台风环境下移动列车的时变风速参数化研究

随着我国东南沿海高铁网络的不断发展与完善,台风等极端天气频繁骚扰路网,对高铁的行车安全构成了巨大威胁,然而,现有基于静止建筑物的台风风场研究无法应用于在桥梁上行驶的列车。为探究桥梁上不同台风和列车运动状态以及台风与列车相对初始位置下移动列车的时变风速情况,并预判台风产生的危害,降低其对列车产生的影响,首先根据各学者提出的风速分布、气压分布以及移行台风风场模型等因素分析确定最合适的台风模型——Jelesnianki(1965)台风风场分布数学模型,推导从不同方向、不同位置驶入台风区的高速列车的时变风速数学表达式,并通过数学表达式逐一改变影响台风与列车运动状态的变量进行参数化分析,研究不同台风运动参数、列车运动参数以及台风与列车初始位置三大类变量对移动列车时变风速的影响规律。分析结果表明:移动列车时变风速和三大类变量下的台风运动方向、台风中心最大风速、台风中心移动速度、台风地理坐标、列车行驶速度、列车行驶方向、列车与台风中心初始距离以及时间等参数相关。其中,台风运动方向、台风中心最大风速、台风中心移动速度以及列车与台风中心初始距离对移动列车时变风速影响最为显著。研究结果可为风-车-桥耦合分析提供参考,并对提高高铁路网安全具有重要意义。

基于深度学习和无线传输的桥梁裂缝图像识别系统

目前混凝土桥梁裂缝检测自动化程度低且多依靠人工肉眼判定裂缝的出现。为解决该问题,设计了一种便于搭载在检测设备上的桥梁裂缝识别系统。分为以下三个部分:采集传输系统,采用OV5640摄像头获取实时JPEG格式图像,使用WIFI协议完成JPEG数据流的传输,实现通过网络的图像实时传输;图像处理系统,采用与C#语言相对应的OpenCV函数库Emgu设计了一种高效视频流图像处理方法,并采用图像灰度化、中值滤波、阈值分割等方法处理裂缝图像;图像识别系统,在AlexNet神经网络的基础上改进设计了识别精确且速率更快的神经网络,用于裂缝的自动识别。通过对桥梁表面扫描拍摄,该识别系统可快速识别并定位裂缝,能够较大地提高裂缝检测自动化程度,推动了桥梁裂缝检测技术的发展。