摘要:近年来,随着无人机技术与具身智能的深度融合,低空无人机凭借其高机动性、多模态感知能力与自主决策能力,在智慧物流、城市巡检、灾害救援等领域展现出巨大潜力。然而,复杂动态的低空环境(如密集障碍物、气象扰动)对无人机的感知精度、实时决策与系统鲁棒性提出了严峻挑战。尽管已有大量研究围绕无人机具身智能展开,但大多聚焦于单一技术模块,缺乏系统性技术链梳理与跨领域协同分析。为此,文章从"感知-决策-控制"一体化系统出发,系统综述了低空无人机具身智能的关键技术体系与最新进展,梳理其在多模态感知、任务推理、物理交互与仿真训练等方面的发展路径,并展望未来的研究趋势。

摘要:随着城市化进程的加快和轨道交通网络的持续扩展,轨道交通系统在运营调度、设施维护和列车控制等方面亟需更高效、更精细和更智能的解决方案。人工智能(AI)凭借其在数据感知、模式识别和智能决策方面的优势,正在深刻重塑轨道交通的技术体系与管理模式。文章以AI赋能轨道交通为核心视角,围绕运营优化、设备维护和智能驾驶三个关键环节,系统梳理了当前研究进展与工程实践。从现有方法在数据维度高、模型可解释性不足及系统融合度有限等方面的主要挑战出发,文章进一步探讨了深度学习、图神经网络、协同多智能体强化学习、自监督学习与数字孪生等AI技术的应对路径。最后,本文展望了未来轨道交通在算力支持、标准体系构建与人机协同智能体发展等方向的趋势,为AI与轨道交通的深度融合提供理论参考与实践启示。

摘要:探究随机列车荷载下联合分布式宏应变监测与机器学习的桥梁评估预警方法，实现铁路桥梁分布式快速评估。建立列车-轨道-桥梁耦合振动三维精细化有限元模型，应用荷载统计分析方法构建与实际列车运营相适应的随机车流模型，基于分布式监测原理，提出分布式宏应变影响线面积作为桥梁预警的指标设计预警区间评估预警方法；进一步，通过多种刚度退化工况仿真分析，构建随机列车荷载下分布式宏应变监测数据样本库，对比研究4种机器学习方法对桥梁损伤定量与定位的准确率。结果表明，4种机器学习都能够对桥梁结构的局部损伤进行定位和定量，平均识别准确率都达到了90.0%，其中KNN模型和SVM模型在桥梁损伤定量的测试中表现最好，识别准确率均为95.0%，SVM模型在桥梁结构损伤定位的测试中表现最好，识别准确率为98.3%。联合分布式宏应变监测与机器学习的桥梁评估方法具有可行性，SVM模型在桥梁结构损伤定位的测试中表现最好，KNN模型和SVM模型在桥梁损伤定量的测试中表现最好，综合分析，SVM在桥梁损伤定位与损伤定量分析表现最优。

摘要:针对复杂环境下传统研究方法在处理高维复杂数据特征时存在局限性,难以实现高精度鲁棒性预测的问题,提出一种基于卷积神经网络和注意力机制的交通事故严重程度智能预测方法。通过融合卷积神经网络和注意力机制的优势,构建了通道与多头注意力网络(channel and multi-head attention network, CMHANet)模型,其中卷积层用于有效提取数据中的空间特征,通道注意力机制能够对重要特征进行加权增强,抑制不重要特征,强化模型对关键数据点的关注。此外,为了捕捉不同特征之间的复杂依赖关系,还引入了多头注意力机制。最后,在US-Accidents数据集上开展实验。实验结果表明,以该模型为骨干的预测框架在F1分数、精确率、召回率和准确率上均有所提升。该模型在提高高维复杂数据的特征提取与关联建模效果的同时,也为交通事故的智能预测提供了一种新的思路。

