深圳城市轨道交通工程盾构区间造价指标分析

城市轨道交通工程具有投资规模大,建设时间紧,专业涉及面广,工程技术复杂等特点。总结深圳市已建城市轨道交通工程的技术经济指标,针对盾构区间隧道工程,研究轨道交通工程建设标准和造价指标体系,为合理确定本地区城市轨道交通工程建设和造价标准提供科学依据。通过确定盾构区间各项主要指标,为政府投资决策提供技术支撑,以期对轨道交通高质、高效发展起到一定推动作用。     

浅谈青藏线转辙设备的养护与维修

本文根据CTS2轨枕式转辙机本身的特点以及青藏铁路的管理模式，从养护、维修的角度，简要说明了CTS2轨枕式转辙机需要的养护工作量、故障处理方法、维修特点及在施工中要注意的问题。     

盾构法隧道纵向地震响应特性

采用土—结相互作用的动力有限元法,引入无长度的3自由度弹簧单元模拟纵向螺栓接头,分析行波波长、地基刚度与阻尼对盾构法隧道纵向地震响应的影响。分析结果表明:行波从水平方向输入时有突变弯矩产生,突变弯矩随波长和阻尼的增大而减小,而地基刚度系数对突变弯矩的影响相对较小;行波作用下,产生的接头最大轴力及最大弯矩值均随波长的增大而减小,而地基刚度系数及阻尼系数取值对最大弯矩值的影响较小。因此,建议在实际工程设计计算中要重视输入地震动参数的选择,且取较小的阻尼系数。     

相依性条件下滨海软土隧道盾构施工渗漏水风险评价

滨海地区多为海相和湖相沉积的软土,施工难度大,渗漏水病害多发,因此,应对盾构施工过程的渗漏水风险进行评价来保证隧道安全施工。构建渗漏水风险评价三级指标体系,将云模型与Copula函数结合,基于Copula函数对于风险指标中相关风险因素的相依性处理,云理论对于定性与定量概念的处理与转换优势,构建相依性条件下的二维和三维云-Copula模型。以宁波市轨道交通1号线为例,利用云-Copula模型计算二级指标对于各个风险等级的隶属度,确定危险性较大的二级指标为注浆质量、止水条、衬砌混凝土自防水。利用D-S证据理论进行证据融合确定该检测区段渗漏水病害的风险状态为安全,但有向基本安全状态发展的趋势。通过对危险性较大的指标加强监控,使渗漏水得到有效控制,为软土盾构隧道施工过程中渗漏水病害的风险评价与管理提供了一种新的方法。     

ZYJ7型电动液压转辙机控制电路故障判断与处理

根据ZYJ7型电动液压转辙机启动、表示电路原理,结合日常处理故障经验,从室内到室外阐述了判断ZYJ7型电动液压转辙机启动电路、表示电路各种故障方法,为我们日常处理ZYJ7型电动液压转辙机启动电路、表示电路故障提供了准确、快捷的处理方法。     

智能车辆机器视觉发展近况

简要回顾了机器视觉的早期发展，从简单的特定场合应用到模拟人眼的复杂系统设计，介绍了机器视觉产品在智能汽车上的应用情况，分析了世界各国在车用机器视觉技术领域研究开发情况以及未来发展趋势。     

基于视觉的前方车辆探测技术研究方法综述

对国内外关于车道上本车前方车辆检测方法进行了综述。根据探测车辆所采用的传感器不同,分别对采用单目视觉、双目视觉、视觉与其他传感器融合以及非视觉传感器的几种探测方法进行了比较与分析。同时,针对每种探测方法,进一步阐述了目前车辆识别的一些具体算法。最后,指出了每种方法存在的优点和一些不足。     

R/S分析法在盾构下穿机场过程中的地表变形规律研究

为保证机场的正常运营,在盾构下穿机场的施工过程中,对地表沉降变形控制的要求较高,因此对穿越过程中的施工控制和变形规律研究具有重要意义。首先,基于盾构下穿机场的工程条件,分析盾构下穿过程中的风险,并提出相应的控制措施;同时,根据现场监测数据,分析盾构下穿机场过程中的地表沉降变形规律,并利用R/S分析法对地表沉降的发展趋势进行研究。结果表明:盾构施工引起的机场地表变形均在控制值范围以内,且各监测点在不同序列条件下的Hurst指数均大于0.5,具有沉降持续减弱的趋势,验证下穿过程中风险控制措施的有效性,为类似下穿机场的盾构施工提供一定的实践经验,也为盾构施工引起的地表沉降变形规律研究提供参考。     

Identifying tourists and analyzing spatial patterns of their destinations from location-based social media data

Reliable travel behavior data is a prerequisite for transportation planning process. In large tourism dependent cities, tourists are the most dynamic population group whose size and travel choices remain unknown to planners. Traditional travel surveys generally observe resident travel behavior and rarely target tourists. Ubiquitous uses of social media platforms in smartphones have created a tremendous opportunity to gather digital traces of tourists at a large scale. In this paper, we present a framework on how to use location-based data from social media to gather and analyze travel behavior of tourists. We have collected data of about 67,000 users from Twitter using its search interface for Florida. We first propose several filtering steps to create a reliable sample from the collected Twitter data. An ensemble classification technique is proposed to classify tourists and residents from user coordinates. The accuracy of the proposed classifier has been compared against the state-of-the-art classification methods. Finally, different clustering methods have been used to find the spatial patterns of destination choices of tourists. Promising results have been found from the output clusters as they reveal most popular tourist spots as well as some of the emerging tourist attractions in Florida. Performance of the proposed clustering techniques has been assessed using internal clustering validation indices. We have analyzed temporal patterns of tourist and resident activities to validate the classification of the users in two separate groups of tourists and residents. Proposed filtering, identification, and clustering techniques will be significantly useful for building individual-level tourist travel demand models from social media data.