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。     

超声速来流基元叶型前缘加工误差气动敏感性分析

为研究叶型前缘加工误差对叶栅气动性能敏感性,以NASA Rotor 67转子70%叶高截面基元级叶型为研究对象,选择Clamped型非均匀B样条曲线实现叶型前缘数学描述。采用单因素法建立叶型前缘加工误差模型,提炼出叶片弦长误差、前缘轮廓度误差、几何进气角误差三个误差模型;随后结合L9(34)正交实验及数值模拟方法研究超声速来流条件下三维直列叶栅不同前缘误差类型对叶栅气动性能的敏感性。正交实验极差分析及显著性分析均表明:前缘轮廓度误差FP是影响叶栅气动性能的主要影响因素(75%以上可能性),叶栅性能随前缘轮廓度增加呈现恶化趋势,即叶型前缘越厚,叶栅总压损失越大,扩压能力越小。进一步分析轮廓度误差对叶栅性能影响机制得出:激波损失是叶栅性能随轮廓度误差加大而恶化的重要原因。     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的，该方法需要手工标记大量的数据，代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类，然后结合类内间离散度进行从底向上的分层聚类，类间和类内离散度都小的类别将被优先合并，同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量，最后，利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明，相比于目前先进的无监督视频行人重识别方法，本文方法在性能上有一定的提升。