苏通大桥斜拉桥伸缩缝位移的长期监测与分析

以苏通大桥斜拉桥347 d的伸缩缝位移为对象,研究苏通大桥斜拉桥伸缩缝服役性能评价方法.首先提出了伸缩缝位移的概率统计分析方法,在此基础上验证了伸缩缝设计性能.其次,提出了伸缩缝位移与温度的相关性分析方法,在此基础上评价了伸缩缝使用性能.分析结果表明:①苏通大桥斜拉桥的伸缩缝位移可以通过2个正态分布函数的加权和来描述其概率分布,温度年变化作用下伸缩缝的极值位移远小于伸缩缝设计位移;②苏通大桥斜拉桥伸缩缝位移与温度具有良好的线性相关性,并且苏通大桥北端的伸缩缝存在性能退化的可能,需要积累更多的数据进行分析.     

基于破坏概率分析的滑坡稳定性评价

结合三峡库区某滑坡的治理工程,利用Slope/W软件将破坏概率分析对滑坡的稳定性进行评价。研究结果表明:基于破坏概率分析的滑坡稳定性评价,可以降低由于抗剪强度参数的随机性、测试的误差、地质体的不均匀性、外界因素变化的随机性等对于滑坡稳定性评价结果的影响,能较为客观地反映岩性的实际分布状况。相比单一稳定性系数评价滑坡稳定性的方法,将滑坡破坏概率与传统的稳定性系数相结合,可较客观地评价滑坡的实际稳定状态。分析结果表明:在滑坡含水饱和+地震条件下,该滑坡处于破坏状态。     

基于贝叶斯概率估计的智能电动车动态目标避障算法

为了实现智能电动车在中汽中心智能网联示范基地内的动态避障,首先将直角坐标系与曲线坐标系进行转换,构建以参考路径的弧长s为横坐标,横向偏移距离q为纵坐标的曲线坐标系;其次,在曲线坐标系中利用三次多项式生成满足初始位姿与子目标点位姿的候选路径,同时对标准化常量的似然函数进行定义,在此基础上利用贝叶斯定理对每条候选路径的危险等级进行概率估计;在动态避障过程中,借鉴速度障碍法对碰撞威胁进行实时检测,并建立最短避障时间和安全距离的数学模型来实现高效的动态避障,最后对行人占用车道行走与横穿马路2种典型场景进行动态避障试验。研究结果表明：在曲线坐标系中,通过横向偏移距离能够便捷地建立起一系列候选路径,克服在直角坐标系中寻找移动子目标点这个难题;在寻找安全路径方面,由于智能电动车工作环境的不确定性,利用贝叶斯定理对候选路径危险等级进行概率计算的方法可靠性更高,速度障碍法与避障数学模型的结合满足碰撞危险检测的实时性和动态避障的高效性要求。试验结果表明：采用曲线坐标系中的动态避障算法对行人占用车道和横穿马路2种场景进行了有效的避障,在路径选择上符合实际驾驶习惯,达到了智能网联示范基地动态避障的要求。     

蒙特卡洛概率分析法在高边坡稳定计算中的应用

以某高边坡为研究对象,确定边坡坡率进行放坡处理和加固设计,采用蒙特卡洛概率分析法对边坡放坡后和治理后的稳定性进行分析,并与传统的极限平衡法计算结果进行了对比,两种计算方法具有相当的一致性。蒙特卡洛概率分析法能较为准确、全面评价边坡的稳定性,同时也是对传统极限平衡分析的进一步验证。     

ANSYS在冲击(撞击)荷载作用下桥墩应力可靠度分析中的应用

基于大型通用有限元软件ANSYS概率设计系统,提出利用ANSYS概率分析功能对桥墩在冲击荷载作用下最大应力进行可靠性分析的方法。采用ANSYS的中心复合设计法,对桥墩在冲击荷载、荷载位置、弹性模量以及密度等随机变量作用下的结构可靠度进行计算,获得桥墩应力响应的可靠度指标和桥墩的失效概率,以及最大应力与各个随机变量的相关灵敏度等一系列具有重要价值的结论。     

基于非完备贝叶斯网络的车型识别方法

针对BP神经网络等车型识别算法不能很好地适应我国车型复杂状况，分析了贝叶斯网络（IDS-BN）算法中完备数据集的问题，提出了基于非完备数据集的贝叶斯网络车型识别方法和车型识别系统结构模块，基于该模块拟定了车型特征变量．构建了车型识别网络模型，并给出了模型参数学习、车型分类器等算法，包括MDL评分和贪婪搜索的结构学习、EM参数学习、随机模拟采样推理等。实验表明，该方法识别率较高，鲁棒性好，满足我国车型识别的实际要求。     

基于偏差分析的交通事件自动检测算法

高速公路事件检测是交通管理与控制中十分重要的环节。将交通流动态预测与事件检测相结合,探讨了基于偏差分析的事件识别方法。该方法对3个主要的交通流参数,交通量、地点车速和时间占有率进行动态预测,对预测值与实际值的偏差进行统计分析,明确了事件检测的具体步骤和事件发生概率的计算模型。该方法不受检测路段具体位置和时间的限制,具有较高的检测率和较小的误报率,有助于管理人员制定决策。     

隧道与互通出口小净距路段换道可靠性研究

为分析高速公路隧道与互通出口小净距路段在不同交通流状况下的车辆驶出概率,提出了基于交通仿真的安全换道概率模型。首先,采用VISSIM标定仿真模型并进行正交试验,获取小净距路段在不同净距长度、交通量、驶出比例、大型车比例下的交通数据,在此基础上确定瞬时交通流密度及相应车流平均速度的计算方法,构建相应的分布模型,通过K均值聚类算法研究不同速度下的瞬时交通流密度大小和出现概率;同时引入可靠度方法并利用微分法来构建车辆安全换道概率模型,综合考虑车速、车流密度、目标车道临界可插入间隙等因素的不确定性,应用蒙特卡罗仿真法搭建求解概率模型的算法,并通过MATLAB对模型进行求解;针对分流车初始位置的不同,分别得到了不同交通量、大型车比例、净距长度下的换道驶出成功率,进而研究不同交通流状况组合下的净距长度。结果表明：交通量、大型车比例、净距长度对净距路段内侧车道车辆换道驶出成功率有显著性影响,研究结果可为规范的进一步完善提供参考。     

超高速公路圆曲线半径参数的可靠性分析

为探究超高速公路路线设计确保车辆行车安全的圆曲线最小半径值,引入可靠度理论,以汽车在圆曲线路段行驶时不产生横向滑移为约束条件构建动力学模型,利用该模型对圆曲线半径进行分析,并提出圆曲线半径的可靠度功能函数。对功能函数中的车辆运行速度、路面横向摩擦系数、道路超高值等相关参数进行统计,并分析其分布规律。求解设计速度分别为100,120,140,160 km/h时超高速公路圆曲线的最小半径值,取整后用蒙特卡洛法仿真估计各设计速度对应最小半径的失效概率。结合公众心理承受度,以失效概率小于0.01%为基准,对各设计速度下的圆曲线半径进行可靠性设计,得到超高速公路圆曲线最小半径推荐值在潮湿的路面条件下分别为920,1 000,1 100,1 220 m;在积雪的路面条件下分别为1 380,1 400,1 420,1 450 m。实证结果表明：在事故率较高的路段,各段圆曲线半径对应的失效概率最小值为0.019 5%,大于最小圆曲线半径的失效概率值0.01%。采用0.01%的失效概率设计超高速公路圆曲线半径,可保证其安全性高于现有标准。     

网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。