城市轨道交通车站低压负荷需要系数研究

针对城市轨道交通车站变压器容量选择过大、负荷率低的问题,通过分析车站用电负荷计算过程,得知需要系数Kx与多种因素有关。基于武汉地铁秋季和夏季用电负荷实测数据,并结合设计手册中各设备需要系数的取值,通过研究螃蟹岬站实际用电情况,给出轨道交通不同类型用电设备的需要系数取值或范围。同时也提出,考虑到大功率风机的启动情况,地下车站变压器容量不宜小于800 k VA。该结果对于城市轨道交通车站负荷计算和变压器容量选择具有指导意义。     

青藏铁路客车沿程需氧量仿真研究

为研究和改进青藏铁路旅客列车供氧系统,以格尔木一拉萨段青藏铁路旅客列车为例,采用集总参数法建立列车内部含氧量变化的动态数学模型,运用MATLAB软件的SimuLink工具对车内含氧量进行仿真,分别得到不供氧和以13.7 kPa氧分压持续供氧情况下的列车内外氧含量变化曲线,以及沿程最低需氧量和累计的最低需氧量总和.将这些结果与基于稳态的供氧量工程实用表达式的计算结果进行比较,经分析得知,只需将工程实用式稍加修正,两者结果就会非常吻合.这说明用修正后的工程实用式代替动态法计算客车需氧量简便可行.     

渭南铁路物流中心物流需求和功能定位分析

为了明确渭南铁路物流中心具体开展业务类别,项目功能、产品及客户群体定位等,根据辐射和服务地区的经济产业结构特征,对项目物流需求可能涉及的相关行业进行市场细分,针对每类专业市场深入调研及分析,寻求对项目有需求的客户群体、项目可开展的业务类别和发展方向,预测铁路物流到发量和仓储量,在此基础上,分析得出项目的总体定位,功能、产品和客户群体定位。对渭南市铁路物流中心的发展具有一定的决策参考价值。     

基于因子分析的我国货运弹性系数趋势

影响货运弹性系数的经济因素是多方面的,利用因子分析的方法,将各个影响因素综合为一个公共因子,可以综合反映经济对于货物运输的影响。     

上海世博交通信息服务系统框架

为保障上海世博交通正常运行,从不同区域和出行过程中不同地点两个方面分析了世博交通信息服务的需求特点。提出了世博交通信息服务系统框架,具体描述了信息服务集成应用平台和信息应用服务系统。阐述了出行综合信息服务系统、公共交通信息服务系统、道路交通联动诱导系统、公共停车信息服务系统、枢纽交通信息服务系统、客流预测预报服务系统、园区客流引导服务系统7个世博交通信息应用服务系统的功能。最后提出了系统建设的措施和建议。     

北京奥运城市交通仿真平台及应用

奥运城市交通仿真平台用于模拟奥运期间北京市区交通运行状况,在宏观和微观层面上提供交通规划、交通组织、交通需求管理方案测试的平台。仿真平台采用先进的基于活动链的理念,在分析城市日常交通需求和赛时交通特征变化的基础上,以大量的实测数据为基础搭建了模型的框架体系,并介绍了背景交通模型和奥运运行模型两部分内容。最后,以赛时交通需求管理政策的制定为例,说明了奥运城市交通仿真平台的应用。     

基于溢出交通需求的城市轨道交通线网规模测算模型

为了从道路建设的程度测算城市轨道交通线网的规模,分析了目前国内采用的轨道交通线网规模测算方法,提出了基于溢出交通需求的轨道交通线网规模测算模型。在保证规划年城市道路网能维持一定的服务水平的前提下,测算出城市交通总需求相对于道路供给的溢出量,将溢出交通需求换算成客运量转由轨道交通承担,利用轨道交通线网的负荷强度指标进而可确定轨道交通线网规模,并采用不同的方法对2020年西安市轨道交通线网规模进行了测算。测算结果表明:按出行需求推算的线网规模为103·68km,从财政实力"可能"的角度分析为66·32~94·74km,基于溢出交通需求推算为95·89km,计算结果基本一致,说明提出的测算模型可行。     

基于人均产值此的成都市物流需求分析

在阐述物流需求与人均国民生产总值关系的基础上,运用“人均产值比”法,对影响成都市农产品、工业品和居民消费品物流需求的主要因素进行分析,从而得出成都市物流需求基本特征,可为物流发展及规划提供参考。     

A data-driven dynamics simulation framework for railway vehicles

The finite element (FE) method is essential for simulating vehicle dynamics with fine details, especially for train crash simulations. However, factors such as the complexity of meshes and the distortion involved in a large deformation would undermine its calculation efficiency. An alternative method, the multi-body (MB) dynamics simulation provides satisfying time efficiency but limited accuracy when highly nonlinear dynamic process is involved. To maintain the advantages of both methods, this paper proposes a data-driven simulation framework for dynamics simulation of railway vehicles. This framework uses machine learning techniques to extract nonlinear features from training data generated by FE simulations so that specific mesh structures can be formulated by a surrogate element (or surrogate elements) to replace the original mechanical elements, and the dynamics simulation can be implemented by co-simulation with the surrogate element(s) embedded into a MB model. This framework consists of a series of techniques including data collection, feature extraction, training data sampling, surrogate element building, and model evaluation and selection. To verify the feasibility of this framework, we present two case studies, a vertical dynamics simulation and a longitudinal dynamics simulation, based on co-simulation with MATLAB/Simulink and Simpack, and a further comparison with a popular data-driven model (the Kriging model) is provided. The simulation result shows that using the legendre polynomial regression model in building surrogate elements can largely cut down the simulation time without sacrifice in accuracy.