计算智能理论及其在RITS中的应用

从分析生物智能、人工智能和计算智能的发展过程及研究本质出发,给出了目前计算智 能的概念综述了主要研究方法和研究现状,特别指出了计算智能理论技术面临的挑战,并进行 了展望,最后分析了计算智能理论应用技术以及在铁路智能运输系统中的应用.     

大型跨海桥梁基础结构正常使用极限状态的可靠度分析

针对大型跨海桥梁基础结构正常使用极限状态的设计条件不同于一般桥梁的特点,对各类不同设计领域的设计分项系数、目标可靠度指标及风荷载系数进行了分析和比较;然后以JCSS模式规范为基础,通过可靠度计算的验算点法,经过多次试算,建议了目标可靠度指标分别为1.5、2.0和2.3的三级可靠度水平及相应的可变荷载频遇值系数和准永久值系数.通过实际的结构设计证明了建议值是合理的,且对于大型跨海桥梁基础结构的设计和安全评估具有重要意义.     

基于GIS的黄土地区公路地基承载力评价系统

通过对西北黄土地区地基承载力及其主要影响因素分布规律的研究,进行了黄土地区地基承载力的分区,确定了黄土地基处理的原则和选取方法。在此基础上,建立了基于G IS的黄土地区公路地基承载力评价系统。该系统利用G IS的数据分析和属性数据管理功能,在收集的大量实测载荷试验数据和相应物理力学指标的基础上,建立了各区域承载力统计回归关系式与样本点的动态数据连接库,实现了对黄土地区公路地基承载力的有效评价。同时,利用地基处理的分析软件,结合公路路基的设计情况,提出了对黄土地基的处理建议,为公路部门的地基承载力评价和黄土地基处理提供了决策依据。     

高家花园大桥箱梁内火灾有限元模拟分析

针对2009年9月3日下午重庆市高家花园大桥右幅桥跨中区段在箱梁内维修加固时发生意外火灾,以温度场数值模拟的基本理论为依据,采用ABAQUS有限元软件对该箱梁进行变截面有限元实体建模,与实际监测数据进行参照性对比,计算所得的挠度值与实测值基本相符,对桥梁结构状况评估具有参考价值.     

一种基于布里渊光时域反射的土质隧道分布式光纤传感应用技术

为了开发一种高密度实时监测技术,用于及时了解隧道开挖面前方地层的变形情况,在分布式光纤监测技术的已有成果基础上,采用模型设计、室内试验与应用工艺验证的方法,研究开发一种用于土质隧道围岩超前位移监测的方法,得出监测力学模型与监测方程,提出传感器的制作与标定、布设与安装,系统集成与实时监测的工艺技术.研究成果在工程实践应用中得到了验证,取得了初步的应用效果.     

矿物微粉添加剂对内燃机功率损失的影响

通过内燃机反拖试验,对羟基硅酸盐矿物微粉添加剂处理前后内燃机的反拖功率和燃油消耗率进行了测量,证明该添加剂可以降低内燃机功率损失和油耗。扫描电镜分析表明,该添加剂能够修平摩擦表面的原始网纹、划痕和降低表面粗糙度,从而降低摩擦因数和减小功率损失。     

冰撞载荷作用下船舶夹芯抗冲击舷侧结构设计

伴随着"冰上丝绸之路"口号的提出,也为开发北极航道带来了空前的机遇。而北极航区有大量的浮冰存在,船舶航行时难免会遇到船与冰碰撞的问题。在查阅相关文献和掌握理论知识的基础上,利用ANSYS/LS-DYNA建立船舶--浮冰碰撞模型,分别对不同船舶夹芯式舷侧结构与普通结构和浮冰碰撞的损伤情况进行数值模拟计算,根据对数据结果的比较分析选取出一种较优的抗冰载荷作用的结构形式。     

行动导向法模式下加强高职课程管理的探讨

本文针对行动导向法在高职课程中的应用为出发点,分析了当今高职学生的特点,探讨了行动导向法在高职课程教学中的方法和存在问题,引导学生在"做中学、学中做",切实缩短学生自身素质与岗位要求之间的距离。     

基于角速率匹配法的船体变形实船测量技术研究

针对船体变形测量技术大多处于理论仿真的局限性,提出了基于实船试验的船体变形测量技术,考虑到测量速度的需要及静态变形角缓慢变化的特征,推导了基于角速率匹配法"准静态"模型。采用Kalman滤波技术对Mochalov模型和"准静态"模型下的变形角进行了估计,从实船试验的角度验证了船体变形的产生原因,拓展了"准静态"模型适用范围,进一步分析了舵操作对船体变形角的影响。试验结果表明,"准静态"变形角对缓变静态变形角跟踪效果良好,提高了静态变形角的测量精度,为光纤陀螺船体变形测量技术的实际应用奠定了坚实的基础。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。