花岗岩地区岩土工程勘察探讨

本文以一个花岗岩地区的岩土工程勘察为例,初步探讨通过机械钻探和物探(高密度电法)相结合,进而划分花岗岩风化分带的分析方法和经验,同时评述了物探方法的地质效果。     

道路多功能检测车

北京市中科盈恒科技有限公司研制的道路多功能检测车，能够快速实时地检测各等级公路路面的平整度、车辙、构造深度、几何数据、道路资产和路面破损状况等技术特性，为竣工验收、预防性养护以及路面管理系统提供综合高效的数据支持。道路多功能检测车如图1所示。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

微博

我们在http://weibo.com/rmcm1984,快来跟我们互动吧!山推股份:2014山推股份国内代理商年会于1月17日在美丽杭城盛大召开,大会对2013年的工作做了深度总结,并对新的一年进行规划。为激励2013年表现优异的代理商再创佳绩,山推将倾情赠送奥迪Q7(2台)、Q5(3台)、Q3(5台)、山推服务车(8台)等大礼。具体花落谁家,敬请期待!     

2010年中、重卡车市场增速将大幅回落——2009年中、重卡车市场深度分析及2010年预测

<正>2009年,全球经济陷入底谷,中国车市在面临世界金融危机、全球市场普遍低迷的情况下,实现产销高速增长。据中国汽车工业协会统计,2009年我国汽车产销量分别达到1379.10万辆和1364.48万辆,同比大增48.30%和     

汽车发动机在用机油斑点图谱检测法

<正>把一滴在用发动机机油滴到滤纸上。油中各种杂质便随着油滴慢慢向四周扩散,杂质的粒度不同,因而在滤纸上形成颜色深度不同的环形斑痕,这就是"斑点图谱法"。此法主要用于检查机油的剩余洁净性,从斑点的颜色粗略地判断在用机油中污染物的多少和机油被氧化的程度,从而了解在用机油的污染变质     

典型强风化边坡开挖稳定性分析与加固方案设计

某高速公路所在地区为低山区,路堑开挖前山体自然坡体较稳定。施工过程中,路基挖方段某处左侧边坡发生多处崩塌,故对该典型边坡进行了详细稳定分析和评价,并提出切实可行的加固方案。得出的结论和加固措施可供同类工程参考。     

长安铃木新奥拓用车调查

在做深度测试时，这辆外形可爱，内饰精巧的小车曾用它灵巧的操控和惊人的油耗赢得了编辑部同仁们的一致好评。时隔数月，当马路上越来越多的新奥拓用自己鲜亮的色彩扮靓街市时，我们不禁很想知道，是不是已有更多的人和我们当初的体会相同……     

山岭隧道爆破效果神经网络评价模型及爆破参数优化决策方法研究

针对山岭隧道爆破开挖普遍存在的超欠挖过大、渣体块度不适等问题，分析了造成这些问题的主要因素，确定了隧道爆破开挖效果评价指标体系，建立了以爆破块度和超欠挖量为预测目标的隧道爆破效果神经网络评价模型，提出了基于深度学习的隧道爆破渣体块度实例分割算法，形成了山岭隧道爆破参数优化决策方法，进而开展了工程应用与验证。结果表明：（1）基于深度学习的隧道爆破渣体块度实例分割算法检测出的块体大小与真实值误差小于6.9%（置信度为95%），实现了隧道渣体块度样本数据的快速获取；（2）经148组工程实践样本数据训练后的隧道爆破效果神经网络评价模型能够较为准确地预测出爆破渣体块度与超挖量；（3）爆破参数优化后试验断面的平均线超挖量均在10%左右，较原方案降低了50%以上；实测得到的渣体块度与超挖值与模型预测结果一致性良好，偏差小于20%。     

基于温振融合与深度自编码器的高速动车组轴箱轴承故障诊断模型

因物理监测信息利用不足，动车组轴箱轴承故障诊断存在准确率较低问题。首先，利用高速动车组轴箱轴承试验台获取丰富数据，融合温度特征数据与振动特征数据，并使用主成分分析法进行融合与降维；然后，建立基于温振融合与DAE(深度自编码器)的轴箱轴承故障诊断模型，并通过深度自编码器进行模型训练；最后，用高速动车组轴箱轴承试验台测试集的数据进行模型验证。验证结果表明：与其他对比模型相比，基于温振融合与DAE的轴箱轴承故障诊断模型的诊断准确率更高。