体育教学促进学生竞争能力的实验研究

采用问卷调查法、实验法、数理统计法等进行体育教学促进学生竞争能力的实验研究。结果显示,实验前,实验班与对照班竞争能力(P>0.05)差异无显著意义。实验中,实验班施加培养竞争能力的因素,对照班正常教学。实验一年后,实验班学生竞争能力高于对照班学生(P<0.01)差异有非常显著意义。     

水工工程 通航安全评估介入时机研究

水工工程通航安全评估介入时机影响通航安全评估工作的有效性。文中通过研究我国相关法规，分析了通航安全评估介入时机现状，依据相关法律、法规规定，结合通航安全评估实践和项目管理相关理论，对通航安全评估不同介入时机进行分析，提出分阶段实施通航安全评估的观点。     

运动可逆式引信安全系统逻辑控制分析

针对传统引信安全与待发状态控制的不可逆问题,提出了一种运动可逆式引信安全系统。这种安全系统在解除保险和隔爆后利用遥控装置发出的指令信息完成恢复保险及隔爆,具有较高的安全性和可靠性。分析结果表明：运动可逆式安全系统能实现＂安全的人工失效＂,其安全性要远高于传统不可逆式安全系统;可对机构工作过程多次检测和故障定位。适用于低发射过载的高价值弹药引信。     

陡峭岩面双壁钢围堰稳定性分析及风险评估

根据某长江大桥索塔基础工程施工的主要特点,综合考虑4种水中基础围堰方案的优缺点,确定该索塔基础采用锚固柱桩方案;分析现有的钢围堰计算理论,基于钢围堰的施工工艺,研究该长江大桥索塔基础的钢围堰在封底混凝土对围堰侧压力、混凝土及钢围堰重力、钢围堰刃脚摩擦力、抗滑桩及封底混凝土抗剪承载力、流水压力作用下的力学特点,基于各工况的受力特点分别建立力学模型计算公式,构建综合考虑抗滑安全系数及风险后果影响的钢围堰整体抗滑风险模型。研究结果表明:根据《建筑基坑支护技术规程》(JGJ 120-2012)要求,钢围堰在第1,2,3工况时的抗滑安全系数分别为1.607,1.716,4.684,大于规范中1.3要求;该长江大桥在钢围堰施工阶段的总体风险水平为5.6381,风险等级为3级。     

基于安全检查表法的电动车安全分析和对策

对电动车的安全隐患进行了总结和评价,并在安全评价学中行之有效的安全检查表（SCL）方法上,结合该问题的发展历史及趋势,依据相关法律标准,提出了一些安全措施和防范对策。     

集宁站到发场高速锁用止轮顶的应用和探讨

根据集宁站到发场的线路条件和现场作业现状，提出在站内到发线上安装TDJGST-202型高速锁闭止轮顶来解决车辆溜逸的办法，并通过计算分析，提供一个科学合理的停车顶安装方案。通过一年来的运用和实践，介绍了停车顶检修、养护方面的经验和方法，为停车顶的进一步推广应用发挥着重要的作用。     

高速公路改扩建作业区交通安全设施设置研究

根据高速公路改扩建施工区的交通特性及驾驶人的反应特征,将施工作业区划分为7个分段,构建驾驶人视认模型,并对各个分段安全设施进行设置,可保障高速公路施工作业区的安全与通畅,这已被郑洛高速公路所证实。     

某桥台填土与桩基施工对地铁线影响分析

地铁运营后,跨线桥桥台路基段填土以及桩基施工时,会对已建成的地铁线隧道产生不利影响,为保证地铁安全,开工前需要进行分析.依托彩梅立交K1+105梅林关方向桥台填土与桩基施工对既有深圳地铁9号线的影响分析,通过PLAXIS 3D有限元分析软件对桥台填土、桩基成孔浇筑等工序进行模拟,对既有地铁线进行安全评估,并对施工监测提出相应要求.其结果表明对于该工程,桥台后填土与桩基施工过程中,地铁隧道安全可靠,可以进行施工.同时该模拟对类似工程工况可提供指导.     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

用于智能驾驶系统评价的乘员损伤模型

只有较少的交通事故数据资源被用于建立基于碰撞速度信息的乘员损伤模型，致使所得到的模型精度差。为此，提出了基于车辆变形深度的乘员损伤模型。对美国不同制造年代和车辆级别的事故数据进行聚类分析，论证出车辆变形深度与乘员损伤风险具有相关性。以车辆变形深度为自变量，通过回归分析得到乘员损伤模型。不同种类车辆的乘员损伤模型拟合精度R²约为0.9，证明了该模型的正确性。为进一步验证，以此模型为基础，评价智能驾驶系统的有效性。以自动紧急制动系统为例，对比基于变形深度和速度变化量信息2种方法的有效性计算结果。结果表明：2组结果的平均误差不超过1%，验证了基于变形深度的乘员损伤模型的准确性。该模型仅需要事故数据库中准确的变形深度信息，能够获得更多的事故数据支持，从而可以更好地适应于不同类别智能驾驶系统的评价需求。