预应力混凝土箱梁损伤后剩余承载力计算及变化规律研究

目前对在役桥梁进行技术状况评定时,往往需采用荷载试验的方法来反映桥梁结构实际损伤所产生的性能退化。然而,荷载试验方法存在费用高、耗时长等问题,进行荷载试验代价巨大,且对于存在损伤的结构具有一定的风险。因此,基于对一新建跨径30 m预制预应力混凝土箱梁进行的足尺模型试验结果,构造定义了2种不同的刚度损伤折减系数,结合规范给出的开裂构件抗弯刚度计算公式,提出基于刚度损伤折减系数计算构件实际剩余承载力的计算公式。结果表明：2种方法定义得到的抗弯刚度折减系数的变化趋势基本一致,箱梁在出现损伤后的刚度折减效应明显,从箱梁出现开裂损伤到承载能力极限状态刚度折减约40%,相邻两截面的刚度折减可近似呈线性分布;基于刚度损伤折减系数计算的剩余承载力与试验值的偏差都在5%以下;结合刚度折减系数沿箱梁纵向的分布规律,可计算得出在跨中截面出现损伤后,沿箱梁纵向各截面实际剩余承载力的分布规律。提出的基于刚度损伤折减系数计算实际剩余承载力的方法,可通过结构外观检查结果实现对带有损伤的预应力混凝土箱梁实际剩余承载力的准确计算,该方法简便可行、费用低廉,同时也可为出现损伤的在役桥梁技术状况评定及剩余承载力计算提供一定的借鉴。     

浅谈现状城市道路改造交通疏解

道路改扩建工程施工存在工期周期长短、投资规模、人员流动等特点的影响,在施工过程中存在一系列的交通安全及市民出行便利问题,因而施工现场的交通疏解就变得尤为重要.结合深圳市桥和路及富桥大道综合整治工程为例,对城市道路改建时的交通疏解方案进行研究,希望解决城市道路改造现场对交通安全和市民出行便利程度等影响方面产生良好的作用.     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

排阵式交叉口几何设计与信号控制协同鲁棒优化

针对排阵式交叉口在实际交通波动环境中存在车辆滞留排序区,运行效率稳定性难以保障的问题,提出了鲁棒优化方法,平衡交叉口运行的效率和稳定性。在分析排阵式交叉口运行特性的基础上,指出了其运行效率波动性与交叉口几何设计、信号控制、交通需求、饱和流率和运行车速这5个因素有关。确定了将交通需求、饱和流率和运行车速这3个客观波动因素作为模型的输入参数,将几何设计和信号控制这2个可受设计人员控制的要素作为模型的优化控制变量进行协同优化的模型框架。在此基础上,以交叉口车均延误条件风险值最小为目标,考虑了各流向车道数、信号相位相序、排序区车辆清空等方面的约束条件,构建了基于情景的鲁棒优化模型,并建立了遗传算法对模型进行求解。通过案例分析,对鲁棒优化模型的置信水平取值和算法准确性进行了分析,证明了算法可以使目标函数收敛到最小值,并基于蒙特卡洛模拟对优化效益进行了检验。研究发现,所建立的几何设计与信号控制协同鲁棒优化模型可实现在交通需求和供给的波动下,对排阵式交叉口的车道功能、排序区长度以及主、预信号控制进行协同优化。相较于确定性的设计方法,在平均延误层面基本维持原有水平,但对延误标准差和最大值有着较为明显的改善,案例中分别减少了48%和23%。     

襄阳北编组站扩能改造工程实践与分析

大型编组站扩能改造对既有运输影响大、施工组织难度高。介绍襄阳北编组站扩能改造工程的主要内容和面临的困难,分析该工程的施工组织情况,重点总结扩能改造方案与运输组织方案的优化,在此基础上,对比分析襄阳北编组站改造前后的运输效率和效益,验证该扩能改造方案的可行性。该方案兼顾了施工改造与运输生产,可为类似工程提供借鉴。     

广州金融城有轨电车与无轨电车的系统运能分析

现代有轨电车和储能式无轨电车都属于节能环保的新型城市公共交通。以广州都会区规划的金融城线为例,对半专用路权下有轨电车和无轨电车的运营组织和运能进行了分析。其中,着重分析了二者的路口通行能力和车站通行能力。分析结果表明:在半专用路权条件下,路口通行能力是系统运能的瓶颈;在提供同样运能服务水平的条件下,无轨电车所占用的路口通行相位时长比例低于有轨电车,无轨电车在车站段占用的道路宽度大于有轨电车。二者各有优劣,应根据实际情况选择。     

广州三条城际铁路线的客流特征分析

城际铁路是珠三角城市群内部互联互通的重要通道,实现了广州与周边城市的快速联系。通过对比研究了广深、广珠和广佛肇等3条城际铁路线的客运总量、空间分布、时间分布及客流成长等特征,为国内其他城市群发展城际铁路提供借鉴。     

快慢车模式下基于扣除系数的线路通过能力研究

采用扣除系数法对快慢车模式下的城市轨道交通线路通过能力展开研究。先根据扣除系数理论设定基准列车,并以某线路若干个中间站为例设定列车越行的判定条件;然后确定模糊开行比例范围、铺画5种不同开行比例及越行次数的列车运行图,并分别列出扣除系数、损失通过能力及实际通过能力的计算表达式。最后以上海轨道交通16号线为例,结合线路输送能力及客流需求进行对比分析,确定高峰时段线路通过能力最佳的开行比例。