为调查再生沥青性能测试程序和技术指标的有效性,以疲劳及低温抗裂性能恢复为研究对象,开展宽温域流变试验、低温蠕变试验和延性开裂破坏试验。选取中温连续分级温度(T_(ICG))、Glover-Rowe参数(P_(G-R))、限制相位角温度(T30°、T4...为调查再生沥青性能测试程序和技术指标的有效性,以疲劳及低温抗裂性能恢复为研究对象,开展宽温域流变试验、低温蠕变试验和延性开裂破坏试验。选取中温连续分级温度(T_(ICG))、Glover-Rowe参数(P_(G-R))、限制相位角温度(T30°、T45°、ΔT_(cδ))、低温连续分级温度(1 h TCLG、72 h TCLG)、等级损失(LG)和临界开裂位移(D_(CTO))作为开裂参数,研究了多来源油再生剂(AAS、Cargill、Cyclogen、REOB)和掺量(2%、4%、8%)对再生沥青抗裂性能的影响。采用Pearson相关性分析评价了不同开裂参数的有效性,并基于优选的开裂参数确定再生剂的最佳掺量范围。结果表明:化学老化是不可逆过程,胶凝化相关的参数ΔT_(cδ)和D_(CTO)随再生剂掺量的增加,其变化趋势缓慢或几乎无变化。限制相位角温度是潜在的评价沥青黏结剂抗热裂的有效指标,能够通过相对简单的测试程序获取。基于限制相位角温度能够确定再生剂掺量范围的下限,并且其值与工程中的实际用量相近。相比于T_(ICG),P_(G-R)是评价老化/再生沥青开裂的更佳选择。根据优选参数,确定选择的3种商品再生剂的再生效率排序和掺量范围为:Cargill(3.5%~8.9%)>AAS(6.5%~15.6%)>Cyclogen(10.4%~18.4%)。展开更多
为提升高速公路合流区的行车安全、通行效率与环保性能,对可变限速控制策略展开了研究。基于检测器获取的实时交通流状态,以最短行程时间与碰撞时间为安全目标,结合不同区域通行需求确定最优限速值,构建了分级可变限速控制策略;在双深度...为提升高速公路合流区的行车安全、通行效率与环保性能,对可变限速控制策略展开了研究。基于检测器获取的实时交通流状态,以最短行程时间与碰撞时间为安全目标,结合不同区域通行需求确定最优限速值,构建了分级可变限速控制策略;在双深度Q网络(double deep Q network,DDQN)算法中引入优先经验回放与ε-Greedy策略,提出优化双深度Q网络(optimized DDQN,OPDDQN)算法,以提高关键样本利用率并增强探索策略稳定性,进而训练得到相应的控制策略;依托SUMO平台搭建仿真环境,在低、中、高不同流量条件下验证了该策略的效果。研究结果表明:与DDQN算法相比,OPDDQN算法训练时间可节省33%;相较于无控制场景,所提策略使碰撞风险、行程时间、燃油消耗分别降低了39.18%、48.30%、34.48%,平均速度提升了67.05%。展开更多
文摘为调查再生沥青性能测试程序和技术指标的有效性,以疲劳及低温抗裂性能恢复为研究对象,开展宽温域流变试验、低温蠕变试验和延性开裂破坏试验。选取中温连续分级温度(T_(ICG))、Glover-Rowe参数(P_(G-R))、限制相位角温度(T30°、T45°、ΔT_(cδ))、低温连续分级温度(1 h TCLG、72 h TCLG)、等级损失(LG)和临界开裂位移(D_(CTO))作为开裂参数,研究了多来源油再生剂(AAS、Cargill、Cyclogen、REOB)和掺量(2%、4%、8%)对再生沥青抗裂性能的影响。采用Pearson相关性分析评价了不同开裂参数的有效性,并基于优选的开裂参数确定再生剂的最佳掺量范围。结果表明:化学老化是不可逆过程,胶凝化相关的参数ΔT_(cδ)和D_(CTO)随再生剂掺量的增加,其变化趋势缓慢或几乎无变化。限制相位角温度是潜在的评价沥青黏结剂抗热裂的有效指标,能够通过相对简单的测试程序获取。基于限制相位角温度能够确定再生剂掺量范围的下限,并且其值与工程中的实际用量相近。相比于T_(ICG),P_(G-R)是评价老化/再生沥青开裂的更佳选择。根据优选参数,确定选择的3种商品再生剂的再生效率排序和掺量范围为:Cargill(3.5%~8.9%)>AAS(6.5%~15.6%)>Cyclogen(10.4%~18.4%)。
文摘为提升高速公路合流区的行车安全、通行效率与环保性能,对可变限速控制策略展开了研究。基于检测器获取的实时交通流状态,以最短行程时间与碰撞时间为安全目标,结合不同区域通行需求确定最优限速值,构建了分级可变限速控制策略;在双深度Q网络(double deep Q network,DDQN)算法中引入优先经验回放与ε-Greedy策略,提出优化双深度Q网络(optimized DDQN,OPDDQN)算法,以提高关键样本利用率并增强探索策略稳定性,进而训练得到相应的控制策略;依托SUMO平台搭建仿真环境,在低、中、高不同流量条件下验证了该策略的效果。研究结果表明:与DDQN算法相比,OPDDQN算法训练时间可节省33%;相较于无控制场景,所提策略使碰撞风险、行程时间、燃油消耗分别降低了39.18%、48.30%、34.48%,平均速度提升了67.05%。
