海底埋设管线平管起吊运动分析

基于有限元软件OrcaFlex,充分考虑不规则波浪、海流、管土相互作用以及船舶管线耦合运动,建立海底埋设管线平管起吊模型。参考DNV-RP-F110计算埋深管道受到的土壤阻力,依据DNV-RP-C205确定相关水动力系数。通过数值模拟研究分析管线在平管起吊过程中管道的运动响应以及吊绳张力的时间历程变化,为实际海底管线平管起吊提供一定理论参考。     

空间数据挖掘及其在海洋地理信息系统中的应用

空间数据挖掘是数据挖掘中的一个重要门类,空间数据挖掘的意义是在空间数据库或数据仓库的支持下,提取、推理出未知、有价值、可利用的关系、模式或趋势,从而为决策系统提供支持。随着海洋测量技术和电子地图技术的持续发展,以及计算机存储容量的不断扩大,使得海洋地理信息系统中出现了海量数据,如何对这些数据进行有效利用,从而进一步发现价值,是当前海洋地理信息系统研究的主要课题之一。本文介绍空间数据挖掘技术的主要原则,分析空间数据挖掘的实际效果,并研究空间数据挖掘在海洋地理信息系统中的应用,为今后海洋地理信息系统的完善和提高提供依据。     

流体域特性对流固耦合振动计算的影响

船舶结构的水下振动预报一直受到广泛的重视,计算机技术的发展使得有限元法成为求解复杂船舶结构流振耦合振动的有效方法。本文基于船体结构与周围流体介质的耦合作用建立典型圆柱壳流固耦合振动计算的有限元模型,重点分析流体域边界处理方式、流体域形状、流体域范围对耦合振动计算结果的影响,提出合理的流体域建模方法。同时分析流体网格控制方式对于耦合振动计算的影响,为水下结构物耦合振动分析提供参考。     

城市轨道交通与沿线房地产开发的互动效应

城市轨道交通的建设,使沿线的房地产开发得到有力推动。另一方面,由于轨道交通沿线房地产的高度密集,来往客流相当丰富,也为轨道交通的运营提供了有力保障。以广州市轨道交通沿线房地产的实例进行分析,阐述城市轨道交通与沿线房地产开发之间的互动效应。     

改进的道路交通安全灰色聚类评价方法

传统的灰色聚类评价方法在确定灰类白化值时,由于受到样本数据的约束,使得评价只是在样本范围内进行比较,没有真正达到评价的目的。针对这一不足,对传统的灰色聚类评价方法进行改进,通过确立合理有效的评价指标体系,并通过相关规范标准确定灰类白化值,改变传统方法确立灰类白化值的模式,以获得一个更加合理的评价标准,使评价结果更加准确、合理。改进的灰色聚类评价方法有理论依据、算法简单、可操作性强,评价结果能更好的反映道路交通安全状况。将该方法用于3个城市的道路交通安全评价,取得了良好的效果。     

改善刚柔过渡区域弓网关系的探讨

对刚柔过渡区域刚性和柔性接触网的弹性不同及接触线高度不等情况进行了定性及定量分析,找出该区域弓网关系恶劣的原因,并针对原因提出改善刚柔过渡区域弓网关系的解决方案。     

联合站游离水脱水器数学建模与应用

结合原油物性的复杂性和多变性,讨论了建立游离水脱除模型的6个假设条件,建立了沉降分离模型,分析了影响水的密度、黏度及原油的密度的主要因素,给出温度变化对上述参数影响的计算公式。对建立的数学模型进行了计算应用,并分析了产生误差的原因,提出了改进意见。     

大跨径连续刚构桥主跨底板合龙预应力束的空间效应研究

对大跨径连续刚构桥中跨底板混凝土在底板预应力筋作用下可能纵向开裂的现象进行了分析,阐述了产生这种现象的力学机理。根据一座跨径布置为140 m 268 m 140 m的单箱单室预应力连续刚构桥的结构与设计特点,对该桥在底板预应力作用下的空间效应不利影响进行了分析,提出了避免跨中箱梁底板纵向开裂、底板混凝土向下崩出和腹板竖向拉应力过大的建议,可为大跨度连续刚构桥的设计提供参考。     

基于安全和情感化的汽车辅助驾驶系统多模态交互设计研究综述

汽车作为目前人类最常使用的交通工具之一,其智能驾驶技术大部分处在L2～L3“人机共驾”技术的发展阶段,在L5级自动驾驶技术出现之前,“人机共驾”仍然是目前主流的驾驶方式,其各种车载系统和交互方式正在不断完善。多模态交互作为未来设计的发展趋势,必然将与汽车融合产生新的“火花”。对车载系统中多模态交互设计研究包括疲劳状态预警、碰撞预警、车道偏离预警、智能接管提醒、智能泊车等方向进行梳理总结,对车载AI多模态交互设计包括多屏交互、触控交互、手势交互、语音交互、表情交互、眼动交互等自然交互方式进行分析。采用文献研究及案例分析的方式探究如何在基于安全和情感化的背景下使驾驶员的体验更加舒适,展望了汽车多模态交互设计在车载系统中的应用及未来趋势。恰当而良好的交互方式融合将会提高各种车载系统及应用的安全性和驾驶的舒适度。多模态交互的引入必将是汽车发展的趋势。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。