تونل سازی در زمین های شهری عموما به دلیل وجود سازه های حساس سطحی همراه با ملاحظات اجرایی خاص است که از آن جمله می توان به کنترل دقیق نشست های سطحی و فشار سینه کار اشاره نمود. فشار سینه کار بر اساس دو روش کلی حالت حدی نهایی و حالت حدی سرویس برآورد می شود. در این میان، فشار به دست آمده از روش حالت حدی سرویس، رابطه تنگاتنگی با مقادیر افت حجمی زمین و نشست حداکثر سطحی دارد. روش های موجود برای برآورد فشار سینه کار در حالت حدی سرویس عموما بر اساس نتایج آزمایش های آزمایشگاهی (آزمایش گریز از مرکز تونل) یا داده های تجربی نسبتا قدیمی توسعه یافته اند. در این مقاله ضمن بررسی اصول برآورد فشار سینه کار، بر پایه اطلاعات پروژه توسعه جنوبی خط 6 متروی تهران که در حال حضر در حال اجراست، به بررسی و مقایسه فشار واقعی و برآورد شده سینه کار در دو حالت حدی نهایی و سرویس در حالت خاک های با رفتار زهکش نشده پرداخته شده است. نتایج مقایسه ها نشان می دهد که اختلاف نسبتا زیادی بین فشار واقعی سینه کار و فشار مورد انتظار طراحی به دست آمده از روش حالت حدی سرویس وجود دارد. برای بهبود عملکرد روش های حالت حدی سرویس، بر پایه اطلاعات پروژه توسعه جنوبی خط 6 متروی تهران، یک فرمول جدید برای برآورد عدد پایداری ارایه شده است. این فرمول دارای ضریب همبستگی نسبتا بالایی است (84%) که بیانگر تطابق نسبتا بالای اعداد پیش بینی شده و واقعی است. کاربرد اصلی نتایج این مقاله، استفاده از فرمول جدید برای تدقیق فشار طراحی سینه کار در زمان اجرای پروژه و همچنین برآورد مناسب فشار سینه کار برای مناطق حساس شهری بر اساس حد مجاز افت حجمی و نشست سطحی برای جلوگیری از به وجود آمدن خسارت های سازه ای است.

امروزه از سیستم های کنترل ترافیک تطبیقی با ویژگی زمان بندی لحظه ای وتطبیقی جهت بهینه سازی زمان بندی چراغ های راهنمایی استفاده می شود. از معروف ترین سیستم های کنترل ترافیک تطبیقی، اسکتس نام داشته که براساس شرایط ترافیکی خط مبنا طراحی شده است. در اسکتس جریان ترافیکی تقاطعات با جانمایی حلقه های القایی در هرخط از خیابان شناسایی شده و داده های ترافیکی از هرخط خیابان برداشت می شود. باتوجه به اینکه در معابرشهری کشورهای درحال توسعه نظیر ایران، ترافیک در اغلب مواقع به صورت ناهمگن جریان داشته و خودروها، بدون توجه به خطوط خیابان حرکت می کنند، در این پژوهش، عملکرد اسکتس درحالتی که جریان ترافیک را به صورت خط مبنا شناسایی می کند باحالتی که بتواند جریان ترافیک را به صورت غیرخط مبنا شناسایی کند، مقایسه شد. مطابق با نتایج به دست آمده، با اجرای سناریوی"زمان بندی اسکتس مبتنی برشناسایی ترافیک غیرخط مبنا"میزان تأخیر، متوسط طول صف و زمان توقف تقاطع به طورمتوسط 33%، 35% و 34% کمتر از وضع موجود تقاطع تحت کنترل اسکتس مبتنی برشناسایی خط مبنا شده است. درنتیجه، وضعیت ترافیکی تقاطع تحت کنترل اسکتس مبتنی برشناسایی ترافیک غیرخط مبنا بهبود داشته و اسکتس درصورتی که قابلیت شناسایی ترافیک غیرخط مبنا را داشته باشد، عملکردبهتری خواهد داشت. برهمین اساس، درصورت تجهیز اسکتس به شناساگرهای دقیق تر نظیر دوربین هایی که قابلیت شناسایی ترافیک را به صورت غیرخط مبنا دارند، وضعیت ترافیکی تقاطعات تحت کنترل اسکتس می تواند بهبود قابل توجهی پیدا کند. درنهایت، با هدف اصلاح اسکتس، از داده های برداشت شده با شناسایی غیرخط مبنا استفاده شد و برای هرشناساگر تقاطع، یک ضریب جهت اصلاح درجه اشباع به عنوان مهم ترین پارامتر الگوریتم اسکتس تعیین گردیدتا با اعمال آن، مقادیر درجه اشباع به واقعیت نزدیک شده و زمان بندی اسکتس به طور مناسبتری انجام شود. براساس نتایج، با اعمال ضریب اصلاحی مبتنی برشناسایی غیرخط مبنا به هرشناساگر، میزان تأخیر، متوسط طول صف و زمان توقف تقاطع 38%، 40% و 42% در تقاطع مورد بررسی کاهش داشته است.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