摘要:为解决传统多跨简支梁桥因混凝土开裂和设计缺陷导致的耐久性下降和腐蚀问题,文章提出了一种新型钢-混凝土组合平板型桥面连续构造(简称平板型桥面连续)。以一座三跨简支梁桥为工程背景,通过建立精细化有限元模型,对平板型桥面连续和传统拉杆式桥面连续的简支梁桥在不同车辆荷载下的变形和受力特性进行了有限元数值仿真分析。结果显示,在跨中荷载和偏载作用下,传统拉杆式桥面连续的最大拉应力分别为1.16 MPa和4.50 MPa,而新型平板型桥面连续则表现为上表面处于受压受力状态。此外,对比分析表明,在超载和抗倾覆条件下,采用新型平板型桥面连续的简支梁桥,其主梁跨中横断面挠度差分别减少了24.50%和13.43%。新型平板型桥面连续能够有效防止桥面发生开裂,同时在提高桥梁抗倾覆方面具有明显优势,为多跨简支梁桥设计与改造提供了新思路。

摘要:为研究降雨条件下高放坡基坑开挖时其悬臂围护结构的服役性能。以深圳市五和城际枢纽车站高放坡下沉广场基坑为研究对象,基于现场实测,分析连续强降雨条件下高放坡基坑悬臂围护地连墙的墙顶位移演化规律;重点考察ZQ-8高风险监测断面,计算出坑外降雨饱和区土体深度,使用强度折减法对坑外表层饱和土体及坑底土做软化处理;并采用数值模拟分析,研究坑外软化、坑内软化及锚索加固对地连墙内力和变形的影响规律。结果表明:在坑内外土体均软化情况下,地连墙最大弯矩达到1 600 kN·m,接近极限设计弯矩,围护结构最大水平位移达到76.0 mm;针对连续降雨条件下发生大变形的高放坡悬臂支护基坑,可采用预应力锚索进行应急处置,而采用堆载反压的效果有限。该研究成果可为现场进行安全施工提供理论支撑,也可为其他类似工程提供一定的参考。

摘要:为研究轨道结构全频域振动,基于谱几何法建立了无砟轨道结构频域振动模型。首先,将轨道结构离散为若干个谱几何单元,谱几何单元之间通过设置虚拟弹簧耦合;其次,利用Rayleigh-Ritz法推导出无砟轨道结构谱几何单元的特性矩阵、单元耦合刚度矩阵和荷载向量;再采取"单元""对号入座"法则,将轨道结构谱几何单元特性矩阵、单元耦合刚度矩阵组集到整体轨道结构总特性矩阵中,通过求解轨道结构的谱几何动力学方程,得到轨道结构全频振动响应;最后,采用Matlab编制程序,通过与有限元法对比,验证了谱几何法的可行性和高效率,研究了轨道结构参数对全频域内轨道结构振动特性的影响。计算结果表明:在1~2 000 Hz,谱几何法的计算速度是有限元法的8倍;扣件刚度主要影响钢轨三阶自振频率;CA砂浆刚度主要对轨道结构二阶自振频率有影响;路基刚度主要对轨道结构一阶自振频率有影响;扣件阻尼主要衰减轨道结构二阶、钢轨三阶自振频率对应的峰值;CA砂浆阻尼主要衰减二阶自振频率对应的峰值;路基阻尼主要衰减轨道结构一阶自振频率对应的峰值;钢轨的Pinned-Pinned频率不受扣件刚度、CA砂浆刚度和路基刚度的影响,主要与钢轨扣件间距有关。研究成果可为轨道结构宽频范围内减振降噪提供高效的计算方法与技术支撑。

摘要:为分析火灾温度梯度对波形钢腹板组合箱梁剪力滞效应的影响,基于能量变分法,结合钢-混组合梁温度应力理论,推导了火灾温度梯度下波形钢腹板组合箱梁的剪力滞效应理论分析公式,并通过ANSYS有限元软件建立组合箱梁热力耦合数值分析模型验证理论公式的适用性,进一步分析了组合箱梁在不同受火时间、荷载比下的剪力滞效应变化规律。结果表明:文章推导的波形钢腹板组合箱梁的剪力滞效应解析解与有限元数值解、实测值的误差均在7%以内,具有较好的适用性;火灾作用下组合箱梁呈现明显的剪力滞效应,且温度越高其剪力滞效应越显著。不同荷载比作用下组合箱梁剪力滞系数的变化分为两种情况:当荷载比为0.2与0.3时,其λ_max大于常温下,呈先增加后下降趋势;当荷载比为0.4时,λ_max小于常温下,且呈持续下降趋势。研究结论可为火灾温度梯度下波形钢腹板组合箱梁的剪力滞效应研究提供参考。

