复合材料尾减管加载变形仿真分析与试验验证

复合材料尾减管发挥着支撑直升机尾减速器和尾桨的重要作用。由于受尾桨的推力作用尾减管在使用过程中会沿推力方向产生变形,若变形过大会影响尾桨的正常运行进而对直升机安全产生威胁。为掌握复合材料尾减管在限制载荷作用下的变形情况并评估仿真分析的准确程度,对尾减管变形状况进行了有限元仿真和试验验证,仿真与试验的边界条件设置均模拟产品的真实装机状态。研究表明,复合材料尾减管变形位移的试验结果最大值为9.22mm,仿真结果比试验结果的最小值相比高出0.69mm,仿真与试验结果的偏差较小,吻合程度较高。     

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。     

空间载荷机柜热控设计的仿真研究

空间站主动热控系统的作用是提供和保持航天员、仪器设备和结构部件所要求的温度、湿度和风速等热环境。本文以空间载荷机柜为热控系统的基本单元，建立了以单相流体循环回路为基础、采用液冷结合风冷的冷却方式的载荷机柜数学模型；介绍了模糊增量控制算法的工作原理；提出了采用模糊增量控制算法，以液冷支路进出口温差和风冷支路冷却量占总冷却量的比值为控制目标的反馈控制策略。同时文章采用数值模拟方法研究了控制系统的动态响应效果。仿真结果显示，模糊增量控制算法具有响应迅速、超调量小、无静态误差的特点，控制策略满足有效性、稳定性和高精确度的要求。     

叶片式预旋喷嘴出口流场实验研究

叶片式预旋喷嘴具有尺寸小,落后角大的特点。为了详细研究小尺寸预旋喷嘴的预旋性能,采用五孔探针对叶片式预旋喷嘴的出口流场进行了实验研究。测量了Ma=0.2,0.3时喷嘴出口的压力分布、速度分布和出口气流角度分布,实验获得了喷嘴的落后角和预旋效率,并进行了与实验工况相同的数值计算。通过实验获得的总压云图以及速度云图,可以发现叶片式预旋喷嘴的端壁二次流损失、尾迹损失严重,有明显的边界层分离现象。Ma=0.2时,喷嘴Re数为5.76×104,落后角2.84°,实验测得的预旋效率为0.73;Ma=0.3时,喷嘴Re数为1.06×105,预旋效率提高至0.77。实验模型端壁的影响使预旋效率实验结果偏低6.5%左右。数值结果与实验测得各参数符合较好:数值结果与测得的喷嘴出口截面平均总压、静压偏差在1%以内;出气速度、周向速度以及出气角度与实验结果偏差在4%以内。数值计算表明,叶片式预旋喷嘴的预旋效率基本不受压比影响,随Re数增大先增大后基本不变,最后基本稳定在0.85。     

SAS与PANS模型在圆柱绕流中的应用比较

分别运用SST(Shear Stress Transport)、SST-SAS(Scale-Adaptive Simulation)、两种变fk(模化湍动能的比例)函数的SST-PANS(Partially Averaged Navier-Stokes)湍流模型对Re=3900的圆柱绕流进行了数值研究,重点从湍流结构捕捉、气动力计算、涡黏性控制等方面,比较了SAS与PANS两类RANS/LES混合模型的计算能力,并通过不同网格计算分析了模型的网格敏感性。数值结果表明:SAS及两种变fk方法的PANS模型均具有求解小尺度涡运动的能力,并能较好地反映出绕流尾迹的三维非定常特性,同时PANS模型能捕捉到更多的非定常结构;SAS模型中自适应尺度Lvk立足于当地流动,对网格依赖较小,计算的湍动粘度分布更合理,能够更好地计算剪切层及回流区;两种PANS模型网格独立性较差,出现了雷诺应力不足的现象;类DES可变fk函数构造相对简单,所得fk分布更准确,使用tanh函数计算的尾迹区fk值偏低,对流场调控能力稍差。     

倾角回转误差算法问题分析及改进

对倾角回转误差的算法和公式进行了积极探讨,对GJB1801-1993中倾角回转误差算法进行改进尝试并通过对测试方法进行理论分析和一组典型数据的计算结果对此予以进行证明。在此基础上对倾角回转误差算法进行了修正,增加约束条件:消除的一阶谐波分量必须幅值相同,相位相差90°,从而得到修正公式。再从基本误差定义出发,重新对倾角回转误差进行推导,得到了相同的结果。     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.