机器学习在道路工程领域的应用研究进展

道路工程是国民经济发展的重要公共基础设施之一，机器学习是提高道路工程领域数字化、自动化和智能化的重要方法.为全面了解机器学习在道路工程领域的发展及应用，在阐述机器学习基本理论的基础上，分析机器学习在道路工程材料、设计、施工、运维和预测方面的研究现状.研究表明，道路工程领域已开展了不少机器学习研究，但道路工程各方面机器学习智能化发展存在不足，实际应用存在一定局限性；未来发展需深入探索大数据、深度学习、神经网络等智能技术在道路工程全生命周期的融合，促进道路工程领域机器学习等智能研究发展.     

基于交通大数据的移动模式分析综述

交通大数据可为揭示交通主体显性出行行为背后的深层规律（即移动模式）提供重要基础。精确掌握大数据驱动下交通主体的移动模式，可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据。交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级，但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题。针对这些问题，利用科学知识图谱，对2010~2020年期间3 747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点进行归纳总结，结合常见的移动模式分析数据集，系统综述现有研究在移动模式常态分析、非常态分析、关联分析、预测分析和可视化分析方向上的阶段性进展。其中，移动模式常态分析综述了个体活动特性分析、出行类别划分、特定群体分析等应用的研究进展。移动模式非常态分析综述了基于模板匹配和数据驱动的非常态事件检测方法的发展脉络。移动模式关联分析综述了面向不同数据源的关联特性检测方法的发展近况。移动模式预测分析综述了基于数理统计和数据驱动的交通属性预测方法的发展状况。移动模式可视化分析综述了用户交互设计、移动模式宏观可视化、微观可视化和整体可视化的发展近况。最后，系统总结各个分支方向面临的主要问题与挑战，并从数据整合、模型创新、机制变革等角度提炼移动模式分析研究的未来发展趋势，期望为后续研究采用新理论技术开展移动模式分析提供参考。     

某DCT变速器结合齿断齿问题浅析

就某DCT变速器台架混合耐久试验中出现的齿轮结合齿断齿问题,对其硬化层深度、齿根硬度、裂纹形貌等进行分析,得出焊接深度及焊接方法为结合齿断齿的根本原因。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。     

人工湿地技术在污水深度处理中的设计与应用

人工湿地以其建设运行成本低、耗能少、运行维护方便、对负荷变化适应性强、具有较强的氮磷去除能力以及生态环境效益显著等优点在处理污染水体中具有良好的应用前景。针对上海市东区水质净化厂二级出水中存在的问题,以二级出水的深度处理为主要研究对象,研究人工湿地深度处理技术的影响和控制因素,开发高效、低成本的人工湿地深度处理技术,可有效去除COD、氮、磷等污染物。     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

基于小波降噪和灰色神经网络的车辙深度指标预测

车辙是高速公路的主要病害之一,也是路面使用性能重要指标之一。在路面车辙深度指标预测中,带有噪声的数据不可避免地会影响预测的准确性。为此,先采用db3小波滤波器对采样信号进行了降噪预处理,然后采用改进型灰色理论与神经网络相结合的方法对路面车辙深度指标进行了预测,并与传统拟合公式法进行了比较。结果表明:本方法准确度更高,相对误差更小。     

公路轴载谱与当量轴次的深度学习计算及应用

以高速公路与普通国省道为对象，旨在实现全网范围的轴载谱和当量轴次计算。首先，以公路沥青路面设计规范为依据，分析路段轴载谱和累计当量轴次的计算需求；之后，针对现有轴载检测覆盖条件，提出以公路交通情况观测调查数据为支撑的计算方法；进而，针对多源数据的融合目标，建立广义回归神经网络模型，实施深度学习计算流程；最后，以徐州市公路网为实例，对所提出方法进行验证应用。推算结果中，全网路段平均轴载谱与实际规律总体一致；验证样本中3轴车偏差最小，6轴车偏差最大；通过计算当量轴次，获得了用于养护决策支持的区域重载路段分布和分级。     

考虑岩体非均质性的隧道掌子面图像分级方法

针对隧道掌子面围岩等级识别主观性强、依赖技术人员经验，且同一隧道掌子面某一区域地质情况可能存在差异等问题，通过引入深度学习方法，结合掌子面图像滑窗识别技术，开展掌子面围岩等级自动识别研究。通过现场采集隧道掌子面图像共1 192张，建立隧道掌子面图像数据库，采用图像预处理技术对掌子面图像进行预处理以满足模型训练要求；构建AlexNet、ResNet34和ResNet50共3类卷积神经网络模型，并对比其性能优劣与适用性，获得识别准确率为85.2%的ResNet50最优模型；最后结合ResNet50模型建立掌子面图像滑窗识别技术，解决了非均质掌子面岩体分级效果差的问题，进一步提高识别准确率，实现隧道掌子面围岩等级自动识别。经过实际隧道工程应用，验证了该方法的可行性与适用性。     

强夯加固理论及研究综述

强夯法加固地基因其工艺简单、适用范围广以及经济易行等特点在国内外得到广泛应用。通过调查研究,较全面地总结了国内外关于强夯加固机理、有效加固深度、振动影响范围的研究现状,重点讨论了各种加固机理的适用性和有效加固深度预测的合理性。此外,还介绍了强夯联合其他地基处理技术的进展,分析预测了强夯的发展方向及研究重点。