电推进涵道风扇气动快速求解方法及性能分析研究

随着绿色航空发展,为了能在设计阶段快速获得涵道风扇气动性能参数和非定常流场特征,有必要开发一种高效的数值求解方法。基于小型电推进风扇内流弱可压和尾迹耗散特性,本文将转子和涵道的面元与尾迹涡粒子耦合,使用面元法求解固壁流场,使用涡量输运方程求解远场尾迹传播特征,克服了有限体积法尾迹耗散快的问题。研究表明,本文发展的面元-涡粒子耦合方法对涵道风扇叶表压力与有限体积法趋势一致,整体推力误差为7.83%,能满足工程快速预测需求。本文发展的高效非定常计算方法的尾迹计算数值耗散低,能揭示更为复杂的非定常流动现象,仿真结果显示风扇涵道对尾迹发展有明显约束,而当尾迹传播至外部时,涡量呈现出明显的收缩和对称分布特征。在计算效率方面,本文发展的耦合方法非定常计算效率高,计算相同非定常时间步耗时仅为有限体积法的1/6,具有潜在的涵道动力非定常设计应用价值。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

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。     

基于自动核构造高斯过程的导弹气动性能预测

在导弹的初期设计阶段,通常需要对导弹的气动性能进行快速粗略评估。针对传统工程估算软件计算精度低和CFD方法计算代价大的缺陷,提出一种基于高斯过程回归（GPR）代理模型快速预测典型导弹气动性能的方案。以导弹外形参数和攻角作为模型输入,升力系数、阻力系数和力矩系数作为模型输出,对GPR模型的气动性能预测结果进行分析。首先,与其他常用代理模型的预测精度对比,GPR模型对3种系数的预测误差分别仅为0.24%、0.36%和0.36%,高于其他代理模型的预测精度。其次,考虑GPR模型核函数选择严重依赖人工先验知识的问题,采用了一种自动核构造算法,无需先验知识即可从数据中自动学习核函数。将该算法嵌入GPR框架中,与传统GPR模型比较,实验结果表明：基于该算法的GPR模型对3种系数的预测误差分别降低到0.10%、0.22%和0.17%。最后,给出导弹气动性能快速预测的应用实例,结果表明所提出的GPR模型的导弹气动性能预测方案是有效的,能够满足设计初期快速且精确的气动性能预测需求。     

基于非线性模型预测控制的火箭垂直回收姿态控制方法

针对火箭垂直回收着陆段强扰动、强参数不确定性、箭体姿态动力学高动态变化的飞行特性,提出了一种基于非线性模型预测控制的火箭垂直回收姿态控制方法。首先,基于四元数构建姿态控制数学模型;然后,在非线性模型预测控制框架下求解控制指令;同时,引入反馈校正机制与变时域策略以提升控制精度,进一步利用ESO观测扰动。仿真结果表明,控制器响应速度快、跟踪精度高,观测器能够有效观测并补偿扰动,具有较强的扰动鲁棒性。     

基于活动预测和能耗均衡的WSN路由算法

无线传感网络（WSN,Wireless Sensor Network）中节点触发与数据传输往往会呈现出某种活动模式,基于活动模式特性提出了基于活动的节点分簇算法（AACP,Activity-Aware Clustering Protocol）,将网络中的传感器 节点分成多个活动簇,并通过对节点的历史触发数据进行分析,结合分簇结果对当前发生的活动进行预测.基于活动预测结果,综合能耗均衡、节点剩余能量、传输能耗等影响因素,提出了基于活动预测和能耗均衡的WSN路由算法（AEBRP,Activity-aware and Energy Balanced Routing Protocol）.仿真实验中与低功耗自适应集簇分层型协议（LEACH,Low Energy Adaptive Clustering Hierarchy）、基于跟踪的动态节点分簇算法（HCMTT,Hybrid Clustering for Multitarget Tracking in wireless sensor networks）和传感器信息系统中的高能效采集算法（PEGASIS,Power Efficient Gathering in Sensor Information System）进行比较,验证了AEBRP算法在维持网络能耗均衡、延长网络生命周期方面具有明显优势.      

基于约束预测控制的火星大气进入轨迹跟踪

针对火星着陆任务大气进入段的轨迹跟踪控制问题,给出了一种基于约束预测控制的跟踪策略。综合考虑大气进入段动力学模型的非线性、状态初值的不确定性、控制量限幅约束以及参数摄动,设计了基于线性化阶跃响应预测模型、反馈校正和含约束滚动优化的约束预测控制器,并通过数学仿真对该方法进行了数值验证,结果表明:约束预测控制较PID对参考指令跟踪精度更高,开伞点误差圆半径远小于PID方法;能得到控制量限幅约束条件下平稳的控制曲线。     

一种粒子群模糊支持向量机的航天器参量预测方法

针对航天器精确预测与健康管理的需求,将粒子群算法、模糊数学与支持向量机的优势相结合,提出了一种粒子群模糊支持向量机预测方法。针对某卫星南帆板输出电流参量的预测实例,设计了总平均绝对误差、总平均绝对百分比误差、总均方根误差三个预测结果评价指标,对不同步长情况下的预测结果进行了比较,证明了粒子群优化模糊支持向量机预测方法的有效性。通过对比粒子群优化模糊支持向量机模型、灰色粒子群神经网络优化模型、粒子群神经网络模型、灰色模型预测的总平均绝对百分比误差,结果证明粒子群优化模糊支持向量机的预测精度和效率较高,在航天器参量预测领域具有较好的应用前景。