南海广和大桥主桥设计

简单介绍南海广和大桥采用预应力混凝土连续刚构、桥孔径布置、轻型截面、预应力钢束布置等设计特点及施工方案。     

地震作用下高墩大跨连续刚构桥几何非线性影响研究

以考虑结构的几何非线性的地震响应分析方法对某山区高墩大跨连续刚构桥进行地震响应分析,并与该桥几何线性地震响应结果进行了对比。结果显示：地震输入方向为纵向+竖向时,是否考虑几何非线性的计算结果基本一致;而地震输入方向为横向+竖向时,是否考虑几何非线性的计算结果差异很大,指出桥梁横向刚度及桥梁曲线结构是两种计算结果发生差异的主要因素。所以,对横向刚度较弱或带有曲线梁段的桥梁进行抗震计算时,建议考虑几何非线性的影响。     

合龙条件对矮墩连续刚构成桥状态的影响分析

以四川某矮墩连续刚构桥为工程背景,分析了合龙时的温度(包括均匀温度和温度梯度)、高差及顶推力等因素对矮墩连续刚构成桥后的结构内力和线形的影响.分析表明:合理的顶推力可以有效改善矮墩连续刚构成桥后的受力状态和线形,据此提出了考虑合龙温度和混凝土后期收缩徐变影响的顶推力确定方法.     

轨道交通曲线连续 钢—混组合梁抗剪分析

论述在钢混组合梁计算中,规范中按实体梁横向弯曲剪应力计算,没有扭转剪应力计算的规定。曲线组合梁的扭矩较大,讨论是否需要考虑扭转剪应力的影响。结合工程实例,计算分析自由扭转剪应力,按闭口薄壁构件和实体梁分别计算弯曲剪应力,并对计算结果进行对比分析,提出合理的计算方法。     

松花江公铁两用桥主桥方案设计

结合工程实例,介绍既有松花江公铁两用桥改建工程的技术标准,对主桥采用连续钢桁梁桥、连续钢桁拱桥、简支钢管混凝土组合系杆拱桥三种方案进行比选分析,得出连续钢桁梁桥方案为推荐方案的结论。介绍连续钢桁桥钢梁结构设计、结构静力分析、钢梁安装方法和钢梁防腐涂装体系等。     

全面推广地铁隧道预埋槽道技术——专访广州地铁设计院副总工程师邓剑荣

当前,在地铁隧道的施工中,预埋槽道技术已经逐渐得到了业内的关注,但目前国内并没有地铁线路真正实现全线路预埋施工。据了解,深圳地铁9号线已经确定全线使用预埋槽道技术,预计到2015年3月底,深圳地铁9号线隧道管片施工将全部完工,届时,深圳地铁9号线将成为全国第一条全线路采用预埋槽道技术的线路。而这对中国地铁建设水平来说,将是一个里程碑。     

关于京沪高铁42号道岔的维护

京沪高铁是我国目前建设里程最长、投资最大、标准最高的高速铁路。在京沪高速铁路上,大量采用了新型的42号道岔。通过一段时间对这类道岔的检修、维护实践,积累了一定的经验,现总结如下。1 42号道岔外部几何尺寸的测量及标准     

大跨PC连续刚构桥病害分析与加固技术研究

通过对某PC变截面连续刚构桥(45+80+45)m进行调查,发现PC连续刚构的顶板和底板有大量的纵向裂缝,腹板存在大量的斜向裂缝,严重影响行车安全。通过建立Midas/Civil有限元模型,从荷载、预应力损失等方面进行分析,发现引起该裂缝的主要原因为箱梁内外温差产生的温度梯度荷载作用、梁段混凝土龄期差、施工质量控制不严及通车运营过程中产生了一定程度的预应力损失。采用通过"箱内体外束(边、中跨)+箱内腹板加厚+箱内顶板粘贴钢板+箱外底板粘贴钢板"的方案进行维修加固,全桥在加固后,处于受压状态,并且在加固后跨中的挠度有所减小,主梁的受力状态和主跨跨中的应力都得到了较为明显的改善,为以后相关的桥型加固提供了一定的参考依据。     

连续干扰下船舶障碍物自动识别技术

针对传统识别技术依靠人工完成而导致识别精准度低的问题,提出了连续干扰下船舶障碍物自动识别技术研究。使用激光雷达设备获取实时采集图像数据,并对其处理,根据处理流程,分析船舶障碍物几何特征。使用自适应滤波滤除图像中噪点,分割目标亮度区域和背景噪声区域,滤除背景噪声,构建自适应滤波模型。在分割自适应滤波图像基础上,将信息转换为数据形式,使用栅格化处理方式,将网格划分为有障碍点网格和无障碍点网格,由此设计识别流程。引入障碍物不确定速度障碍区域,设计避障方案。通过实验结果可知,该技术与实际信号幅度最大误差为0.05 dB,可忽略不计,且最高识别精准度为0.97,具有精准识别效果。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。