加筋对桩承式路堤变形模式与土拱效应影响试验

对于桩承式加筋路堤,加筋改变了路堤底面的变形形态,不可避免地将对路堤变形模式与土拱效应产生影响。为了深入分析加筋的影响,利用开发的多沉陷门(Multi-trapdoor)试验装置和椭圆钢棒相似土填料,开展未加筋桩承式路堤试验并得到不同参数组合下存在的3种变形模式,选取3种变形模式的代表性试验,开展相同参数条件下的加筋试验以及4种不同填料高度和3种不同加筋刚度的桩承式加筋路堤试验。通过粒子图像测速技术(PIV)和自制三点式载荷计准确测试得到全场位移及桩顶和桩间土压力。结果表明:加筋后,未加筋桩承式路堤的三角扩展型和塔形升高型变形模式转化为同心椭圆扩展模式,等沉面模式转化为同心圆等沉模式;2种变形模式之间转化的临界高度为1.5倍桩间净距,但等沉面的高度仅为67%的桩间净距;加筋对土拱效应发挥起到了双重作用,一方面,加筋减小了差异沉降,导致土拱效应发挥程度降低,另一方面,加筋改变了路堤变形模式,为同心圆土拱提供了稳定的拱脚,使得土拱效应发挥程度提高;在填料高度低,加筋刚度高的情况下,土拱效应发挥程度进一步降低;而填料高度高,加筋刚度低时,土拱效应达到了充分发挥所需的差异沉降,加筋对土拱效应有提高作用;张拉膜效应发挥程度随加筋刚度增大而提高,且随着桩间土下沉而提高,导致土拱效应减弱。     

基于轨道极限状态法的过渡板受力分析和配筋设计研究

京张高铁官厅水库特大桥为简支拱型大跨度钢桁梁桥,为防止梁端转角或错台量过大,降低梁端扣件系统受力,梁缝处设计采用了过渡板结构。为保证过渡板设计合理性和安全性,建立过渡板有限元实体模型进行受力分析,并首次运用轨道极限状态法对过渡板结构进行配筋设计。分析表明:(1)温度梯度作用对过渡板(420 mm厚)受力影响较大,在设计荷载中占据主导因素,在正温度梯度下,过渡板底部弯矩达到124.155 kN·m/m;(2)过渡板底部纵向弯矩在荷载基本组合作用下达到最大值,且实配配筋率最大,配筋时应注意以裂缝宽度为控制指标进行设计。     

铁路预应力路堤加固技术数值研究

研究目的:铁路预应力路堤在国内外尚属一种新型路基加固法,其受力变形特性暂未得到系统化研究,相关加固设计理论仍处于探索性阶段。因此,有必要通过数值手段了解预应力路堤的工作状态,以掌握其加固性能。鉴于此,借助ABAQUS软件平台构建预应力路堤仿真系统,分析差异化预应力加固参数对路堤变形和承载能力的影响以及预应力加固构件的受力特征。研究结论:(1)路堤本体段坡面较优加固位置为距本体顶面以下0.3倍本体高度处;(2)坡率1∶1的预应力路堤在第1、2排侧压板分别施加50 k Pa、100 k Pa预压荷载时,其变形与承载力均可达传统路堤(坡率1∶1.5)水平,并可通过提升加固标准进一步强化路堤承载性能;(3)当对第1、2、3排侧压板分别施加50 k Pa、100 k Pa、100 k Pa预压荷载时,路堤内部附加围压S11>13.5 k Pa区域大致呈x形分布并形成横贯路堤的预压加固区;(4)侧压板锚固区受力集中且复杂,应注意保障锚固区板体强度;(5)力筋在路堤加载前后的应力变化量与坡面侧向变形特征相关;(6)本研究成果可为铁路预应力路堤的加固设计提供技术指导。     

DP盖帽混凝土本构模型二次开发及边坡加固工程应用

基于有限元计算软件的二次开发技术,提出一种新型的DP盖帽混凝土本构模型,并结合某边坡置换洞加固工程实例,建立其边坡潜在滑块三维有限元模型,分别采用DP模型与DP盖帽模型分析置换洞的弹塑性破坏程度,对比分析评价其加固效应。研究发现:新开发的DP盖帽模型可成功应用于软件计算中;采用DP模型计算所得安全系数约1.45,采用DP盖帽模型计算所得安全系数约1.41,说明在置换洞加固后存在部分双轴压坏和少量三轴压坏情况,且证明DP盖帽模型能够比DP模型更为精准地考虑混凝土破坏情况,可以为类似工程提供参考依据。     

声波 CT 技术在旧桥粘钢加固评价中的应用

在役桥梁运营维护中,粘钢加固技术由于其经济、便捷等特点是保证桥梁安全运营的重要手段。但由于现有检测手段的不足,旧桥粘钢加固后修复效果是未知的。为弥补检验修复效果这一空白,将CT技术引入旧桥粘钢加固评价当中,以安徽某大桥的工程为例,用声波CT技术可以检测加固区域混凝土整体质量,得到定性、定量的检测结果,为旧桥加固修复情况提供客观评价,且可增强后续处治的针对性,并节约维修成本。     

地铁联络通道涌水涌砂治理技术研究

针对西安地铁联络通道施工过程中出现的涌水涌砂情况,从地层、坑底突涌稳定性验算,旋喷桩加固、降水井施工等多方面进行了分析,并制定了相应的方案,即通过初支加固、涌水点多次反压,增设降水井、组合浆液注浆、监测等方式进行处理,涌水得到了有效控制,并确保了后续未完成工程的安全。     

独柱墩曲线桥钢盖梁加固方案设计

独柱墩桥梁由于其特有的结构特点和受力特性,存在倾覆风险,即有部分独柱墩桥梁倾覆能力储备不足,需要进行加固设计.结合工程实例,采用了增设钢盖梁和双支座方案,对钢盖梁建立了ASNYS精细化三维模型,通过优化设计,确定了合理的钢构件空间布置间距,各钢构件强度满足规范验算要求;同时,采用抱箍和锚固的方式,将钢盖梁连接于独柱墩,...     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

地下连续墙的受力状态及计算图式分析

在地下连续墙工程现场观测的基础上,对其受力状态进行了分析探讨。指出单元墙段是呈双向弯曲受力状态。因而按现行设计(单向受弯)的配筋计算应做适当的调整。在用筋总量不增加的基础上,使墙体结构设计更加合理、完善、经济、可靠。     

Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.