摘要:为研究持续高温环境下CRTS Ⅲ型板式无砟轨道温度翘曲效应,采用现场试验的方法,对轨道板温度、应变进行长期监测,基于监测数据研究了持续高温下轨道板温度分布规律,分析了轨道板温度翘曲效应。研究结果表明:在持续高温环境下,轨道板温度呈波浪式上升趋势。其中,底面温度均滞后于顶面温度,相位差约为1.5~4.0 h,且板中正温度梯度时间大于板边正温度梯度时间。正温度梯度荷载下,曲率为正,轨道板上拱;负温度梯度荷载下,曲率为负,轨道板向下翘曲。对轨道板翘曲曲率与竖向温度梯度进行一次函数关系拟合,拟合系数R²均在0.85以上,温度应变变化值与翘曲曲率值均随竖向温度梯度的增加而增加。研究成果可为持续高温环境下CRTS Ⅲ型板式无砟轨道温度翘曲变形提供试验基础和数据支撑,为确保高速铁路的安全、稳定和高效运行提供重要保障。

摘要:为探讨同步注浆对隧道结构上浮及地表沉降的影响,提出一种改进的注浆材料以优化施工效果。通过在浆液中添加引气剂引入微小气泡,使注浆浆液具备轻质化及弹性可压缩性能。采用室内试验与现场监测相结合的方法,评估引气剂掺量对浆液性能及施工效果的影响。本研究开发了一种基于引气剂的轻质化及弹性可压缩盾构隧道同步注浆材料。研究表明,在相同注浆压力及注浆量条件下,轻质化注浆材料有效抑制了施工期隧道上浮,平均上浮量从8.7 mm降至0.1 mm;同时,地表沉降在14 d内从10.5 mm减少至4.5 mm,降低约57%。引气剂的引气效应使浆液实现轻质化并提升了性能,显著改善了盾构隧道施工期的上浮和地表沉降问题,为隧道施工提供了一种高效的注浆材料解决方案。

摘要:现有电力设备缺陷检测算法难以同时保证检测精度与速度,而且模型参数冗余、规模大,对部署在边缘端嵌入式设备中构成了挑战。提出一种基于联邦梯度评分修正(FedGSC)算法和实时端到端目标检测器(RT-DETR)的电力设备缺陷检测技术。首先,采用轻量化主干网络GhostNet替换RT-DETR的原有主干网络,利用通道剪枝对模型体积进一步压缩,大幅减少冗余参数,提高推理速度;构建基于云端服务器的联邦学习架构对边缘端轻量级RT-DETR模型进行分布式训练,为解决联邦学习训练过程中存在的非独立同分布(Non-IID)数据,引入FedGSC对每轮模型更新的梯度进行修正。实验结果显示,轻量级RT-DETR与传统RT-DETR以及YOLOv8相比较,算法模型大小仅47 MB,均值平均精度(mAP)为90.46%,能快速精准识别电力设备缺陷;提出的FedGSC算法在训练精度和收敛性上都明显优于联邦平均算法(FedAvg)和联邦公平平均算法(Fed-FV),并且FedGSC算法相较于FedAvg和FedFV算法分别节省40%和20%左右的通信成本。

摘要:大语言模型(LLMs)通常采用指令微调方法适应下游任务,以增强其泛化能力,然而该方法针对LLMs的分类任务存在一定的性能局限性,有时无法满足任务需要。针对上述问题,提出一种全局特征提取分类大模型框架。该框架使用本文提出的全局特征提取增强方法,在注意力层释放全局特征,再对特征进行增强,并在微调的过程中运用低秩微调优化损失,最后构建一个全局特征提取的分类大模型。与基线模型RoBERTa相比,在通用情感分析数据集SST-2和AGNews上,准确率分别提升1.44个百分点和0.95个百分点。与基线模型PIQN模型相比,在通用命名实体识别(NER)数据集OntoNotes和CoNLL2003中,F₁分数分别提升0.79%和1.99%。实验结果表明,在不需要复杂的提示工程或外部知识的条件下,使用该框架的大模型性能显著优于其数倍规模的LLMs。