复合地基区岩溶土洞的稳定性分析与加固技术

土洞塌陷和变形是威胁覆盖型岩溶区建筑物安全和正常使用的典型地质灾害,高速铁路因沉降标准高,对覆盖土层多采用了CFG桩、旋喷桩、搅拌桩等复合地基加固,对土洞的形成及发展起到了相当大的抑制作用。文中研究分析了复合地基加固条件下的土洞稳定性,以及土洞塌陷至路基基底时对垫层网结构的变形与拉力变化情况。提出了根据岩溶地基土洞塌陷的可能性进行分区,结合理论计算成果,合理确定岩溶地基加固措施的有关建议。     

基于BP神经网络轻型轿车排放模型的应用

本文利用BP神经网络理论,构造一个预测轻型轿车排放的BP神经网络模型,经验证,预测模型能较好地对一般轻型轿车排放结果进行定性预测,可以作为简易稳态工况法(ASM)尾气检测前的参考,对节约检测成本、提高一次检测通过率有着较高的实用价值;同时以南京市为例,研究了轻型汽油车行驶里程、使用年限等参数对排放的影响,为有针对性的维修治理提供可靠的依据。     

基于可编程控制器的辅助机床控制系统设计

文章对基于可编程控制器的辅助机床控制系统的结构、控制方案进行介绍。对系统的硬件和软件设计作了阐述。应用不同的网络协议,通过工控机可对设备的状态进行监控并将生产过程中工件的加工数据进行标识存储,实现可追溯化。     

北京市重点功能区轨道交通网络加密研究

针对北京市中心城区重点功能区范围内轨道交通线网密度、站点覆盖率不足等问题,以北京CBD重点功能区为研究对象,应用空间句法理论及空间分割方法,建立CBD地区道路网空间句法模型,量化分析该区域内可达性与交通流量的关系,结合既有轨道交通网络,对CBD地区轨道交通线网规划设计、路由选择提出指导性建议.结果表明,将可达性评价指标与交通流量相结合,能够定量描述城市轨道交通网络可达性及结构绩效,并选择可达性较高轨道交通线路路由.该方法适用于城市轨道交通线网规划以及不同规划方案的比选和评价,可以作为方案评价方法之一,同时应该结合其他线网规划要素,在城市轨道交通线网规划中作为重要考虑因素综合研究.     

基于LVQ 神经网络的轨道单元状态综合评判方法研究

为了有效利用多种检测数据评判轨道单元的状态,提出利用 LVQ (学习矢量量化)神经网络建立轨道单元特征参数与轨道单元分级的关联模型,通过对 TQI (轨道质量指数)、轨道几何、加速度、晃车仪、添乘仪、人体感觉的超限扣分加权得到轨道单元的量化评分指标,并利用层次分析法确定各特征参数的权系数。根据大量实测数据建立随机样本,利用聚类方法确定轨道单元状态的分级。以轨道单元的量化评分指标作为输入,以聚类得到的表征轨道单元分级的矢量量化数据作为输出,利用误差反向传播方法训练 LVQ 神经网络模型。利用新的评判方法对某线路的轨道单元状态进行评判,结果表明该方法可行、有效,为轨道单元状态综合评判提供了一条新途径。     

盐城地区铁路建设规划探讨

按照长三角地区城际铁路网规划,盐城市铁路将有连盐铁路、徐宿淮盐铁路、盐海铁路引入,地区铁路路网结构发生了较大变化,应对地区铁路总图规划作出修改.通过充分分析盐城市经济现状和发展趋势,对盐城的客货运量进行全面调查,在充分研究地方及过境客货运需求趋势的基础上对盐城市铁路进行研究规划.根据盐城地区引入铁路的特点,对线网格局进行分析,研究盐城市铁路客运系统布局.     

基于节点重要度理论的轨道交通线路建设时序

根据城市近期建设线网规模,结合线网分级理论,从轨道交通线网规划中选择适当的线路进行建设;利用排序理论,安排近期的线路建设计划。以石家庄市作为实例对方法进行验证,并与实际建设方案进行对比。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。