基于流固耦合的激波/边界层干扰作用下壁板颤振特性

为了解激波/边界层干扰作用下壁板气动弹性及其对流动分离的影响，采用自主开发的双向流固耦合求解器，对不同激波冲击位置下壁板的振动响应和流动特性进行了数值模拟研究。壁板几何非线性运动方程采用有限差分法求解，基于有限体积法求解Navier-Stokes方程组，对流通量采用MUSCL和AUSMPW+格式离散，双向流固耦合采用交错迭代算法。研究结果表明：激波/边界层干扰作用下壁板振动位移先增大后减小，经若干振荡周期后达到稳定颤振状态，呈现二阶振动模态，壁板变形相对于激波冲击位置呈现非对称性，壁板前部分的振幅始终小于壁板后部分；激波冲击位置可显著改变壁板的颤振振幅、频率及分离区长度，当激波冲击位置靠近壁板两端时，壁板振动最终收敛达到静稳定状态；壁板振动响应与流场特征不随激波冲击位置的改变而单调变化，对于激波冲击位置x/a=0.35工况，壁板颤振可有效抑制激波/边界层干扰流动分离。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

内装式空射运载火箭重力出舱机箭耦合动力学分析

研究了以运输机为平台的内装式运载火箭空射过程载机和火箭的耦合动力学建模。建模针对两个阶段：第一阶段，火箭固定于载机机舱内，两者构成一个整体，按照普通刚体的力学方法处理；第二阶段，火箭解锁后，沿着舱内的发射筒向外滑行，载机和火箭形成两刚体相互作用的耦合系统，基于牛顿-欧拉法建立系统动力学模型。载机在空射火箭过程中，油门和升降舵满偏，在加速前飞的同时拉大姿态俯仰角，火箭在自身重力分量和惯性力的作用下，沿着机舱内的发射筒加速向外滑行，直至与载机分离。数值仿真分析了空射过程载机的重要力学参数的变化过程，验证了载机操控策略的可行性和安全性，可为未来中国空射运载火箭技术设计提供数据参考。     

具有复杂围护结构光学窗口的传热特性分析

针对具有复杂围护结构光学窗口传热特性,建立了高热流作用下的光学窗口及其复杂围护结构的辐射-导热传热模型,分别讨论了窗口的辐射半透明、光谱选择性、外部加热热流以及窗口尺寸对其瞬态温度响应的影响。结果表明,忽略窗口半透明特征会产生最大31.4%误差,忽略光谱选择性会产生最大40.4%误差;窗口外部气动加热热流影响显著,温度响应随热流的增大而急剧增大;窗口厚度对其传热特性的影响较大,随着厚度的增大窗口温度响应减小;而窗口半径产生的影响可忽略不计。     

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志，飞机飞行包线的扩大已超出传统的大气数据系统测量范围，可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象，基于过失速机动飞行试验的数据，开展大气参数估计与验证研究。结合过失速机动的时间与空间特性，研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法；针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性，进一步构建深度神经网络，对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计，过失速机动过程中融合迎角误差优于2.3°，融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

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。     

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。      

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.