模具结构对连续纤维增强热塑性复合材料性能的影响

采用自行设计的两种不同结构的熔融浸渍模具制备了连续玻璃纤维增强聚丙烯预浸带，测试了模具结构对预浸带的孔隙率、纤维断裂率、界面形貌、纤维分散均匀度和拉伸强度的影响，建立了纤维浸渍模型和纤维断裂模型，并通过理论模型对预浸带的孔隙率和断裂率进行理论预测。结果表明，本文建立的数学模型能够有效预测预浸带的浸渍程度和纤维断裂率，可用于浸渍模具结构的优化设计；在本文范围内，与波浪形模具相比，斜齿形模具的多楔形区结构可以有效地降低预浸带孔隙率和提升纤维分散程度；波浪形模具的流道圆角半径较大，楔形区个数较少，与斜齿形模具相比，可有效降低纤维断裂率并提升拉伸性能。     

共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

钩形弯交叉口信号协同控制优化方法研究

针对车辆在钩形弯交叉口与相邻常规交叉口间的整体运行特性，建立了各条车道的车辆平均延误计算模型。以各交叉口的周期时长和相位绿灯时间为约束，钩形弯交叉口与相邻常规交叉口间的车辆平均延误最小为目标，建立了信号协同配时方案。以位于苏州市高新区内有轨电车沿线的两个相邻交叉口为例，采用实际数据验证所建立的方法，并设置钩形弯渠化方案。将设置的钩形弯交叉口与其相邻常规交叉口的信号协同作为改进方法，在VISSIM软件中对比分析改进方案与现状方案的车辆延误指标。实验结果表明，钩形弯交叉口与相邻常规交叉口的信号协同优化方法可有效提高交叉口的通行能力，尤其是干道直行机动车的通行能力，可降低车辆的平均延误。     

纤维加筋土技术国内外研究进展

根据国内外近20年来在纤维加筋土技术方面取得的研究成果,主要对纤维加筋土的力学特性、变形特性、本构模型、动力特性及天然纤维加筋土应用技术等方面的研究现状进行了介绍。研究发现,针对纤维加筋土的强度特性进行的大量研究均表明,加筋纤维能有效提高土体的抗剪、抗压、抗拉强度和承载力,降低膨胀土的胀缩性,而纤维含量、纤维长度及龄期是影响纤维加筋土强度和变形的主要因素;在动力特性方面,纤维加筋可以提高土体的动力学性能,但相关研究较少,尚未形成系统的理论;在本构模型方面,目前的模型主要用于预测纤维加筋土的抗剪强度,缺少能够完整描述纤维加筋土应力应变关系的本构模型。在天然纤维加筋土及其应用方面,由于是近年来才逐步开展的研究,尚缺少大范围的研究,理论还不完善。最后,对纤维加筋土研究现状进行了概括,并针对目前研究中的不足,提出了今后该领域的研究重点和方向,主要包括:开展大试样及大尺度模型试验、纤维加筋土的本构模型研究、纤维加筋土的动力学特性研究、纤维加筋特殊土研究、天然纤维加筋土的系统研究等。     

青藏铁路含保温夹层路基厚度与地温关系的研究

通过对青藏铁路风火山段含有保温夹层的路基建立均匀介质分层纯导热模型并运用分层近似解法求出冻土表层的温度函数,结合Lachenbruch给出的冻土层的理论温度表达式,得到了路基填料层、保温层、地表年平均温度与正弦变化温度的振幅比三者之间的隐式方程,并应用该方程对三者之间的关系进行了分析.     

张量广义特征值的S-型包含区域

设{A,B}为m阶n维正则张量对,通过将指标集N={1,2,…,n}划分为非空真子集S及其补集S珚=N/S,利用分类讨论的思想以及张量对{A,B}某些元素选取的任意性和不等式缩放技巧,解决了张量对{A,B}的特征值定位问题,并给出张量对{A,B}特征值的S-型包含区域.数值结果表明,所得包含区域比已有包含区域更精确.