【摘 要】
：
近岸水流垂向的结构及特性对研究物质输运具有重要意义.为准确而简便地模拟近岸水流的相关特征值,选取3种适用于计算高雷诺数湍流的湍流模型,Standard k-ε模型、RNG k-ε模型和Realizable k-ε,采用标准壁面函数方法处理低雷诺数区域湍流,采用理论上无条件稳定的Crank-Nicolson时间积分方案对输运方程求解.通过对Menai海峡水流进行了一维垂向数值模拟,将水流各特征值的模拟结果与实测数据比较分析表明,3种k-ε模型用于近岸水流数值模拟具有一定的准确性和适用性.对于恒定流和潮流两种
【机 构】
：
河海大学港口海岸与近海工程学院,江苏南京210098
论文部分内容阅读
近岸水流垂向的结构及特性对研究物质输运具有重要意义.为准确而简便地模拟近岸水流的相关特征值,选取3种适用于计算高雷诺数湍流的湍流模型,Standard k-ε模型、RNG k-ε模型和Realizable k-ε,采用标准壁面函数方法处理低雷诺数区域湍流,采用理论上无条件稳定的Crank-Nicolson时间积分方案对输运方程求解.通过对Menai海峡水流进行了一维垂向数值模拟,将水流各特征值的模拟结果与实测数据比较分析表明,3种k-ε模型用于近岸水流数值模拟具有一定的准确性和适用性.对于恒定流和潮流两种不同的水流情况,3种模型模拟的差异不同;在同为潮流条件下,不同的k-ε模型在计算精度、捕捉特征值剖面变化特性等方面存在差异,可为近岸区域流场的模拟研究提供参考.
其他文献
路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况.基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景.研究结果表明:随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机
交通大数据可为揭示交通主体显性出行行为背后的深层规律(即移动模式)提供重要基础.精确掌握大数据驱动下交通主体的移动模式,可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据.交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级,但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题.针对这些问题,利用科学知识图谱,对2010～2020年期间3747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点
外部环境因素对城市交通预测有较大影响,尤其在交通事件发生时,由于交通流的随机性和非线性特征,交通异常情况下的预测精度往往较低.为此,基于深度学习理论,提出一种以序列到序列模型(Sequence-to-sequence,Seq2Seq)为主体,融合外部因素特征的城市道路行程时间预测方法.利用时间序列分解算法(Seasonal and Trend Decomposition Using Loess,STL)挖掘交通历史数据的时序周期规律,结合交通事件数据深入分析交通异常产生的原因,并建立堆叠降噪自编码器模型(
信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持.将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型(Traffic Factor State Network,TFSN),考察交通因素之间的相互关联,并考虑环境因素的影响.该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状
现有的无人机(UAV)交通状态感知方法,主要针对宏观交通状态参数的获取,同时尚未克服UAV自运动对交通参数检测精度的影响,难以满足智能交通系统对于高精度微观交通参数的应用需求.为此,提出一种基于地空信息融合的UAV交通状态感知方法,该方法包括:地空信息融合模型、道路关键点(IKP)检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计.其中,地空信息融合模型利用地基信息(IKP世界坐标)与空基信息(IKP像素坐标)进行最优化融合,并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数
为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系.基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习Cat-Boost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析.研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施
为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控.首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积.长短时记忆神经网络(Directed Graph Convolution-LSTM,DGC-LSTM)模型
为了揭示多维因素对出租车夜间出行需求的空间影响机制与局部关联特征,基于多源数据,利用空间计量模型和多尺度地理加权回归(MGWR)模型分别从全局和局部视角研究多维因素对夜间出行需求影响的空间效应及其异质性.首先,利用出租车GPS数据在分析夜间出行时空分布特征的基础上,明确夜间场景下的研究区域及时段划分;其次,从建成环境、人口分布、路网结构3个维度提出夜间出行需求影响因素指标体系,并基于POI数据、手机信令数据和路网数据进行指标量化.在交通小区尺度下分时段构建空间杜宾模型,从全局视角探讨不同时段下主要影响因素
交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留.为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法:首先,构建模糊时空聚类算法识别个体运动.静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰
为了提高中国公路货运统计的真实性和统计效率,利用自动化交调、轴载检测、高速公路计费、联网联控货车以及国家道路货运量专项调查等数据,提出2种自动化公路货运量统计方法.2种方法均采用浮动检测数据与固定检测数据融合的原理,使用浮动车数据获得运输特征,分别使用高速计费数据及自动化交调数据获得运输规模.通过设备检测数据与人工调查数据的嵌套计算,解决分层统计中行业浮动车代表性不足的问题.通过数据的一致性分析,解决不同类型数据车型划分标准不同给数据融合带来的口径不一致问题.与传统方法相比,统计方式由人工统计转变为自动化