深圳市交通需求管理政策的法治思考

深圳市制定和实施了若干小汽车交通需求管理政策,完善相关政策的法制保障成为政策实施的关键问题。首先结合深圳市交通需求管理实践经验,梳理小汽车增量调控、停车收费政策的制定与实施情况。指出交通需求管理政策的制定与实施面临经济杠杆存在法理争议、行政手段法律依据不足和程序合法性存疑等法治障碍。进而提出在国家层面构建交通管理法治体系、在地方层面完善法律法规以及规范交通需求管理政策出台程序等完善路径。     

CSR-H与CSR强度评估载荷的对比研究

对CSR-H 与CSR用于强度分析的载荷变化进行分析,对各载荷分量的包络值以及应用于等效设计波中的船体梁波浪弯矩、波浪剪力和外部海水压力、加速度等载荷分量的大小进行比较。分析货油舱、干散货舱、压载舱典型位置处的内部压力变化,并对载荷变化可能引起的结构要求变化进行分析和概括。     

横骨架式结构装载钢卷的直接强度评估

目前的结构规范中对于装载钢卷的结构构件尺寸要求仅针对纵骨架式结构。但在实船设计时,仍有部分内底（如管弄）和底边舱区域会采用横骨架式甚至混合骨架式结构布置。文章基于协调共同结构规范关于纵骨架式结构装载钢卷时计算的理论背景,采用有限元法,探讨和建立一种可行的横骨架式结构装载钢卷的直接强度评估方法流程。经实船算例分析验证了方法的可行性和合理性,表明该方法具有实际工程价值。     

最首尾货舱直接强度评估研究

针对CSR-H关于最首尾货舱有限元分析在实际评估中可能存在的技术问题进行研究分析。通过理论分析与数值试验相结合对最首尾货舱有限元评估方法中的边界条件、力学模型、模型范围进行合理性评估,通过已建造船数值试验对最首尾货舱开展有限元直接强度评估。数值分析结果表明两端简支的边界条件能较好的模拟翘曲效应,模型范围对强度评估结果有影响。最首货舱离边界很近会导致甲板、外板的屈曲强度不满足要求。而CSR-H针对最尾货舱有限元中的剪力调整方法仍基于货舱中段,仅以货舱前后端壁剪力为目标值进行调整,这种剪力调整方法不适用于最尾货舱。     

基于规则评价的武器目标分配方法

遗传算法、蚁群算法、粒子群优化算法等解决武器目标分配问题的典型方法尚不能满足工程应用的要求,为了提高舰艇对反舰导弹防御过程中的武器目标分配问题的工程化水平,采用系统分析的方法,提出一组适应舰艇火力通道组织的火力分配规则,设计了基于规则评价的武器目标分配方法,建立了评价函数及求解过程,并分析了算法的复杂度,该方法可以使目标分配结果与规则的符合度直观明确,更符合指挥员的自然决策思维过程,具有很好的工程实用价值。     

高速公路施工质量问题及控制措施分析

高速公路项目的施工质量关系到人们的出行安全。鉴于此，从参与方、材料、设备、环境等方面重点阐述了影响高速公路施工质量的因素，提出了相应的质量控制措施，可为高速公路的施工提供一些参考。     

船舶下舵承间隙及结构问题分析与对策

结合船舶下舵承在设计、安装和船舶营运过程中面临的问题,根据船级社相应规范和标准对船舶下舵承的规定,分析舵承间隙及结构,提出相应的解决方案。实践证明该方案可行。     

二灰稳定低液限粉土底基层性能研究

结合子洲~靖边高速公路4个合同段低液限粉土的情况,分别采用试验和理论分析的方法,对该地区广泛存在的低液限粉土底基层稳定性能进行了系统研究。首先对低液限粉土稳定土进行了物理、力学性质试验,取得了基本的研究参数。然后通过分析当前常用的路面底基层稳定土方案,对该地区的低液限粉土提出了稳定加固方案,并分析了加固机理和影响因素。     

钢桥面板纵肋顶板焊缝疲劳裂纹扩展的关键影响因素

正交异性钢桥面板疲劳问题突出，纵肋与顶板焊缝处是其关键疲劳易损部位，研究该部位疲劳裂纹的扩展过程并确定关键影响因素及其效应，有助于深刻理解其疲劳损伤机理。建立正交异性钢桥面板疲劳试验节段模型的有限元分析模型，将纵肋与顶板焊缝焊根处的疲劳裂纹近似为半椭圆形裂纹，基于断裂力学实现其扩展全过程的三维数值模拟。在此基础上研究初始裂纹的纵向位置和初始裂纹形状对疲劳裂纹扩展过程的影响，阐明扩展过程中的疲劳裂纹的形状变化，以及疲劳裂纹关键部位应力强度因子幅值的变化规律。研究表明：对于典型的正交异性钢桥面板纵肋与顶板焊缝，在纵向一段范围内，初始裂纹的纵向位置对裂纹扩展的影响不大；初始裂纹形状对裂纹扩展的影响主要体现在裂纹扩展的初始阶段，经过一段时间的扩展之后，不同形状的初始裂纹将演变为相对稳定的形状；持续一段时间后，裂纹将逐渐变得较为扁长；疲劳裂纹在深度方向上扩展超过约顶板厚度一半时，最深点的扩展速率将会减慢；深度相同的裂纹，形状越扁长时越倾向于向深度方向扩展，越不扁长时越倾向于向长度方向扩展。     

Multi-step prediction of experienced travel times using agent-based modeling

This paper develops an agent-based modeling approach to predict multi-step ahead experienced travel times using real-time and historical spatiotemporal traffic data. At the microscopic level, each agent represents an expert in a decision-making system. Each expert predicts the travel time for each time interval according to experiences from a historical dataset. A set of agent interactions is developed to preserve agents that correspond to traffic patterns similar to the real-time measurements and replace invalid agents or agents associated with negligible weights with new agents. Consequently, the aggregation of each agent’s recommendation (predicted travel time with associated weight) provides a macroscopic level of output, namely the predicted travel time distribution. Probe vehicle data from a 95-mile freeway stretch along I-64 and I-264 are used to test different predictors. The results show that the agent-based modeling approach produces the least prediction error compared to other state-of-the-practice and state-of-the-art methods (instantaneous travel time, historical average and k-nearest neighbor), and maintains less than a 9% prediction error for trip departures up to 60 min into the future for a two-hour trip. Moreover, the confidence boundaries of the predicted travel times demonstrate that the proposed approach also provides high accuracy in predicting travel time confidence intervals. Finally, the proposed approach does not require offline training thus making it easily transferable to other locations and the fast algorithm computation allows the proposed approach to be implemented in real-time applications in Traffic Management Centers.