考虑群组行为的楼梯瓶颈处行人流模拟

为探究楼梯瓶颈处群组行为对行人流通行效率的影响,基于校园内的观测试验获取群组运动参数,采用Anylogic仿真平台建立考虑群组行为特征的楼梯瓶颈处人员运动模型,根据不同的群组运动参数、楼梯几何参数和障碍物布置方式对行人流通行时间与密度分布的影响开展数值模拟。结果表明:较大的群组比例和群组规模均会延长行人流通行时间,增加通行过程中的拥堵持续时间;在链状构型下,群组通行效率较高,而并排构型对人员通行造成的负面影响最大;在有群组和无群组情况下,楼梯位置变化会产生相反的通行效果;平行放置障碍物可以有效降低人群密度,提高群组行人流的通行效率。     

侧风影响下的飞机尾流危险区域估算方法

为更好地评估侧风影响下尾流的演化与危险，对经典的D2P(Wake Two-Stage Decay Model)模型进行改进，并构建侧风影响下尾流危险区域评估方法。首先，基于数值模拟试验数据和激光雷达探测数据，创建侧风对尾涡强度衰减和涡核运动的影响模型。其次，建立后机遭遇尾涡后的诱导滚转力矩系数模型和尾涡危险区域估算模型。最后，对不同侧风条件下的尾涡危险区域长度及尾涡侵入侧向相邻跑道的所需时间进行计算分析。结果显示：尾涡危险区域长度在静风时最大；随侧风强度增强，上风涡和下风涡侵入相邻跑道的持续时间都不断减少，但在超过6 m/s后，下风涡侧又开始增加。改进后的模型能更好地考虑侧风对尾涡危险区域的影响，有利于估算侧风影响下的单跑道或近距平行跑道着陆时所需的尾流间隔。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。