摘要：随着国内高速铁路网不断完善、城市内部和城际之间的轨道交通快速发展,城际列车设计速度逐年提高,达到160 km/h,其在运行过程中将面临一系列空气动力学问题。为分析160 km/h城际列车运行时的综合气动性能,利用STAR CCM+软件,采用三维雷诺时均Realizable k-ε湍流模型模拟城际列车的周围流场特性,应用重叠网格模拟列车穿越隧道的滑移运动,将原始头型、改进头型和车顶设备城际列车模型进行数值仿真分析,研究160 km/h城际列车明线运行和通过2种不同横截面积隧道时的流场特性和车体的受力情况,分析城际列车在不同工况下的气动性能。研究结果表明:适用于干线铁路160 km/h城际列车的头车气动阻力较大,通过改进头车的凹槽外形和空调导流斜面,可减少头车所受气动阻力,头车的阻力系数由0.397减小为0.349,降幅12%,整车减少8.26%。横风条件下,头车车身阻力系数随风向角的增大而减小,中间车和尾车的车体阻力系数随着风向角增大而增大,头车倾覆力矩系数最大,沿车身方向降低,尾车最小。城际列车以相同速度通过50 m^(2)和80 m^(2)隧道时,改进模型表面压力降低,且采用较大隧道截面面积时,列车所受压缩波和膨胀波的影响更小,运行品质更高。

摘要：当前,中国正以车路协同作为自动驾驶的主要发展路径,相关成果不断更新迭代,车路协同产业得到了快速发展。车路协同系统以“聪明的车”和“智能的路”为核心要素,以两者高效协同为基础支撑,其覆盖面广、产业链条长、跨界融合特征突出。首先,阐述车路协同概况,介绍关键技术、总体架构等。其次,梳理中国车路协同产业发展基础优势。不同于欧美发达国家,中国土地与道路设施的国有优势、新型举国体制下的制度优势、门类齐全的制造业基础优势以及全球最大自动驾驶的潜在市场优势,使车路协同成为中国智慧交通发展的优选之路。然后,从规划设计、法律法规、关键技术、标准规范等方面深入剖析发展中存在的问题。最后,针对性地提出中国车路协同产业发展的对策建议,以期加快车路协同发展、推进智慧交通建设。这对实现“交通强国”发展目标、贯彻落实双碳发展战略、保障国家交通信息安全、推动交通运输跨越式发展具有重要意义。

摘要：在经济全球化的今天,企业竞争已经由产品竞争发展到专利和标准的竞争。我国铁道行业在实施铁路"走出去"战略的过程中,不可避免地面临着国外企业的专利、标准和标准必要专利等多种壁垒。因标准必要专利承载了标准的普适性、权威性和专利的先进性、垄断性等特征,已经成为企业进行技术垄断和市场竞争的重要手段。本文在对全球铁道行业工程建设领域的标准必要专利检索的基础上,分析我国铁道行业专利标准化的现状及存在的问题,探讨铁道行业工程建设专利标准化工作思路。

摘要：研究目的:世界各地地震频发,出于结构抗震性能以及社会和经济效益考虑,需对大跨度斜拉桥的主引桥碰撞问题进行研究,以控制地震破坏程度。研究结论:(1)主引桥间距选值影响主梁残余位移变化;(2)引桥的存在可降低主梁梁端残余位移;(3)周期比、质量比、间距与主桥墩底弯矩和引桥对主桥碰撞做功的相关性分别为88%、91%;对弯矩影响程度由大到小的因素排序是:周期比(75.44%)、质量比(23.13%)、间距(1.43%);对碰撞做功影响最大的是质量比,最小的为周期比,且质量比和间距产生的是正影响,周期比产生的是负影响;(4)通过统计分析分别得到了三种因素与弯矩、碰撞做功之间的线性回归方程;(5)本研究成果可为桥梁抗震设计提供参考。

摘要：针对无法在学习节流与调速回路过程中对不同位置节流阀的执行元件速度负载特性分析的掌握这一问题,引进了Fluidsim仿真软件。利用Fluidsim软件实现的仿真模型建立和动画制作,学生可较好地了解、掌握三种节流调速回路的特性,并能按照需要调节液压回路。

摘要：常用的围岩分级方法受限于样本数量与经验归类,通常只适用于特定类型围岩,存在不良地质条件考虑不精细、多源地质信息利用不充分等局限,其智能化程度不高,在复杂地质条件下隧道围岩分级应用的精度和效率有限。针对这些问题,基于地质勘察设计、超前地质预报、岩石物理实验、掌子面测量等技术获取多源数据,综合考虑岩石性质、不连续体、地质背景、工程施工等多种因素对围岩分级的影响,提出一种融合多源异构信息的隧道围岩智能分级方法。综合多个网络单元构建关联多源异构信息与围岩级别的混合深度神经网络模型,可针对不同来源、不同类型的输入数据选用不同的网络结构开展特征学习,并面向围岩级别开展多分类目标学习,实现围岩智能分级,具有良好的灵活性。

摘要：迄今为止,传统机器学习方法依赖人工提取特征,复杂度高;深度学习网络本身特征表达能力强,但模型可解释性弱导致关键特征信息丢失。为此,以网络层次结合的方式设计了CRNN并引入attention机制,提出一种Text-CRNN+attention模型用于文本分类。首先利用CNN处理局部特征的位置不变性,提取高效局部特征信息;然后在RNN进行序列特征建模时引入attention机制对每一时刻输出序列信息进行自动加权,减少关键特征的丢失,最后完成时间和空间上的特征提取。实验结果表明,提出模型较其他模型准确率提升了2%~3%;在提取文本特征时,该模型既保证了数据的局部相关性又起到强化序列特征的有效组合能力。

摘要：裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。