基于ASP.NET技术的围岩分级系统开发

文章介绍了开发的基于互联网的围岩分级系统。该系统以ASP.NET技术为基础,结合了数据库技术、支持向量机技术、MATLAB接口等技术,实现了掌子面围岩信息的编录存储、围岩级别的智能判别等功能,并能使设计、专家、业主等人员通过互联网就可以及时了解到掌子面的围岩状况,对围岩级别进行综合判定,提高了隧道施工的信息化程度。     

硫酸盐侵蚀环境下隧道结构病害等级研究

针对我国西南地区硫酸盐侵蚀环境下隧道结构病害的具体特征,结合国内外既有的隧道病害等级划分方法,将硫酸盐侵蚀环境下隧道结构病害等级划分为四级,对各级区间的划分界限进行了具体描述,并给出了相应的定量划分方法.     

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.     

事故树分析法在城市轨道交通事故分析中的应用

从系统工程学的角度出发,将广泛应用于系统安全研究中的事故树分析方法应用到城市轨道交通事故分析中。分析城市轨道交通运营事故中脱轨这一典型事故。通过分析引起列车脱轨事故各个因素,得出城市轨道交通脱轨事故的发生概率较小,预防和控制难度较大的结论。该研究有助于城市轨道交通运营公司对引起该事故发生的各个因素提高警惕意识,也为运营安全管理工作提供理论依据。     

特殊隧道围岩的分级方法探讨

为探讨黄土、膨胀土、断层破碎带等特殊隧道围岩的分级方法,通过对目前国内外的研究进行总结,得到能反应特殊隧道围岩的特性的指标,采取不同的指标组合进行综合研究对其进行分级。研究认为：黄土可按地质年代、天然含水量、干密度进行分级;膨胀土可按塑性指数、自由膨胀率、标准吸湿含水率进行分级;断层破碎带可按地质力学特性进行分级。     

内河航道定级与船舶大型化发展

随着我国经济的进一步发展和可持续发展战略的实施,运能大、占地面积小、能耗低、污染少的内河航运必将发挥出更大的作用。此外,内河船舶标准化、大型化的发展趋势日趋明显,小吨位船舶的运能及经济性劣势迫使其快速 淘汰,不少地区早年的航道定级已然不适应内河航运的发展需求。若城市的开发建设按不合理的航道定级标准进行规划控制,将极大地限制内河航运的发展,并对船舶的航行构成重大安全隐患。结合实际情况,探讨长三角地区内河航道定级调整的若干设想,并提出相关建议。     

故障树分析法在船舶主机系统故障诊断中的应用

根据故障树分析法原理,结合船舶柴油机出现的典型故障,构筑相应的故障树,从定性和定量两个方面进行分析。实践证明,故障树分析法能从故障现象着手快速判断、分析故障原因及其逻辑关系,对复杂故障的分析和故障点的定位具有较好适用性。     

基于神经网络和混合编程的整流桥故障诊断研究

本文介绍了采用VC＋＋和MATLAB混合编程实现对三相整流桥进行故障诊断的方法。该方法通过VC＋＋调用MATLAB引擎来驱动神经网络,将神经网络、数据采集及人机接口结合起来,对三相整流桥的故障进行在线诊断。试验证明,经过足够的样本训练,采用三层BP神经网络能达到一定的准确度。     

基于分类投资建设的铁路分类标准探讨

国发〔2013〕33号文提出对新建铁路实行分类投资建设,明确了具体放开的铁路类型,但缺乏具体判别标准。本文结合铁路项目公益性或经营性属性,在对既有铁路根据运输性质进行分类统计研究的基础上,从利于分类投资建设出发,对铁路划分类别及其标准进行初步探讨,重点量化了干、支线分类和经营性公益性分类,提出经营性公益性分类以经济评价作为主要指标,干、支线铁路以在路网中作用、运量、速度目标值、线路连接、线路长度等5个主要指标进行界定。     

Classification of Livebus arrivals user behavior

With the increasing use of Intelligent Transport Systems, large amounts of data are created. Innovative information services are introduced and new forms of data are available, which could be used to understand the behavior of travelers and the dynamics of people flows. This work analyzes the requests for real-time arrivals of bus routes at stops in London made by travelers using Transport for London's LiveBus Arrivals system. The available dataset consists of about one million requests for real-time arrivals for each of the 28 days under observation. These data are analyzed for different purposes. LiveBus Arrivals users are classified based on a set of features and using K-Means, Expectation Maximization, Logistic regression, One-level decision tree, Decision Tree, Random Forest, and Support Vector Machine (SVM) by Sequential Minimal Optimization (SMO). The results of the study indicate that the LiveBus Arrivals requests can be classified into six main behaviors. It was found that the classification-based approaches produce better results than the clustering-based ones. The most accurate results were obtained with the SVM-SMO methodology (Precision of 97%). Furthermore, the behavior within the six classes of users is analyzed to better understand how users take advantage of the LiveBus Arrivals service. It was found that the 37% of users can be classified as interchange users. This classification could form the basis of a more personalized LiveBus Arrivals application in future, which could support management and planning by revealing how public transport and related services are actually used or update information on commuters.