大跨径连续梁桥静载试验变形的快速预测技术研究

大跨径PC连续梁桥静载试验过程中的结构分析是比较耗时耗力的工作,容易出现错误。根据已有数据,利用模型树机器学习算法,开发相应程序并训练得到相应的预测模型。利用该预测模型,可以快速预测静载试验状态下的桥梁跨中下挠的理论值,预测结果可以作为"校核参考值",用于结构分析结果的校核工作。测试数据表明,该算法预测误差较小,算法本身具有很好的工程应用价值。     

基于机器学习的超大跨度悬索桥健康状态评估

随着桥梁健康监测系统及其应用的不断完善,采用机器学习进行桥梁健康状态评估成为必要趋势。以超大跨度悬索桥为研究对象,基于桥梁监测数据与机器学习算法,建立了一种以提取结构损伤特征为目标的回归网络,并以峰值系数法和连续小波变换法作为对比,采用密度聚类法对桥梁结构的健康状态进行评估。结果表明:采用改进四分位距法可有效消除监测数据中的异常跳点,回归网络提取的损伤特征与密度聚类法在桥梁健康状态评估中的适用性良好。研究成果为机器学习下的超大跨桥梁健康状态评估提供了理论借鉴和方法参考。     

基于机器学习的危险货物道路运输事故影响因素分析

为研究危险货物道路运输事故严重程度的影响因素,以2015—2019年发生在我国的1267起危险货物道路运输事故案例为基础,比较决策树C5.0、支持向量机和多层感知器对危险货物道路运输事故数据的分析性能,并选用表现最佳的模型探索影响3种不同严重程度的事故发生的主要因素.结果表明,决策树C5.0整体表现最佳.影响仅财产损失事故发生的主要因素依次为直接事故形态(刮擦、泄漏、火灾和其他),间接事故形态(泄漏)和路段类型(站区);影响受伤事故的发生的主要因素依次为直接事故形态(侧翻、撞固定物、2车追尾、2车相撞、冲出路面和坠车),间接事故形态(泄漏和侧翻),路段类型(普通路段、桥梁、隧道和出入口),道路类型(省道和国道)和时间(07:00—12:00);影响死亡事故发生的主要因素依次为直接事故形态(多车相撞、多车追尾和爆炸),危化品类别(氧化性物质、气体和易燃固体),间接事故形态(火灾和爆炸)和道路线形(长下坡和急弯).      

机器学习在智能辅助避碰系统中的应用

阐述船舶智能辅助避碰系统的基本决策过程,聚类算法在危险区域划分中的应用,以及在碰撞危险度计算中利用大量实船数据训练神经网络模型的机器学习方法。优化相关参数的计算方法,提升智能辅助避碰系统的可靠度和实用性。     

基于机器学习的大规模船舶图像检索机制

船舶图像具有大规模、多样性等变化特点,传统船舶图像检索机制难以获得高精度检索结果。为了获得理想的船舶图像检索结果,设计了基于机器学习的大规模船舶图像检索机制。首先分析当前船舶图像检索研究进展,阐述船舶图像检索基本流程,然后采集不同类型的船舶图像检索特征,选择最优的船舶图像检索特征作为机器学习算法的输入、船舶图像类别作为输出,最后通过机器学习算法的训练建立船舶图像检索的分类器,并与其它船舶图像检索机制进行了对照测试。测试结果表明,本文机制可以满足大规模船舶图像检索要求,船舶图像检索正确率要高于对比船舶图像检索机制,可以更快找到用户需要的船舶图像,获得了令人满意的船舶图像检索结果。     

基于高斯过程机器学习方法的隧道围岩分类模型

针对现有围岩分类方法的局限性,基于工程实例,利用分类性能优异的高斯过程机器学习模型建立围岩类别与其主要影响因素之间的非线性映射关系,进而提出一种基于高斯过程的隧道围岩分类模型,实现不同情况下围岩分类的合理识别.将该模型应用于川藏公路二郎山隧道围岩分类,研究结果表明,隧道围岩分类的高斯过程机器学习模型是科学可行的,与人工神经网络模型、支持向量机模型相比较,该模型具有参数自适应化的优点,能方便快捷地给出合理可靠且具有概率意义的围岩分类评价结果,可对围岩分类结果的不确定性或可信度进行定量化评价.     

基于机器学习的RC桥梁病害检测方法

针对现有桥梁检测中人工判别病害工作量大、效率低的问题,以钢筋混凝土(RC)桥梁为对象,阐述了机器学习在RC桥梁病害检测中的应用。从现有桥梁病害检测方法、机器学习方法、机器学习在RC桥梁中的应用进展三个方面进行研究,结果表明,基于深度学习的病害检测方法能够自动从病害图像中提取特征,实现病害的分类和定位,提供了一种病害自动化检测场景,有利于桥梁智能化管养。     

ETC门架智慧运维关键技术及应用

在不停车收费系统中,ETC门架数量多、分布广、设备种类多,依靠"人工巡查、被动发现"的传统运维技术,费时、费力、效率低。为此,研究了智慧化运维关键技术,运用机器学习算法开展门架设备的实时诊断和运维策略的智慧决策,实现ETC门架设备的实时监控和智慧运维,并开发出ETC门架智慧运维管理平台,相关成果已在湖南省开展应用。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。     

基于机器学习的民航不安全事件信息数据清洗

为解决民航不安全事件信息中分类不准确的问题，提出一种基于机器学习的数据清洗方案。首先，设计了一种基于one class svm的异常值筛选模型，筛选出现有航空不安全事件信息中事发阶段中标签错误的数据。其次，建立了一种基于BERT的分类模型对分类正确数据进行训练，利用经过训练的模型对筛选出来的异常数据进行重新分类。最后，将清洗后的数据与原始数据进行比较，清洗后的数据标签准确率提高了10.2%。实验结果表明，基于机器学习的数据清洗方法能够实现民航安全信息的数据清洗，提高了数据质量。