空间异形索面悬索桥主缆成桥线形计算方法

空间异形索面悬索桥的主缆受到吊索三个方向的作用力,由于空间吊索与空间主缆相互耦合作用,主缆成桥线形计算尤为复杂。鉴于此,基于分段悬链线理论,提出一种"空间问题正向平面化,平面问题逆向空间化"的新思路,推导出可同时考虑空间主缆与空间吊索相互耦合作用的空间异形索面悬索桥主缆成桥线形解析表达式。结合MATLAB软件编制空间异形索面悬索桥主缆成桥线形迭代分析主程序,并基于APDL参数化语言开发主缆平衡态分析验证子程序。以空间索面悬索桥——韩国永宗大桥、空间异形索面悬索桥——河南省宜阳县骏马大道跨洛河大桥为例,采用所提出的方法分别开展主缆成桥线形分析。结果表明:所提出的方法计算精度高、收敛速度快,可适用于各种索面悬索桥主缆成桥线形分析。     

基于荷载传递法的单桩沉降简化计算方法

基于荷载传递法,考虑桩侧土体软化特性,提出一种单桩沉降预测的简化算法。采用内接三折线模型模拟桩侧阻力与桩土剪切位移间非线性关系及软化特性,采用双曲线模型模拟桩端阻力与桩端位移的非线性关系。根据桩侧及桩端荷载传递模型,利用简化递推方法可由桩端位移获得桩顶沉降。给定一系列桩端位移,即可绘制单桩荷载-沉降曲线。最后,结合实际工程案例,对上述方法进行验证。     

郑万铁路梅溪河特大桥缆索吊装系统荷载试验研究

梅溪河特大桥是郑万铁路全线重点控制工程,为了验证梅溪河特大桥缆索吊装系统的安全性能,该文基于分段悬链线理论、滑移刚度法对缆索系统进行了验算;同时采用有限元软件对缆塔进行了验算;在缆索吊装系统投入使用前进行了荷载试验,试验中结合在线监测与离线监测方法,测量了承重索垂度和索力、塔顶偏位和缆塔应力、锚碇位移等。试验数据与理论计算值对比分析的结果表明:结合分段悬链线理论及滑移刚度法的缆索系统计算方法准确度高,计算结果可靠;锚碇偏置的特殊缆索吊装系统单线吊重时塔顶会有较大横向偏位,缆塔验算时需要考虑锚碇偏置的影响;该桥缆索吊装系统各部件强度、刚度与稳定性符合设计与规范要求。     

城市轨道交通工程线路设计内容及方法

设计作为轨道交通工程其中一个环节,起着非常重要的作用。线路专业作为城市轨道交通工程设计前期专业,是整个地铁和轻轨设计中最重要的总体性专业。为提高城市轨道交通线路设计质量及工作效率,促进轨道交通又好又快发展,阐述线路专业在各阶段的工作内容和线路设计的工作方法。线路设计必须综合考虑各方面因素,深入仔细地研究线、站位方案,并积极与各市政部门、产权单位对接,逐步稳定线、站位方案,最终确定科学、合理、可行、经济并有利于运营的线路平、纵断面设计方案。     

醉驾入刑五年来代驾行业发展与问题并存

＂酒后代驾＂约占代驾服务的90%,并由大城市向二三线城市快速拓展。五年来,全国约2.18亿人次接受了酒后代驾服务,大大降低了酒驾醉驾违法行为和事故的发生几率。代驾行业迅速发展1月份,e代驾全国大数据研究中心基于全国300多个城市代驾产品服务的大数据分析与调研,发布了《2015年全国代驾数据报告》。报告显示,2015年,全国总共有95361915万人次使用代驾服务,较去年同比增长270%,按全天平均客单价计算,     

小线间距条件下D型便梁改造与有限元分析

D型施工便梁的最大优点是桥涵施工时可保证既有铁路的通车条件,缺点是受铁路线间距制约。为保证既有铁路的通车条件,在线间距过小时需要对便梁进行改造设计。通过对既有施工便梁上的牛腿S12进行更换,换装成S3构件,减小了钢轨顶到施工梁顶的距离,满足了铁路建筑限界的要求。为了满足改造后便梁结构刚度及稳定性要求,特在纵梁两端、L/4、L/2、3L/4处增加5道横梁,采取局部加厚横梁梁端下翼板尺寸的方法满足横梁的强度要求。通过建立便梁空间杆系有限元模型、实体有限元模型,对施工过程中的最不利工况进行仿真分析。计算结果表明,改造后的D型施工便梁结构能够满足列车通过时强度、刚度和稳定性的要求。     

四线铁路钢-混组合梁斜拉桥设计关键技术

上海斜塘特大桥主桥采用主跨260 m双塔斜拉桥,跨越斜塘航道,承载四线铁路。对2种边中跨比斜拉桥方案进行对比,根据中跨静活载挠跨比、静活载梁端转角和活载负反力等分析结果,确定边中跨比采用0.38,主桥跨径布置为(40+60+260+60+40) m;对比3种钢-混组合梁截面形式的主梁刚度、经济性及无砟轨道适应性,主跨梁体选取高3.5 m的分离式双箱钢-混组合梁,边跨及衔接处主跨8 m段采用混凝土梁;对比H形和花瓶形桥塔的结构性能、施工方案,选取高97 m的H形桥塔;综合考虑结构刚度、轨道板变形和施工控制,中、边跨斜拉索梁上间距分别取12 m和8 m,桥塔最外侧斜拉索倾角取30°;索塔、索梁均采用钢锚箱式锚固结构。大桥整体结构计算结果安全可靠;温度、列车等荷载组合作用下,桥梁竖向刚度、换算曲率半径均满足规范要求。     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。