光爆层厚度对光面爆破效果影响的数值分析

采用动力有限元软件ANSYS/LS-DYNA,在周边眼间距E为500 mm时,对不同光爆层厚度W下泥质灰岩中爆炸应力波的传播规律进行数值模拟研究,得到不同光爆层厚度下岩石单元应力、节点振动速度的衰减规律以及与光爆层厚度的关系,分析光爆层厚度对光面爆破效果的影响.研究表明:当W≤400 mm时,巷道围岩受到的扰动强烈,在围岩远区容易产生裂隙,在近区出现超挖现象;当W=700 mm时,因应力波在相邻炮孔间不能有效迭加而无法形成贯通裂缝,由此导致光爆效果不佳而出现欠挖现象.根据本文的研究结果,在巷道爆破掘进中,当周边眼间距为500 mm时,光爆层厚度宜取W=500～600 mm,而炮眼密集度系数为0.8～1.0较合适.     

刚构-连续梁桥船撞桥墩最不利位置及安全性评价

以湘府路湘江大桥(65+5×120+65)m刚构-连续梁桥为工程背景,采用2种方法研究了桥墩在纵横向船舶撞击力作用下的墩身弯矩随船舶撞击高度的变化规律,以确定船撞桥墩的最不利位置。方法一采用简化计算模型进行桥墩弯矩公式推导,方法二采用Midas Civil建立空间有限元仿真全桥模型进行墩身弯矩计算。计算结果表明:有限元仿真全桥模型计算得出的墩身弯矩与简化计算模型推导出的结论是一致的,在船撞力作用下整个桥墩中墩底弯矩最大,且墩底弯矩随着船撞力作用点的升高而增大;简化计算模型中采用了若干简化处理,在进行桥梁船撞安全性评价时宜采用有限元仿真全桥模型计算。本文结果对桥墩设计与船撞安全评价具有一定的指导意义,并在此基础上对此刚构—连续梁桥船撞桥墩安全性进行了评价。     

工程平面控制网置平平差的方法研究

提出一种将秩亏自由网平差和三参数坐标转换相结合的平面控制网平差方法,其特点是在平差过程中控制网整体网形不因上级控制点点位的改变而变化。首先介绍秩亏自由网平差及其精度评定的原理,推导进行控制网三参数坐标转换及对置平后的控制网进行精度评定的数学模型。仿真计算结果证明了对传统边角控制网而言,置平平差较约束平差具有更强的抗原始数据误差的能力,是一种工程平面控制网平差的新方法。     

轨道车辆大功率IGBT散热器的热设计与试验研究

首先应用传热学理论对肋片散热器进行热阻计算,并采用Icepak软件进行仿真,最后为了验证理论计算和仿真的精度,进行了相关的散热器热阻试验.通过对散热器理论计算、仿真计算与试验结果进行对比研究证明,仿真计算能满足工程精度要求,理论计算经过修正后也能满足工程需要.     

轨道高架桥下基坑开挖的相关措施及研究分析

近年来,越来越多的工程建设与已建轨道的关系越来越密切,施工环境也越来越复杂.以春申湖路快速化改造中元和塘东隧道基坑下穿轨道2号线号线高架为例,通过开挖施工中采取的一系列技术措施(MJS工法、开挖工序安排、应用支撑自动轴力补偿系统、加强监测等),并运用数值模拟软件,建立地上地下整体模型,将结果与过程监控数值对比,确保了轨道交通结构稳定和运营安全,为今后难度大、复杂程度高的城市建设施工提供了很好的借鉴作用.     

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%。