用预应力锚索抗滑桩整治公路深层滑坡灾害

通过几个工程实例,介绍了采用预应力锚索抗滑桩整治公路深层滑坡灾害这一新方法的基本原理、设计方法和整治效果.将锚索的一端锚固于稳定基岩内,另一端与抗滑桩顶相连,然后对锚索施加预应力,将抗滑桩由一端嵌固、另一端自由的“悬臂式”受力状态改变成一端嵌固、另一端支承的“简支”受力状态,从而达到整治滑坡灾害的目的.近年来,作者采用这种方法整治了30余个滑坡灾害工程,都取得了十分显著的效果.一般可节省灾害整治费用20%~40%.     

灾害能量链式演化与介质载体形态变化关系

以地质灾害能量质环理论为研究导向,分析自然灾害诱发机理与介质载体形态变化关系,从能量学角度探索介质载体形态变化特征以及对灾害产生整个过程中所呈现出的表观形态,为自然灾害预警提供一定的理论指导。     

地质灾害预报技术在隧道施工中的应用

随着隧道逐渐向长、深方向发展,穿越的地质条件也越来越复杂,在施工中难免会遇到诸如岩溶突泥、突水,围岩大变形、岩爆、塌方等地质灾害问题。超前预测预报技术作为隧道勘察结果的进一步认识和补充,在隧道施工减灾、防灾和快速施工等方面发挥着重要的作用。通渝隧道施工中,采用物探技术进行超前预测预报,成功地预报了掌子面前方的地质信息,有效地指导了该隧道的安全、快速施工。     

武隆边滩隧道病害整治

针对边滩隧道病害的现状进行了详细的观测和调查,对其发展状况、变化规律、分布特点、危害程度以及不同病害的产生原因进行了详细的分析。并提出了各种不同的病害整治方法,尤其对于隧道衬砌裂损和隧道渗漏水这两种常见病害的整治方法进行了较为详细的探讨和论述。     

基于减灾的城市交通系统规划设计与管理

考虑到城市防灾救灾的需求,提出了基于减灾的交通系统规划、设计与管理的方法。分析了灾害对城市及交通系统的影响,引出了灾害、防灾、救灾、减灾、城市生命线系统和交通生命线的基本概念。综合考虑平时和灾时对交通系统的需求,提出了减灾思想及冗余设计理念,阐明了以减灾为目的的城市规划和交通系统规划、设计与管理的重点内容。其中基于减灾的城市交通系统管理,从技术、政策两个层面分别提出了灾时交通管理系统以及交通响应模式。最后从法规教育、防灾意识、防灾准备三个方面总结了防灾减灾的社会保障体系。     

孕源断链在土地沙漠化防御技术中的实践剖析

基于灾害的链式理论对现今土地沙漠化问题进行了分析,指出土地沙漠化无论在成因上还是在危害性的表现结果上都呈现出复杂的链式效应,并依据灾害链式效应指出不合理耕作、开采地下水、砍伐树木、过度放牧及日益恶化的生态环境是形成土地沙漠化灾害链的源头因素.根据孕源断链的治灾思路,提出治理沙漠化应从其孕育初期的源头上控制灾害蔓延,切断灾害传播链,并从工程实践入手对其成效进行剖析。     

公路隧道防火救灾措施探讨

通过对公路隧道火灾的成因、特点、以及所造成危害的论述,结合我国公路隧道火灾防救研究的现状,提出公路隧道救援应采取的对策措施。     

灾后应急救援运输路径优化模型研究

针对目前运输路径优化模型主要依靠经验法做出决策判断的缺陷,分析了灾后救援运输过程中网络可靠度、容量可靠度、运输时间、运输物资需求量、运输损耗等各种不确定性因素;分别以时间目标、可靠性目标、损耗目标为3个优先级,运用网络图理论构建了灾后应急救援运输路径优化的多目标随机规划模型,并运用遗传算法探讨模型的求解方法;通过具体的案例来说明模型中各个参数,并通过实际的模拟计算来验证该模型的合理性和有效性。     

基于卷积神经网络的路表病害识别与测量

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络（Convolutional Neural Network,CNN）技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型（CNN1）。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型（CNN2）和坑槽特征提取模型（CNN3）的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明：CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅^-1,CNN2用时为5 376 ms·幅^-1,采用图形处理器加速后CNN1用时为192 ms·幅^-1,CNN2测试平均用时为1 024 ms·幅^-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。     

基于云平台的交通视频检测数据优化研究

交通视频检测技术在智能交通领域应用广泛,成为当前交通信息采集的主要手段.但在恶劣天气条件下,视频车辆检测器采集的交通数据误差较大,难以准确反映路面实际状况.为解决此问题,本文提出基于不同气象能见度等级构建k 型BP网络,对气象能见度低于10 km时的原始交通数据作预处理优化.分析了云计算在交通信息处理方面的优势,基于云计算平台实现了该模型的构建与推广.最后以成都绕城高速七里沟大桥定点观测得到的数据做样本进行实例分析,对比了该模型方法与传统处理方法的数据处理效果,得出了本文方法较传统方法先进的结论.