基于延迟脱体涡算法高速列车通过隧道时的绕流特性

基于延迟脱体涡算法和滑移网格技术,建立CRH380A型列车的含有转向架的三维可压缩瞬态仿真模型,模拟研究高速列车气动力、速度场和表面压力这3大绕流特性的变化规律。结果表明:延迟脱体涡算法能较好地捕捉列车通过隧道时的气动特性;当列车头部刚驶入隧道时,气动阻力迅速升高并在车头完全进入隧道时达到最大值,列车下方2侧的速度纵向分量会急剧增加,位于靠近设备舱位置的速度纵向分量会显著降低;当尾车刚驶入隧道时,隧道内壁与列车侧面之间的流场会出现回流区;当尾车全部刚驶入隧道时,气动升力和侧向力骤然增加;当列车全部驶入隧道后,气动力的波动幅值均明显升高;列车通过隧道过程中,列车侧面压力整体上呈现先增后减、最后维持周期性波动的趋势,处于尾流区的车尾部位具有更强烈的波动特征;列车裙板和车底的表面压力整体上均呈先减后增、最后维持在较高幅值波动的趋势,对列车相关结构的疲劳强度产生不利影响。     

协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制（ACC）车辆和协同自适应巡航控制（CACC）车辆的行车行为特征分析的基础上，运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境，解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型，利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间（TTC）、暴露碰撞时间（TET）、整合碰撞时间（TIT）等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟，仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时，混合交通流安全性恶化最严重，TET和TIT分别增加约68%和89%，车辆速度离散系数为0.9以上；通过在下匝道分流区设置远端强制换道区（设置长度≤ 1 000 m），可有效降低混合交通流的追尾碰撞风险。      

一种“效率-公平-运力”多维权衡的需求可拆分配送方法

针对自然灾害及重大社会公共事件等各类突发事件的配送问题，本文以公路运输为研究场景，将配送时间最短、加权时间攀比值最小和使用车辆数最少为多维目标，在引入需求可拆分这一限制条件的基础上，构建“效率-公平-运力”多维权衡的需求可拆分应急物资配送模型。针对该问题设计改进的蚁群算法求解模型。从选择拆分点、信息素更新和引入变邻域搜索算子这3个方面改进了算法，并实现当解持续不变时，初始化信息素，以增加随机性。结果表明，与传统求解算法相比，改进算法的稳定性更高(平均偏差率降低7.00%)，寻优性更好(优化率提高7.41%)。 通过分析考虑三目标、双目标和决策者具有明显偏好的多重场景下的求解结果得知：效率、公平、 运力这3个子目标相互悖反，增加运力投入可以显著提高配送方案的效率与公平；当运力不变时，效率与公平之间近似呈同比例反比关系。研究结论可为救灾目标不确定条件下多因素考量的应急物资配送决策生成与优化问题提供方法改进与可量化决策支撑。     

转向架构架载荷谱频域校准与建立方法

分析了时域内准静态载荷-应力传递关系, 以载荷间互谱密度的参数作为载荷耦合作用的表征量, 基于多轴频域疲劳基本理论推导了频域内等效应力的表达式; 得到了与多轴加载等效的分立载荷系的表达式; 为保证载荷谱计算损伤可以覆盖线路实测损伤, 以应力信号自功率谱密度的0阶谱矩作为表征损伤的参量, 约束载荷对测点损伤的贡献占比, 根据损伤一致性原则, 采用NSGA-Ⅱ多目标优化算法进行载荷校准; 对国内某型地铁转向架构架进行线路测试, 获得了载荷和应力数据, 并进行了数据分析。研究结果表明: 载荷系中构架横向载荷的线路实测方差最大, 为5.08, 电机横向载荷方差最小, 为0.02;频域内考虑载荷耦合效应的损伤校准精度为1.08×10-5, 而采用时域分立谱的损伤校准精度为2.91×10-3, 频域法比时域法的校准精度提高了99.63%;频域内考虑耦合作用的载荷校准系数的综合调整倍数为31.81, 相比时域内采用分立谱校准系数的调整倍数下降了41.71%, 频域法的系数调整最大倍数为6.99, 时域法为15.68, 前者比后者降低了55.42%。可见: 频域内考虑载荷耦合作用的校准方法在误差精度上要优于时域内采用分立谱的校准方法; 频域法的系数调整比例的分散度低于时域法, 校准载荷更接近实测载荷, 校准结果可信度高; 由于校准过程中考虑了载荷间的关联性, 研究得到的载荷系可同时应用于试验台多轴加载以及仿真独立加载, 实现了2种加载方式的统一, 为构架载荷谱的建立方式提出了新思路。      

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

面向调移车辆数优化的摘挂列车调车作业计划编制方法

调车作业计划是规定车辆如何调移及其作业程序的具体行动计划。提出了在调车钩数最优前提下以减少调移车辆数为目标的摘挂列车调车作业计划编制方法,构建了摘挂列车调车作业计划编制0-1线性优化模型,并设计了基于消逆规则的启发式分支定界算法对模型进行求解。算例表明,所提出的方法能够求解出调车钩数不劣于统筹对口法且调移车辆数更少的调车作业计划,在给出的算例中总调移车辆数减少了约20%。所提出的方法能够对调移车辆数进行优化,对调车作业计划编制质量的进一步提高、调车过程能耗降低等方面有积极意义。