日渐崛起的中国海洋工程市场

2009年11月,南通中远船务工程有限公司向Sevan公司交付了世界上第一艘圆筒型钻井平台——＂Sevan Driller＂。这艘自航式钻井平台的工作水深达到12,500英尺,最大钻井深度40,000英尺。这意味着,经过几十年的经验与技术积累,中国的海洋工程制造商已经做好了与国际同行竞争的准备。     

基于不同预留灌浆深度的半柔性路面性能研究

预留不同灌浆深度的半柔性路面,其路用性能有较大的差异。为了解不同灌浆深度下路用性能的衰减规律,室内拟采用马歇尔稳定度、高温车辙、低温弯曲、水稳定性和抗滑性能来评价路用性能。试验发现:随着预留灌浆深度的增加,半柔性路面材料的马歇尔稳定度、低温性能和水稳定性能发生了不同程度的衰变,分别衰减了14.44%、20.19%和12.12%,并且三者均在0～2.64mm预留灌浆深度范围的衰减速率最大,在超过7.92～10.56mm预留灌浆深度范围后趋向于稳定。此外,动稳定度和车辙深度的转折点出现在7.93mm的预留灌浆深度,在此预留深度下的动稳定度最高,车辙深度最小。结果表明:SFAC-13半柔性路面材料的路用性能在预留灌浆深度为7.92～10.56mm时最佳。     

哈德逊河迫降客机成功救助的思考

2009年1月15日，美国全美航空公司一架A－320客机成功迫降在纽约曼哈顿附近的哈德逊河上。机上150名乘客及5名机组人员全部获救，引起全世界的关注。作为专业海上救助从业者有必要对此起救助行动进行深度剖析，以期对我国海上搜救建设有所启迪。     

预制拼装阀门井在泵站改造工程中的应用

针对泵站改造工程中地下构筑物多、管线复杂、工期紧等情况,通过有限元分析后在关键节点防汛阀门井上成功应用预制拼装钢筋混凝土结构,在提高施工质量的基础上大大缩短了工期,同时建立了BIM模型并利用模型进行了经济分析等深度应用,为预制拼装的推广和BIM模型的深度应用积累了宝贵经验。     

基于人工智能前沿技术的交通事件视频检测系统

本文综述了基于视频分析的高速公路事件检测系统的发展历程、传统技术方法存在的问题后,分析了人工智能领域深度学习等新算法与技术在此领域的应用情况,并对未来发展趋势做出展望。     

2009年车用柴油机市场分析及2010年预测——中国车用柴油机行业发展动态深度分析年报

由于柴油机得天独厚的节油性能、优良的可靠性和比汽油机几乎长一倍的使用寿命，故在重、中型卡车上几乎全部采用柴油机，在轻型卡车和客车上也多半采用柴油机。因此在商用车行业有句名言，“赢柴油机者赢天下”。2009年．在政府经济刺激政策和《汽车产业调整和振兴规划》出台等多重利好因素的带动下，中国汽车市场出现了46．15％的销量暴涨，并首次超越美国成为世界第一大汽车产销国。     

驶向极致驾趣 邓禄普SP SPORT MAXX TT

很多人初识邓禄普轮胎,都是在接触高性能进口车的时候。那些车上一水儿的邓禄普高端运动系列轮胎——SP SPORT MAXX,令他们深刻领会了这个轮胎品牌的运动传统。在《汽车与运动》举办的2010年度驾趣轮胎评选上,标配于许多高性能进口车上的邓禄普SP SPORT MAXX轮胎,凭借单导向对称花纹获得了最具驾趣湿地轮胎的称号。两年多之后,我们迎     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。