در دستور سنتی زبان روسی، ویژگی دستوری «حالت» به عنوان یکی از ویژگی های دستوری تغییر دهنده در ارتباط به اسم تعیین می شود و بر این اساس، شش حالت صرفی تحت عناوین «حالت نهادی»، «حالت اضافی»، «حالت به ای»، «حالت مفعول مستقیم»، «حالت بایی» و «حالت حرف اضافه ای» مشخص می شوند. «صرف اسمی» از سوی دستور نویسان روس عمدتاٌ به شکل های مختلف اسم که موجب ویژگی دستوری «حالت» به دست می آیند، اطلاق می شود و با توجه به پایانه های صرفی اسامی، سه نوع «صرف اسمی زایا» تعیین می شوند. در مطالعات و تحقیقات مربوط به زبان شناسی نوین روسی، «حالت معنایی» به عنوان یک مقوله دستوری جهانی در نظر گرفته می شود و از «حالت صرفی» متمایز می شود. «حالت صرفی» در زبان روسی یکی از مهم ترین ابزارهای دستوری برای بیان «حالت معنایی» است. یکی از مهم ترین روش های بیان «حالت معنایی» در زبان فارسی، استفاده از حروف اضافه در ترکیب با اسامی است. «معنی حالت» در دستور زبان روسی به چهار دسته معانی عام تقسیم می شوند: «معانی نهادی»، «معانی مفعولی»، «معانی متمم اسمی» و «معانی متمم قیدی». هر یک از معانی عام در برگیرنده تعدادی معانی جزیی است.

1سیستم های اپتیکی یکی از بسترهای پیاده سازی تکنولوژی های کوانتومی و کاواک یکی از اجزای اصلی این سیستم ها می باشد. تخمین حالت نیز به منظور درک رفتار سیستم های کوانتومی و کنترل آن ها از نقش ویژه ای برخوردار است. در این مقاله به استخراج معادلات فیلترینگ کاواک کوانتومی یک طرفه تحت ورودی میدان در حالت خلأ پرداخته شده است. بدین منظور، عملگر تعداد به عنوان مشاهده پذیر مناسب برای کاواک انتخاب شده است. سپس روابط تخمین حالت (معادلات اصلی تصادفی) به شرط داشتن مشاهدات بدست آمده از اندازه گیری غیرمستقیم میدان خروجی از کاواک با آشکارساز هموداین و آشکارساز فوتون بطور جداگانه استخراج شده است. همچنین اثر تغییر پارامترهای کاواک روی چگونگی رفتار آن مورد بحث قرارگرفته است. در پایان با شبیه سازی معادلات اصلی تصادفی بدست آمده و مقایسه نتایج با معادله ی اصلی، صحت نتایج تأئید شده است.

لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

: امروزه با گسترش شهرنشینی نیاز به حمل ونقل هوشمند به منظور تسهیل رفت و آمد شهروندان بیش از پیش مورد توجه قرار گرفته است. شناسایی و پیش بینی استفاده از حالات حمل ونقلی یکی از اساسی ترین پیش نیازها برای راه اندازی و استفاده از خدمات حمل ونقل هوشمند به شمار می آید. با پیشرفت فناوری های مکانی، ابزار و تلفن های هوشمند، اطلاعات زیادی با استفاده از سیستمهای تعیین موقعیت ماهواره ای (GNSS) توسط بسیاری از دستگاه ها تولید می شود. در این پژوهش، چهار ویژگی نقطه ای، 56 ویژگی سفر و سه ویژگی پیشرفته استخراج شده، چهار مدل کلاسه بندی GB، XGBoost، LightGBM و CatBoost زیر مجموعه روش تقویت کننده (Boostig) پس از انتخاب ویژگی ترکیبی به همراه سه مدل کلاسه بندی CNN، LSTM و ConvLSTM زیر مجموعه روش یادگیری عمیق پیاده سازی و بررسی شده تا بتوان حالات حمل ونقلی شامل: پیاده روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار را با استفاده از مجموعه داده های GeoLife پیش بینی کنند. نتایج نشان داد مدل LightGBM با کسب دقت بالاتر (49/95درصد) و پیچیدگی زمانی کمتر، بهترین مدل نسبت به مدل های دیگر است.