Understanding the controlling mechanisms of γ columnar grain size in the weld metal of low-carbon, low-alloy steel is critical for optimizing resultant microstructures and the weld metal’s ensuing properties. Here, we investigate the role of welding flux composition upon the γ columnar grain size by submerged arc welding of EH36 shipbuilding steel with designed CaF2-SiO2 fluxes. We found that the addition of SiO2 from 5 to 40 mass-% increases average columnar grain size by a factor of nearly 2.5, which results from the change of the weld pool solidification mode from peritectic to primary δ solidification. Such a change is directly related to element transfer behaviors between the flux and the weld metal. Furthermore, we offer compelling evidence that alterations in γ columnar grain size are not primarily governed by significantly populated inclusions and/or weld metal macro-morphological changes. Our findings may largely serve as a viable strategy toward designing welding consumables to match base metals to ensure the soundness of the weldment.

As vehicle operators, some drivers may have significant impacts on crash-injury severity, and it may be of interest to understand the underlying mechanism of how driver characteristics affect the crash-injury severity. Therefore, this study explored the effect of driver characteristics on crash-injury severity, specifically focusing on drivers with and without commercial driver's licences (CDL) when driving small vehicles (passenger car, SUV, and pickup truck) with consideration of drivers' heterogeneity. Crash data from Maryland between January 2015 and December 2018 were analysed, considering factors such as roadway, driver, vehicle, environmental, crash, and temporal characteristics. Furthermore, the random parameters multinomial logit model was adopted to analyse how significant factors affect the crash-injury severity of drivers with and without CDLs. The study identified common features in injury severity among these two types of drivers, as well as notable differences based on their licence types. These findings may provide valuable insights for developing effective long-term strategies to reduce crash.

This paper presents a virtual dynamic vibration absorber (DVA) trap fusion active vibration suppression algorithm based on inertial actuators as a solution to the harmonic vibration control problem of large flexible space trusses. Firstly, the mechanism of the inertial actuator is analyzed, and the relationship between the bandwidth of the algorithm and the intrinsic frequency of the inertial actuator is derived. Secondly, a dynamic model of the space truss is constructed. Subsequently, an analysis is conducted to determine the manner in which the virtual DVA exerts influence on the system’s dynamic characteristics. Based on this analysis, a virtual DVA trap fusion active vibration suppression algorithm is designed. Finally, the efficacy of the proposed algorithm in suppressing vibration is demonstrated through experimentation. The algorithm was demonstrated to be effective in suppressing both single-frequency harmonic vibration and multi-frequency harmonic vibration under the working conditions of single-degree-of-freedom and multi-degree-of-freedom of a flexible truss. The vibration suppression efficiency was found to be greater than 60%. It is therefore evident that the proposed algorithm has the potential to be applied to the vibration suppression of telescopes assembled in orbit in the future.

Connected and automated vehicles (CAVs) hold promise for enhancing transportation safety and efficiency. However, their large-scale deployment necessitates rigorous testing across diverse driving scenarios to ensure safety performance. In order to address two challenges of test scenario diversity and comprehensive evaluation, this study proposes a vehicle lane-changing scenario generation method based on a time-series generative adversarial network (TimeGAN) with an adaptive parameter optimization strategy (APOS). With just 13.3% of parameter combinations tested, we successfully trained a satisfactory TimeGAN and generate a substantial number of lane-changing scenarios. Then, the generated scenarios were evaluated for diversity, fidelity, and utility, demonstrating their effectiveness in capturing a wide range of driving situations. Furthermore, we employed a Lane-Changing Risk Index (LCRI) to identify the rare adversarial cases in scenarios. Compared to real scenarios, our approach generates 27 times more adversarial cases with 1.8 times higher average risk, highlighting its potential for uncovering critical safety vulnerabilities. This study paves the way for more comprehensive and effective CAV testing, ultimately contributing to safer and more reliable autonomous driving technologies.