基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

智能赋能流体力学展望

人工智能（AI）是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。     

进气道设计技术的一些进展

本文综述了近年来进气道设计技术的一些问题,其中主要涉及了计算流体力学在进气道设计中的应用、进气道一体化设计和进气道试验技术的发展等三方面内容.文章介绍了在进气道流场预估中应用计算流体力学的一些实例,并对如何发展工程应用性设计程序问题进行了讨论.围绕一体化设计问题,主要谈到了畸变流场匹配和机体遮蔽进气道、背置进气道的发展.在试验技术的发展趋势方面,考虑到为研究进气道流动中的流场细微结构,需要采用先进的测试手段,以及为提高试验效率和测试数据的精确可靠,必须发展计算机应用技术.     

高超声速飞行器高温流场数值模拟面临的问题

随着高超声速飞行器目标光辐射和电磁散射特性研究的发展和深入,高温流场特性日益引起人们的关注。由于高温流场特性研究中涉及到非常多的复杂气动现象,如气动加热、烧蚀、辐射、燃烧、化学反应以及湍流等,因此其数值模拟面临着诸多挑战。这里基于连续流计算流体力学(CFD)技术和稀薄气体蒙特卡罗直接仿真(DSMC)方法,从化学物理模型建模、方法稳定性与数值求解效率出发,分析了高超声速飞行器外部绕流、尾迹和发动机喷焰三方面的流场特性数值模拟在不同弹道、热防护手段和飞行流域环境下所面临的问题。在此基础上提出了数值求解技术和化学物理模型建模今后需要发展的方向,为有效提高高超声速高温流场特性数值模拟效率、增加流场特性预测精度提供了指导,从而为研究流场对高超声速飞行器目标光辐射和电磁散射特性影响提供有效的基础数据。     

动力学模态分解及其在流体力学中的应用

随着计算流体力学和先进流动测试技术的发展,流动的刻画越来越精细,伴随而来的海量流场信息的模态提取与复杂动力学特征的模型化成为当前流体力学的研究热点。动力学模态分解(Dynamic Mode Decomposition,DMD)作为一个全新的时空耦合型动力学建模方法,得到迅速推广。DMD是一种数据驱动的非定常流场模态分析手段,可以准确捕捉各个流动模态的频率及增长特性,并建立流场演化的动力学降阶模型,以重构或预测流场动力学过程。本文针对DMD在流体力学研究的应用问题,重点综述了DMD算法自提出以来的一系列改进以及对不同流动现象的应用,并通过典型测试算例说明DMD的应用过程。在此基础上,讨论了DMD的研究现状及未来发展方向。     

流动显示技术及其在流体力学研究中的应用

本文概要地介绍流体力学研究中常用的流(?)显示技术及其发展状况。对流动(5)显示在研究表面流态和空间流(?)特征方面的作用,做了简要说明。在强调常规流(?)显示技术解决飞行器设计中气(?)问题重要性的同时,介绍了几种发展中的流(?)显示方法,及其与现代光学、计算机图象处理技术相结合,在流体力学实验中的广阔应用前景。对当前普遍有兴趣的剪切层结构、分离流与旋涡、激波边界层相互干扰、非定常流,以及大攻角情况下复杂流场特性等流(?)显示问题,也做了一些探讨。     

基于深度神经网络的超声速隔离段湍流涡黏性系数辨识

雷诺平均Navier-Stokes(RANS)方程由于计算成本较低，当前仍然在工程设计领域广泛应用。为了进一步提升计算精度和减少时间，应用深度神经网络（deep neural networks, DNN）方法自适应辨识稳态湍流涡黏性系数。以隔离段的激波串前缘位置检测流场生成为例，使用Wilcox-2006 k-ω湍流模型进行模拟。在不同的背压情况下，产生稳定状态的湍流涡黏性流场作为模型学习的训练数据集。最后在不同背压条件下开展了测试。结果表明：提出的DNN方法能够快速预测湍流涡黏性系数的值，预测值与计算流体力学数值模拟计算的参数值相比，方均根误差较小，可决系数大于99%，预测的流场结果与真实流场基本一致，进一步验证了深度学习技术在湍流模型参数辨识的可行性。     

