不同浸没深度下水平圆柱体的水动力特性试验研究

顺应式的漂浮柔性圆柱型结构物,如深海养殖结构物的浮圈结构、波浪能发电装置的浮体部分等,大多是部分浸没的。目前,学术界和工程界对部分浸没圆柱的水动力特性了解甚少,也使这些新型结构物在设计和分析时面临着一系列的困难。文章利用在拖曳水池中对水平圆柱进行强迫振荡的试验方法,研究了不同浸没深度的水平圆柱体在流、波浪以及波-流耦合作用下的水动力特性,获得了拖曳力系数和附加水质量系数在不同浸没深度下与Reynolds数、KC数和Vr的关系。通过研究发现:(1)在纯流作用下,由于自由液面的存在,超过半浸没的圆柱体的拖曳力系数在超临界范围内将大于全浸没圆柱;(2)在波浪作用下的半浸没圆柱的水动力系数完全不能等同于全浸没圆柱的一半来进行考虑;(3)流的存在对水动力系数的影响比较显著,会导致惯性力系数的增大。     

支撑式平台整平船桩腿拔桩力计算

结合港珠澳大桥沉管隧道基础整平工程,采用了多种计算方法分析整平船桩腿在不同地质条件下的插桩和拔桩,得出了自升式抛石整平船桩腿在工作状态下的入土停止层,以及在整平船插腿施工中的抗压极限承载力和桩腿抗拔极限荷载,同时提出在特殊地质条件下的预控措施,并通过工程施工实践验证,证明该分析计算方法是正确的。     

上海内河船行波研究

船行波的大小直接影响到护岸设计的可靠性、经济性及环保性,国内外科研机构曾系统地开展船行波的研究,然而基于上海内河航道复合型断面形态、固定边界水域和有限水深等特点,已有的研究理论与公式并不完全适应。通过大量现场实船观测、数模和统计分析,研究和探讨对护岸防护更有现实意义的近岸侧船行波的波峰值、波谷值和护岸基础防护深度的计算公式,为上海内河航道甚至长三角限制性航道护岸设计提供技术参考。     

吹填土地基强夯加固中真空降水影响因素

真空降水结合强夯方法在港口吹填土加固工程中得到广泛应用。根据前人研究成果结合潍坊港岸滩整治软基处理工程,开展真空降水深度、土体渗透性对强夯加固效果的影响研究。结果表明:当合理布置深浅管时,即使土体渗透性变幅较大,对于真空排水及强夯的作用效果影响较小;当降水深度达3 m左右时,强夯及真空排水联合作用效果最佳。     

基于混合神经网络的汽车运动状态估计

针对现有车辆运动状态估计算法严重依赖动力学模型精度且在大的质心侧偏角工况下准确性难以保障的问题,本文提出了一种基于混合神经网络的车辆运动状态估计算法。通过分析车辆本身的动力学基本特性,设计了适合于车辆运动状态估计的HNN混合神经网络架构,实现了车辆运动状态的深度学习估计。基于多个标准工况组成的数据集与典型实车测试工况进行了网络训练与测试验证。结果表明,相比于传统算法,本算法基于神经网络实现了精准的无动力学模型的汽车运动状态估计,提高了估计精度,且对路面附着系数变化具有鲁棒性。     

人工智能算法在铁道车辆动力学仿真中的应用进展

梳理了人工智能算法在铁道车辆系统动力学仿真中的应用实例和国内外相关文献,概述了铁道车辆动力学仿真中常用的机器学习和深度学习算法,归纳和评述了 2种学习算法在铁道车辆系统动力学建模与仿真中的应用分类;从铁道车辆系统动力学建模、动力学性能预测与动力学性能优化等方面入手,详细讨论了人工智能算法应用在力元建模和仿真、轨道不平顺...     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。      

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

人为坑洞对运营铁路路基稳定性的影响

为了研究人为坑洞对铁路路基稳定性的影响,分析了坑洞坍塌的原理,采用理论推导的方法,在荷载临界深度判别法的基础上考虑了土拱效应和坑洞侧墙稳定对临界深度计算的影响,从而求得修正后的临界深度判别公式,并采用数值模拟验证计算结果的准确性。然后结合工程实例,采用不同方法对坑洞稳定性进行评价,并分析各种评价方法优缺点。研究表明,相较于其他方法,修正后的荷载临界深度判别法能更准确地评价人为坑洞路基的稳定性。从既有线变形控制角度出发,对Ⅰ、Ⅱ级铁路的加固处理范围提出合理建议。     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。