大粒径SMA25配合比设计与性能验证

该文针对目前应用较少的SMA25粗粒径沥青混凝土进行配合比设计,通过级配实验确定了合理的级配组成,并对最佳油石比进行了性能验证,与细粒径SMA13进行了性能对比,发现粗粒径SMA25具有更高的抗车辙能力,在较小油石比的情况下获得更好的路面性能。     

不同级配对沥青混合料的力学性能和路用性能的影响

笔者对比研究了3种SMA混合料和一种AC混合料的力学性能和路用性能.结果表明,在其他条件相同的情况下,集料混合料级配的不同,沥青混合料的力学性能和路用性能呈现出显著的差异.当集料混合料级配达到最佳组成时,沥青混合料的各项力学性能和路用性能将显著提高.这不仅说明进行沥青混合料级配优化设计的重要性,同时也说明了在沥青路面工程施工中严格控制沥青混合料级配的重要性.     

矿料级配对表面层沥青混合料体积性质影响的试验研究

对表面层沥青混合料体积性质矿料级配影响的规律进行了试验分析.在试验数据的基础上,分析了关键筛孔4.75,1.18 mm筛孔通过率对空隙率与粗骨架间隙率的影响规律、细料的划分标准、中间段矿料含量对体积参数的影响及矿粉用量对体积参数的影响.     

纳黔高速公路机制砂生产工艺与性质分析

结合纳（纳溪区）黔（川黔界）高速公路工程,在分析沿线机制砂颗粒级配、石粉含量和细度模数等三个基本性质及其关系的基础上,对现场机制砂生产提出具有实际意义的改进措施,可为机制砂的工程应用提供技术指导。     

试样尺寸及制样粒径大小对粗粒土三轴试验抗剪强度的影响

三轴试验是确定土的抗剪强度的主要方法,试样尺寸是影响三轴试验结果的重要因素之一.粗粒土的三轴试验需要采用大尺寸的试样进行,相应需要采用大尺寸试验装置及更多的制样用土.与大尺寸三轴试验相比,采用小尺寸三轴压力室,所需的试样较小,制样用土较少,且小尺寸三轴试验过程更快,试验成本更低.但采用小尺寸试样对粗粒土进行三轴试验时,往往得到偏小的抗剪强度参数,导致实际工程设计过于保守而不经济.为了降低试验成本,可以采用小尺寸试样进行试验,通过对试验结果进行修正来获得大尺寸试样试验结果,进而使工程设计具有良好的经济性.针对以上问题,本文对比研究了不良级配砾质砂混合物在采用去粗法前后制样试验所得的抗剪强度,提出了采用不同尺寸试样进行试验时对试验结果进行修正的方法及计算公式.     

福建产沥青混合料搅拌设备

对福建省公路部门生产的沥青混合料搅拌设备的矿料烘干筒,从结构形式、沥青混合料生产工艺流程及其对成品料质量的影响方面与传统的沥青混合料搅拌设备进行了对比分析.认为福建产沥青混合料搅拌设备是适应中国国情、具有较高性能价格比的设备.     

天然砂砾路用承载力分析

通过对天然砂砾不同天然级配和设计密实级配进行击实试验,分析了不同级配组成最大干密度和最佳含水量的主要影响因素。在最大干密度和最佳含水量条件下,对天然级配和密实级配的天然砂砾进行D×H=308 mm×290 mm大试件回弹模量试验,分析了天然砂砾不同级配组成的路用承载力。     

沥青混合料级配辅助设计软件的开发

集料级配设计是沥青混合料设计的重要内容,直接影响沥青混合料的质量乃至沥青路面的质量。首先分析了沥青混合料级配设计软件开发的必要性及国内外动态;然后回顾了有关沥青混合料级配的设计理论,并分析和筛选出适用于计算机的级配设计方法;最后,介绍了该混合料级配设计辅助软件的开发思路和过程以及相关功能。     

考虑交通运行条件影响的驾驶员特征聚类

为提升驾驶员特征聚类方法的适用性与可靠性,本文基于机动车运行轨迹分析提出考虑交通运行条件影响的驾驶员特征聚类改进方法。首先,经过对车辆运行轨迹数据的分析发现,不同道路类型和平均速度条件会显著影响驾驶行为的集计特征;其次,提出改进的驾驶员特征聚类方法,第1步设计考虑道路类型与平均速度因素的车辆轨迹的切片和分类方法,从而稳定提取典型交通条件下的驾驶行为特征参数,第2步选用高斯混合模型聚类驾驶员特征。聚类案例表明,在相同的道路类型和平均速度条件下,驾驶员类型越激进,其速度变异系数、加速度标准差和平均减速度等参数均值越高。不同聚类方法的对比表明,改进方法在驾驶员聚类的类内聚集度和类间分离度方面均表现更好,能有效提升驾驶员聚类的适用性与可靠性。     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求,提高智能车辆人-机交互协同的满意度和接受度,构筑双层驾驶人跟驰模型框架,提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先,提取个体驾驶人跟驰均衡状态的数据,采用高斯混合和概率密度函数(GaussianMixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型,即驾驶人期望跟车距离模型。然后,将期望跟车距离参数引入模型,基于高斯混合-隐马尔可夫方法(GaussianMixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性,建立第2层模型预测加速度,即个性化驾驶人跟驰模型。其次,研究不同高斯分量个数对模型效果的影响,对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后,8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性;在最优高斯分量数量下,8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2,在测试集上为0.123 m·s-2;随机选取其中1位驾驶人的2个跟车片段数据进行模型计算,结果显示,加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2,预测效果优于Gipps模型、ODM模型、单层模型及通用模型30%以上,与驾驶人实际跟驰行为的吻合度更高。