不同尾翼鸭式布局远程弹在跨/超声速的气动特性实验研究

为了研究鸭式布局远程弹尾翼对气动特性的影响,设计了无尾翼,"T"型尾8翼,栅格尾翼三种尾翼布局,通过风洞测力实验研究不同布局在不同马赫数及迎角状态下对远程弹气动特性尤其是滚转特性的影响.实验结果显示:安装"T"型尾翼的模型和安装栅格尾翼的模型相比,在跨声速阶段,其升力特性优于栅格尾翼,也更利于滚转控制,但在超声速区域,栅格尾翼模型具有明显的升力特性优势,同时也容易进行滚转控制,而减小阻力是栅格翼将来需要解决的问题.     

Co-Ni-Al复合黏结相硬质合金研究进展

介绍了Co-Ni-Al复合黏结相在硬质合金中的应用背景;简述了Co基高温合金最新研究成果和有序相沉淀强化黏结相硬质合金的性能特点;分析了集成计算材料工程在Co-Ni-Al复合黏结相开发上的应用;总结了WC-CoNi-Al硬质合金在制备、显微结构表征及性能研究上的进展情况。研究表明:Co-Ni-Al复合黏结相成分对合金的固-液界面能及液相形核驱动力具有明显的影响,相应地,也影响到黏结相晶粒大小和WC晶粒形貌,最终这些因素影响合金的性能。通过有序γ′相沉淀强化硬质合金黏结相可显著改善合金的性能,有望获得耐高温、抗腐蚀、抗氧化等性能优异的硬质合金材料。提出未来应重点研究Co-Ni-Al复合黏结相硬质合金的界面微结构。C含量与析出相关系以及抗磨性机理等方面。     

凝结相变对低温风洞雷诺数试验的影响

为了研究凝结相变对低温风洞雷诺数试验能力的影响,基于Fluent软件建立了气-液两相凝结流动模型,相变模型采用考虑非等温效应修正的经典成核理论和Gyarmathy液滴生长理论;针对不同来流压力和不同试验雷诺数工况条件,对氮气绕流NACA 0012翼型进行了数值模拟。模拟结果表明:随着来流温度的降低,翼型附近区域气体膨胀越过气态饱和线并达到过冷状态,进一步降低来流温度则会在宏观层面上观测到凝结相变对当地流场的改变,与无凝结相变的流场相比,释放的潜热加热气流导致马赫数降低及压力系数的改变;在确保不破坏翼型气动性能试验的前提下,充分利用气体过冷区域来降低来流压力以此减少驱动功率和液氮喷入量是可行的,或者保持来流压力不变提升低温风洞的试验雷诺数。     

超薄钛内衬复合材料高压气瓶力学特性分析

以卫星用超薄钛内衬T1000碳纤维增强复合材料高压气瓶为研究对象,基于各向同性材料弹塑性理论及复合材料层合板理论,建立三维有限元分析模型。通过对比分析金属内衬和复合材料层在不同内压下的位移、应力和应变分布规律,得到了这种气瓶在各承压工况下的力学特性,最后通过压力试验结果验证了有限元模型的准确性。研究结果表明:当内压超过气瓶的工作压力时,复合材料气瓶主要发生轴向变形,且内衬既有弹性变形又有塑性变形,复合材料层始终处于弹性变形。此外,气瓶爆破失效薄弱点在筒体与封头的过渡区域,在不均匀应变的作用下易沿环向发生撕裂而爆破。本文的研究成果可为超薄内衬复合材料高压气瓶的设计、试验等提供参考依据。     

面向GPU快速处理的地面材质数据压缩方法 陆巍巍 1,徐涛2,徐珂文 1

为解决雷达图像仿真中海量地面材质数据的存储和加载问题,采用基于自适应最大行程长度编码和修正 偶对的压缩算法进行材质数据的压缩,从而有效地减少了数据的存储量,消除数据传输的瓶颈,提高了数据传输的 吞吐能力。压缩算法面向 GPU快速处理,得到压缩数据适用于 GPU进行快速解压。     

依托产学研合作项目探索毕业设计新模式

毕业设计是培养学生综合运用所学知识解决实际工程问题的能力,是学生在校期间最后一个进行总装式综合训练的环节.本文结合沈航自动化学院依托产学研合作项目开展毕业设计工作的情况,从多方面总结了产学研相结合的毕业设计工作应考虑的几个问题.     

基于主动形状模型实现医学图像中的物体(脊柱)定位

主动形状模型(ASM)通过把物体的形状模型及其相应的局部灰度表象模型有机结合以实现图像中的物体定位。在传统ASM中．对物体形状的灰度变化(局部灰度表象)的建模建立在一维采样与搜索方法的基础之上，故其定位准确性低且速度慢。本提出了一种在物体形状每一特征点周围的矩形邻域中使用二维采样与搜索技术．从而改进物体形状的局部灰度表象模型的方法。针对医学图像中的物体定位问题．本比较了基于这种改进的ASM模型和传统ASM模型对同一医学图像集中的脊柱定位能力。实验表明．基于这种改进的ASM模型能快速有效地对医学图像中的脊柱(物体)进行更准确的定位。     

人工神经网络

本文叙述了人工神经网络的基本概念、信息处理原理及主要特征。分析了Hopfield、误差反向传播等典型神经网络模型的互连结构、学习方法及特点。对该学科的发展及今后人工智能的研究策略也作了简要阐述。     

基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.