虚拟维修仿真的研究进展

虚拟维修仿真是虚拟实现技术应用于维修领域的结果之一,可以用于产品的维修性设计和分析、维修人员的维修训练以及维修手册的生成等。文章是埘建立一个满足以上需求的虚拟维修仿真所需要解决的问题进行定义和说明。阐述了虚拟维修仿真的基本框架,从虚拟样机建模、虚拟人建模、仿真指令生成和运动合成四个方面介绍了涉及的各种问题及相应的处理方法,同时探讨了这一研究领域的发展方向和需要解决的问题。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

舰载无人直升机系统设计中几个问题的思考

针对舰载无人直升机的关键技术问题,以无人直升机着舰分析作为切入点,探讨了系统设计中发动机选择、机型设计、舰机协同控制、流场与海浪特性建模等的技术现状和实现方法,能给该领域研究、使用和管理者提供有益参考。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

关联成像技术中调制光场优化研究进展

关联成像技术作为一种全新的成像体制,具有非局域性、抗干扰能力强、探测灵敏度高和超分辨等优点,目前已经成为研究的热点。关联成像技术的实用化进程主要受成像质量和采样效率的限制,在相同重构算法条件下,成像系统的调制光场优劣直接决定了目标物体的重构质量。在简述关联成像技术原理的基础上,重点介绍了调制光场优化的国内外研究进展,并对其发展趋势进行了展望。     

Review of uncertainty-based multidisciplinary design optimization methods for aerospace vehicles

This paper presents a comprehensive review of Uncertainty-Based Multidisciplinary Design Optimization (UMDO) theory and the state of the art in UMDO methods for aerospace vehicles. UMDO has been widely acknowledged as an advanced methodology to address competing objectives of aerospace vehicle design, such as performance, cost, reliability and robustness. However the major challenges of UMDO, namely the computational complexity and organizational complexity caused by both time-consuming disciplinary analysis models and UMDO algorithms, still greatly hamper its application in aerospace engineering. In recent years there is a surge of research in this field aiming at solving these problems. The purpose of this paper is to review these existing approaches systematically, highlight research challenges and opportunities, and help guide future efforts. Firstly, the UMDO theory preliminaries are introduced to clarify the basic UMDO concepts and mathematical formulations, as well as provide a panoramic view of the general UMDO solving process. Then following the UMDO solving process, research progress of each key step is separately surveyed and discussed, specifically including uncertainty modeling, uncertainty propagation and analysis, optimization under uncertainty, and UMDO procedure. Finally some conclusions are given, and future research trends and prospects are discussed.     

液体火箭发动机智能健康监控技术研究进展

健康监控技术作为改进和提高液体火箭发动机安全性与可靠性的核心关键技术,近年来其智能化发展的趋势十分明显。本文简要回顾了液体火箭发动机健康监控技术的发展历程;重点围绕基于传统人工智能的方法和基于深度学习的方法两个方面,对智能故障检测与诊断方法进行了系统地介绍;进一步阐述了健康监控系统在方案设计和实际应用等方面的研究现状,以及智能健康监控系统的发展情况;最后对今后健康监控技术的发展趋势进行了分析和展望。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

Recent progress of machine learning in flow modeling and active flow control

In terms of multiple temporal and spatial scales, massive data from experiments, flow field measurements, and high-fidelity numerical simulations have greatly promoted the rapid development of fluid mechanics. Machine Learning(ML) provides a wealth of analysis methods to extract potential information from a large amount of data for in-depth understanding of the underlying flow mechanism or for further applications. Furthermore, machine learning algorithms can enhance flow information and automat...     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。