装配式混凝土板桥桥面加固技术的试验研究

通过在装配式混凝土板板顶植筋并对桥面施加横向预应力,不但可以加强板与桥面铺装层的连接,而且还可以加强整体结构的横向整体性,增强结构对动载冲击、震动、磨耗抵抗能力.以寨河桥为工程实例,进行了植筋和预应力张拉前后10个工况的混凝土板挠度和应力的现场测试,结果表明,植筋等增加桥面预应力的措施确实能够预防桥面病害的发生,并能提高桥面的承载力,减小挠度,为相关工程提供了依据.     

某人防坑道受力分析与加固设计

通过对某人防坑道的加固处理实例,浅析基础下存在坑道的加固设计方法和带防空地下室的建筑物的地基基础分析方法,阐述了优化人防工程结构设计的过程,并为实际工程问题解决提供实例参考.     

钢纤维增强聚合物改性混凝土的疲劳损伤行为

对钢纤维增强聚合物改性混凝土这种新材料的弯曲疲劳损伤特性进行了试验和理论研究,并且和钢纤维增强混凝土进行了对比.通过合理定义损伤变量,由试验测定了新材料和钢纤维增强混凝土的疲劳损伤及其演化规律;根据疲劳累积损伤理论,提出了新形式的疲劳损伤演化方程,与试验结果对比,该方程能较好地反映新材料的损伤演化规律.对两种混凝土材料在相同加载应力水平下的疲劳损伤演化行为进行了比较,结果表明钢纤维增强聚合物改性混凝土比钢纤维增强混凝土具有更好的抗疲劳性能.     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

基于强化学习的连续型机械臂自适应跟踪控制

针对空间主动碎片清除操作中连续型三臂节机器人系统跟踪问题,提出一种基于强化学习的自适应滑模控制算法。基于数据驱动的建模方法,采用BP神经网络对三臂节连续型机械臂进行建模,并作为预测模型指导强化学习实时调节所提出滑模控制器的控制参数,从而实现连续型机器人运动的实时跟踪控制。仿真结果表明：提出的数据驱动的预测模型对随机轨迹预测的相对误差保持在±1%以内,能够高精度地反映系统动态特性。对比固定参数的滑模控制器,提出的自适应控制器在保证系统达到控制目标的同时具有更低的超调量和更短的调节时间,表现出更好的控制效果。     

强夯法在处理湿陷性黄土中的研究

从工程应用出发,阐述了强夯法在处理湿陷性黄土地基的加固机理以及强夯技术在处理黄土地基中的有效加固深度、夯击能等的确定,并对夯点的布置、夯击遍数和间歇时间和夯击加载机具的选择进行了介绍.     

改进型蚁群算法在Job Shop问题中的应用

应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的状态转移规则,讨论了各种不同的轨迹更新规则对仿真结果的影响,并通过统计数据验证了改进型蚁群算法优于标准的蚁群优化算法。由于算法中的参数对算法的求解效率和求解结果都有一定的影响,所以对此也进行了初步的研究,得到了运行较好的参数取值范围。     

一种无先验地图的移动机器人导航方法

为了提高移动机器人在复杂环境下的无先验地图导航算法模型训练速度及导航成功率,提出一种基于深度确定性策略梯度(deep deterministic policy gradient, DDPG)的移动机器人导航方法。利用2D激光雷达的均匀分布测距信息,降低环境噪声的干扰及高维度环境信息的计算量;采用人工势场法构建移动机器人从初始位置到目标点过程的奖励函数;通过Actor-Critic网络结构提高模型训练的稳定性和泛化能力。实验结果表明,提出的方法具有模型训练速度快、导航成功率高及泛化能力强等优点。     

多agent协同强化学习算法SE-MACOL及其应用

针对多agent团队中各成员之间是协作关系且自主决策的学习模型,在此对Q学习算法进行了适当扩充,提出了适合于多agent团队的一种共享经验元组的多agent协同强化学习算法。其中采用新的状态行为的知识表示方法,采用相似性变换和经验元组的共享,能够提高多agent团队协同工作的效率。最后将该算法应用于猎人捕物问题域,实验结果表明该算法能够明显加快多个猎人合作抓捕猎物的进程。     

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。