海洋环境中复合桩基水平方向波浪荷载研究

为研究承台淹没深度及波浪入射角对桩-承台复合基础水平方向波浪荷载的影响,以平潭海峡公铁两用大桥某复合基础为研究对象,通过求解RANS方程（Reynolds-averaged Navier-Stokes equation）和k-ε湍流模型,借助FLOW-3D软件建立了波浪与复合基础相互作用的三维数值模型.研究了承台淹没深度及波浪入射角对复合基础水平方向波浪荷载的影响,并给出了不同波浪入射角下复合基础水平方向波浪荷载幅值随承台淹没深度的变化曲线.研究结果表明:承台位于波峰与波谷之间时,复合基础所受波浪荷载较大,承台淹没深度为1倍承台高度时波浪荷载达到峰值;当波浪入射角定义为承台长轴线与波浪传播方向之间夹角时,复合基础所受波浪荷载随着波浪入射角增大,当波浪入射角达到90°时,波浪荷载最大,其值约为波浪入射角为0°时的1.4倍左右.      

雨水浸润后黄土边坡稳定性分析

为研究黄土边坡在雨水浸润下的稳定性,采用强度折减系数法对黏聚力、摩擦角进行折减,并对变形模量、泊松比做相应调整,设置了6种雨水浸润后的边坡物理模型进行数值分析.研究结果表明:雨水浸润深度在0～1.2 m时,滑动破坏面呈圆滑动,贯通到坡顶;当雨水浸润深度超过1.2 m,边坡安全系数下降较快,并沿着浸润面处呈塑性贯通发展趋势,随着浸润深度增加,滑动面从圆弧滑动逐渐过渡到沿浸润面滑动,从而引发浅层滑动破坏.     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明：GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。     

高校思想政治教育与国防教育的深度融合发展研究

在世界发展大变革、多元文化思潮的冲击之下,高校国防教育更需要紧紧围绕国家人才培养战略与国防后备力量建设的需要,构建起新时期高校国防教育的大格局,积极推进国防教育和思想政治教育深度融合,提升国防教育的感召力.文章分析了高校思想政治教育与国防教育融合的必要性与特殊性,结合其现存的问题,提出了高校思想政治教育与国防教育深度融...     

信息技术与《机载计算机控制技术》教学融合研究

信息技术的飞速发展,对高校教育教学产生了重要影响。本文探讨信息技术和学科教学融合的意义,以高职《机载计算机控制技术》为例,探究了信息技术与《机载计算机控制技术》课程教学深度融合的策略,并以此打造高质量的金课,为教育智慧化发展提供借鉴。     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究

综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值.鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火...     

多年冻土区隧道施工过程中围岩融化圈变化规律研究

多年冻土区隧道在施工过程中围岩受施工热源的影响形成融化圈,在季节性冻融作用下,会造成衬砌表面开裂、剥落、覆冰等冻害.因此,减少施工对冻土原始地温场的扰动是寒区隧道施工的重要控制因素之一.本文以青藏高原风火山隧道为背景,结合实际施工工况、环境温度及地温数据,基于传热学理论,利用数值仿真开展隧道开挖暴露时间、初支施作时机、...     

基于改进的YOLOv3接触网鸟巢检测与识别

接触网上鸟巢对铁路安全稳定运行存在严重威胁.为检测和识别接触网上鸟巢以解决鸟巢对铁路运行造成的不良影响,提出一种改进的YOLOv3算法.首先对接触网鸟巢图像进行前期预处理,去噪等操作能够加强对鸟巢本质特征的提取,数据增强一定程度上避免神经网络的过拟合现象产生.然后在网络结构中加入空间金字塔池化模块,对特征图进行不同尺度...     

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%.