管线综合工程设计工作总结

该文对两个较复杂的管线综合工程通过比较,作出结论,可供相关专业人员参考。     

基于神经网络的桩基完整性预测分析

反射波法进行桩基完整性检测时,常规理论分析结果与实际状态存在一定的差异。文中以反射波法检测基本数据为基础,分析影响桩基质量的主要因素,针对桩土共同作用的动静力学特征,选择了5个方面的重要因素,建立神经网络评价系统的影响因子,根据这些影响因素对桩基质量检验的影响规律,给出它们的影响系数。通过建立神经网络预测系统,对桩身缺陷的位置、类型和程度给予合理准确的解释。     

基于数据融合的交通事件检测方法

针对传统交通事件检测方法的不足,文章提出一种基于数据融合的交通事件检测方法,该方法结合了直接检测与间接检测的优势,有效提高了交通事件自动检测的效率,对于提高高速公路的安全运营和自动化管理具有重要意义。     

探地雷达对路面板脱空现象检测时的信号分析与处理

基于探地雷达对水泥混凝土路面板探测原理,推导出当路面板下出现脱空时反射波传播发生变化的时差公式。分析路用探地雷达检测时的回波信号,针对由于噪声而出现的各种杂波信号,提出滤波处理方法,保留有用的回波信号。利用小波分析方法,对山东烟台—威海高速公路试验段探地雷达实地检测所得信号进行分析,剔除各种误差,以准确测得脱空厚度。结果表明,采用探地雷达方法具有快速、无损、精度高等优点。     

长距离输水工程中的低碳节能措施

近年来,由于CO2等温室气体过量排放而造成的气候变暖已成为全球关注的焦点,发展低碳经济、推动节能减排成为人们应对全球气候变暖的重要措施。该文结合工程实践情况,从管材、管径选择,管道路线布局,水泵选型和设置等方面,对长距离输水工程中的节能措施进行探讨,以期为今后此类工程的设计和实施提供一些思路。     

泥水平衡顶管施工对地下管线的影响

该文介绍了一个DN1000顶管穿越DN1200煤气管道及2-2400×2400污水箱涵的工程实例。其中,顶管与污水箱涵净间距仅为1.5m。为保护既有管线,加强了对既有管线、箱涵及地层沉降的监测。根据监测结果,合理调整了顶管施工各项参数。监测数据表明,该工程的地层损失率最大为3.4%,管线处地层损失率最大为1.5%,最终,把煤气管线和污水箱涵的变形控制在容许范围内。     

汽油机OBD失火检测技术

车载自动诊断系统（OBD）是实行国Ⅲ和国Ⅳ排放标准的核心内容,汽油机失火诊断是OBD的一个重要功能。指出了汽油机失火的原因和危害,分析了汽油机失火检测的3种方法,建立了TU5JP4汽油机曲轴转速检测法的GT—Power仿真模型。结果表明：汽油机失火时,转速和扭矩都会出现短时间的下降,其中扭矩下降更为明显,同时排气中O2浓度升高,CO2的浓度下降。将GT—Power软件应用于发动机失火故障模拟,对失火诊断系统的开发有较好的指导作用。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

寒区公路隧道消防管道放水保温模式优化研究

寒区公路隧道消防系统保温关系着隧道运营消防安全。为了优化寒区隧道消防管道放水保温方案,建立了管道保温计算模型,根据传热学原理,采用多工况对比优化分析的方法,分别计算了消防主管和消防支管的放水时间和放水量,并确定了合适的保温层厚度;运用ANSYS软件对消防支管在无保温层和确定保温层厚度下进行了管道温度模拟分析。结果表明: 保温层越厚保温效果越好,但厚度达到一定值时,保温效果增长不明显,其厚度合适取值为0.06～0.08 m;环境温度和保温层厚度相同时,消防系统不冻,消防主管控制着放水量,消防支管控制着放水时间,应遵循“消防支管勤放水,消防主管控制放水量”的原则;数值模拟结果验证了消防支管在0.08 m保温层时,间隔8 h放水能够满足管道不冻的要求。结果可为寒区隧道消防管道保温设计提供依据。     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素;裂缝检测模型集成于机器人平台,从而实现对土木基础设施的全自动裂缝检测。为此,从以上4个方面对当前研究进行了系统梳理。首先,回顾了深度学习的发展历程,重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着,详细介绍了3类基于深度学习的裂缝检测主流算法,包括分类算法、目标检测算法和语义分割算法。然后,对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后,总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类,而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取;由于像素级标注的成本和专业性高,大型的裂缝语义分割数据集相对缺乏,致使当前基于语义分割算法的裂缝检测模型鲁棒性较差;目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价,缺乏统一的基准测试数据集和评价指标体系,无法对不同模型的性能进行平行比较;目前针对不同基础设施已相应开发了一些裂缝检测机器人,提高裂缝检测机器人的多场景适应性,并降低其应用成本是未来的发展方向。