岸边桥式集装箱起重机驱动机构卷筒轴承座优化设计

针对现有岸边集装箱起重机三大驱动机构卷筒轴承座出现焊缝开裂和地脚螺栓断裂现象,提出一种卷筒轴承座优化设计方案.优化后的卷筒轴承座具有传力简便、工艺性好、装配调整方便、绿色制造等优点.     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

大型三维地质力学模型试验系统研制及其应用研究

为研究泥灰岩隧道开挖诱发突涌水灾害机制及信息演化规律，以兰州至海口国家高速公路秦峪隧道为工程依托，研制泥灰岩隧道围岩相似材料，研发大型隧道突涌水三维地质力学模型试验系统。该系统可实现低频周期循环加卸载、数据自动化采集，可提供稳定水压加载，基于Python编程语言开发了隧道突涌水灾害预警系统，在此基础上开展泥灰岩隧道突涌水灾害演化过程模型试验。研究结果表明： 1）隧道开挖扰动会破坏围岩压力与渗透水压力之间的平衡，致使隔水围岩内产生微裂隙并扩展贯通，进而发生突涌水现象； 2）当发生突涌水现象时，隔水围岩压力、渗透水压力及位移均会发生明显的突变现象，围岩压力及渗透水压力最大释放率分别为18.6%、73.35%，最大位移量为0.18 mm； 3）泥灰岩相似材料能够较好地满足试验需求，证明了隧道突涌水三维地质力学模型试验系统的稳定性及可靠性。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

高速铁路黄土隧道内轨道板上拱机理及整治方案

采用现场钻探、调查等方法对高速铁路黄土隧道运营前洞口段轨道板上拱现象进行分析,研究轨道板上拱机理,并给出相应处理方案.分析结果表明:中心水沟渗漏导致地基土含水率增大是轨道板上拱的主要原因;隧底湿陷性新黄土受水浸泡软化,仰拱填充层开裂,明洞段受其两侧暗洞段与路基桩板纵向挤压作用产生隆起;受水浸泡后,寒季冻涨作用使轨道板上拱.整治前隧道进口洞门段轨道板上拱最大值为12.9 mm,采用旋喷桩对隧道仰拱底予以加固并采取隧道疏排水措施后上拱现象消失,说明该措施可有效控制轨道板上拱变形.     

地铁隧道二次衬砌钢筋网防裂性能研究

为了定量分析防裂钢筋网提高隧道衬砌结构抗裂性能的机理和幅度,以地铁双线隧道二次衬砌结构为研究对象,采用荷载结构法和杆系有限元数值模拟方案,定量分析二次衬砌结构不设置与设置钢筋网这2种情况下的开裂临界荷载。其中素混凝土结构以达到极限拉应变为临界状态,衬砌结构增设钢筋网后以达到GB 50157-2013《地铁设计规范》允许的最大裂缝宽度0.2mm为临界状态。分析结果表明,配置防裂钢筋网后,Ⅲ级和Ⅳ级围岩衬砌结构抗裂性能可分别提高22.4%和19.3%,Ⅴ级围岩衬砌结构抗裂性能提高15.2%;Ⅲ级和Ⅳ级围岩二次衬砌结构的破坏形式由脆性破坏变为延性破坏,从而提高了其安全性能。     

点汇聚系统的航空器污染物减排效应与机理

为研究点汇聚系统的环境效益及减排机理，采用考虑气象条件修正后的航空器性能、燃油 流量及污染物计算模型，设计了理想条件下非高峰时刻与实际运行的高峰时刻两种场景，对比分 析了航空器在点汇聚系统与标准进场程序中污染物(即HC、CO、NOX、SOX和PM)的排放情况，并 从飞行时间、燃油消耗与排放指数3个方面分析了点汇聚系统的减排机理、识别了减排关键因素。 研究发现：在非高峰时刻，点汇聚系统与标准进场程序的污染物排放总量分别为5.79 kg与7.17 kg， 点汇聚系统较标准进场程序共减少约19.25%污染物排放，对NOX、SOX和PM减排效果显著；在高 峰时刻，点汇聚系统与标准进场程序的污染物排放总量分别为290.01 kg与406.69 kg，点汇聚系 统较标准进场程序共减少28.69%污染物排放，其中NOX减排比例最高可达48.32%。结果表明： 无论是非高峰时刻还是高峰时刻，点汇聚系统都具有良好的环境效益，可有效减少污染物的排放 总量，且对NOX减排效果最佳；较短的飞行时间、较低的燃油流量是点汇聚系统体现减排优势的 关键驱动因素。     

Research on the pipeline walking caused by cyclic increasing soil friction for free deep-sea submarine pipelines laid on even seabed

Pipelines are important to offshore oil and gas development, but suffers from the pipeline walking phenomenon due to cyclic temperature variations—where large axial walking distances threaten the safety of pipeline systems. Current research indicates that pipeline walking is triggered by steel catenary riser (SCR) tension, seabed slopes, or thermal transients. This paper proposes a new driving mechanism for the pipeline walking phenomenon, involving cyclic hardening soil strength. The finite element analysis method was adopted to analyse the soil friction difference induced walking phenomenon, and the influence of key parameters on the gain in soil friction on walking distance was studied. Pipeline walking distances under different drainage conditions in the heating and cooling processes were also calculated, and the impact of the degree of drainage in the heating process was determined. To better understand the new pipeline walking mechanism, theoretical analysis of the walking behaviour under different cyclic soil friction conditions was carried out. Analytical solutions for estimating the pipeline walking distance were also provided, based on the simplified theoretical analysis.     

基于自注意力机制与图自编码器的路网交通流数据修复模型

针对城市交通流数据修复问题，提出一种基于图卷积网络和多头自注意力机制的自注意 力图自编码器模型。该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的 STGCN (Spatial-temporal Graph Convolutional Networks)网络。在该网络中使用 LSTM(Long Short-Term Memory)网络学习数据中时序规律，通过注意力网络计算道路自注意力及一阶临近道路注意力系 数，用图卷积网络对图信号重组，达到对缺失数据的精确修复。同时，采用多头自注意力网络计 算数据的注意力权值并对数据重组，捕获交通流数据中的二阶及高阶临近道路空间关联性，提取 已知数据与缺失数据的时间关系，以残差链的形式加入到模型中，作为对STGCN功能的补充。 基于真实数据的实验表明，在多种缺失模式和缺失率下，该模型能够学习路网拓扑关系，捕获数 据中的时间规律性和时空关联性，有效地修复缺失数据。     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。