桨敞水性能和定常、非定常工况桨叶剖面压力分布,并与试验值及其他计算结果进行了比较,取得了较高的计算精度.数值算例表明文中所选用的方法是精确可靠的,对边界元法模拟三维绕流场几乎奇异积分的处理有参考价值.     

重型道路交通事故模块化智能综合救援车的研制

针对拥堵及狭窄道路环境、多种等级路面以及灾害破损路面条件下的交通事故快速抢通救援需求,研发设计具有作业系统模块化设计组合及集成匹配技术、适用于多路况的专用底盘技术、智能化多传感辅助操作及安全监控技术等多种技术融合的重型道路交通事故模块化智能综合救援车,使得道路交通应急救援技术装备更加专业化、高效化。     

水泥稳定钢渣道路基层材料工程应用研究

采用纯钢渣和钢渣粗集料加玄武岩细集料制备两种水泥稳定半刚性基层材料,通过击实试验确定了相应的最佳含水量和最大干密度,7 d无侧限抗压强度能够满足规范要求。使用纯钢渣混合料的半刚性基层材料,随着龄期的延长钢渣的活性逐渐显现,使得后期的抗压强度和回弹模量更高;膨胀率试验结果表明水泥稳定钢渣半刚性基层材料具有合格的稳定性。     

大跨悬浇钢筋混凝土拱桥施工扣索力优化计算分析

为有效控制钢筋混凝土拱圈在悬臂浇筑过程中出现过大的拉应力,文中以某大跨悬浇钢筋混凝土拱桥为依托,提出一种扣索力优化计算方法。首先,基于“未知荷载系数法”获取拱圈最大悬臂状态扣索力初值;然后,开展正装分析并提取施工过程的索力、应力以及位移影响矩阵,基于优化原理并利用MATLAB软件对扣索力开展进一步优化。最后,分别基于影响线原理和无应力状态法原理确定拱圈合龙前扣索力最优拆除顺序和扣索补张拉值,确保拱圈受力合理、松索成拱后拱圈线形光滑圆顺。算例结果表明,扣索初拉力值较为均匀,所有索力值安全系数均大于2.5;拱圈松索成拱线形合理,未出现“马鞍形”;拱圈施工过程中截面拉应力均小于1.8 MPa,满足设计要求。     

深水基础超长钢板桩围堰设计与施工关键技术

芒稻河特大桥主桥为(77+3×130+82)m预应力混凝土刚构-连续梁组合体系桥,主墩基础位于深水区,承台施工时抽水最大水头达18.7m。采用钢板桩围堰施工承台,围堰最大平面尺寸为45.6m×16.8m,采用拉森Ⅳw型钢板桩,单根桩长36m,围堰内设置5道内支撑。采用有限元软件,计算围堰3个主要施工工况下钢板桩和内支撑的变形、应力,以及围堰封底抽水完成工况下封底混凝土的抗浮安全系数和应力,计算结果均满足要求。施工时,采用定位导向架和平面定位框限位插打钢板桩,内支撑采用工厂拼装现场分层整体吊装、水下抄垫等工艺,应用水下分阶段吸泥、水下二次封底等施工技术,实现了深水钢板桩围堰快速安全施工。     

考虑健康损失的路阻模型的构建

运用高斯烟羽模型计算机动车尾气排放量,然后利用支付意愿法定量分析健康损失,同时考虑延误和健康损失构建考虑健康损失的路阻模型。根据实例,分别使用Transcad和新的路阻模型计算出2个路阻,并进行交通分配。结果显示2次交通分配的路网流量不同,表明考虑健康损失的路阻模型影响了人们的出行选择,可有效解决主干路拥挤,增加次干路车流量,协调整个路网车流量均衡,提高路网交通效率。     

水平定向钻数据采集及远程监控系统研究

文中针对油气长输管道水平定向钻施工,研发了数据采集及远程监控系统。通过数据采集装置将钻机施工中的关键数据进行实时采集、处理和远程无线传输,由手机APP进行远程监控,实现了工程项目的远程管理,预测后续施工中可能出现的问题,降低施工风险,提高施工效率。     

套筒式收发球在天然气管道内检测中的应用

为解决特殊清管器和检测器以及有特殊结构收发球筒的管道难以实施内检测的问题,以某天然气管道为例,详细介绍了在多节检测器安装困难、收发球筒尺寸过短、附件安装位置不合适等限制条件下,采用套筒式收发球方式对管道进行收发球作业,安全顺利完成了管道内检测。结论认为套筒式收发球能够在不进行收发球筒改造的前提下,完成带有特殊结构收发球筒的管道内检测作业。     

某车型座椅骨架动态安全性与模态分析

为判断汽车座椅骨架的结构合理性,文章利用ANSA建立了某乘用车座椅骨架总成及假头型有限元模型,对该座椅骨架进行了模态分析与基于显式动力学有限元的头枕吸能性仿真试验,得到前四阶固有频率和振型、头枕前碰仿真分析加速度时间历程图。结果表明,该座椅骨架自由模态频率避开了人体最敏感的共振频率范围,整个碰撞过程假头型减速度超过80 g的连续作用时间未超过3 ms。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。