基于直接氟化技术的氟化石墨烯制备与应用研究

氟化石墨烯(FG)作为一种重要的石墨烯衍生物材料已在介电材料、超润滑、生物材料、电子器件领域展现出良好的应用前景.因其C—F键的高键能、高官能化密度、高温裂解可产生高活性含氟自由基以及二维片层结构等特点,FG有望作为高性能的包覆剂/氧化剂等应用于含能材料、固体推进剂等领域.近10年以来,基于直接氟化技术制备FG方面已报...     

不畏疫情,主动作为,教学改革再出发

新冠病毒感染疫情为教育教学活动的开展带来了前所未有的挑战。中国民用航空飞行学院主动作为,克服疫情影响,持续推进教育教学改革,重视师德学风建设,加大人才培养力度,努力提高教学质量。     

基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义.真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检.为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法.首先,通过引入注意力机制对多尺度特征融...     

自适应1553B总线通信功能系统级测试方法设计

一些通信卫星通过自适应1553B总线通讯,因此总线控制端在上电前对终端设备的内部遥测参数容量、存储位置是未知的,而是在系统上电后及运行期间动态地维护当前所有终端设备的状态信息,并由总线控制端通过对终端设备的轮询确定终端设备的总线接入状态,并动态获取终端设备的自描述信息,从而解决综合电子总线自适应性能单一、普适性差、数据动态交互机制弱的缺陷。针对某通信卫星自适应1553B总线通信功能,提出一种精准快捷的通信卫星1553B总线测试系统,通过1553B总线终端监视与处理设备,分别对1553B总线的自描述信息动态轮询获取功能和A/B总线自适应轮询功能进行测试,实现对自适应1553B总线实时监视与分析功能。实验表明,该测试系统有效验证了卫星1553B总线自适应通信功能,为总线通信的有效性和实时性提供保障。     

空空导弹反强机动目标时间约束滑模制导律

针对空空导弹期望时间拦截强机动目标问题，提出了一种不依赖剩余时间估计的新型攻击时间约束滑模制导律。设计了一种以弹目距离和攻击时间误差加权求和的滑模面，通过分析制导收敛条件，推导得到自适应非奇异权重函数，通过引入有限时间收敛条件，得到了一种有限时间收敛滑模制导律。该制导律在不依赖剩余时间估计条件下保证了终端打击精度和攻击时间约束。通过设计包含滑模变量的附加制导项，显著提升了攻击时间的收敛精度。针对未知加速度机动目标，分析并证明了该制导律对于拦截强机动目标具有良好的适用性。最后通过数学仿真验证了所提出的制导律在不同约束条件下的有效性，并通过对比仿真验证了算法的优越性。     

大温差下印刷电路板式换热器起动过程建模与实验

针对大温差下的印刷电路板式换热器(PCHE)的起动过程，提出了一种一维瞬态换热计算模型，该模型考虑了印刷电路板式换热器固体结构的内部导热过程，可计算起动过程中换热介质和印刷电路板式换热器的温度响应。同时以N₂为换热介质，开展了印刷电路板式换热器的瞬态换热实验，N₂的最高、最低温度分别为450、103 K，将模型计算结果与实验结果进行对比，冷侧N₂出口温度的模型计算值与实验值之间的平均误差为11.3 K，实验结束时热、冷侧换热量的计算偏差均在7%以内，该结果证明了所提出的计算模型的有效性。在上述计算模型的基础上，对起动过程中印刷电路板式换热器工作参数的空间分布和时域变化特征进行了计算和分析，结果表明换热器的外侧盖板与固体核心区之间的传热过程非常重要，在进行大温差下的瞬态换热过程计算时不应被轻易忽略，同时增大两侧换热介质的流量和减小换热器外侧盖板的厚度是缩短印刷电路板式换热器起动过程响应时间的有效方法，且在一定的流量比范围内，两侧换热介质入口雷诺数之积是影响响应时间的重要因素。     

CFRP层合板雷击烧蚀损伤模拟的电流加载方式分析

通过改进加载方式减小数值模拟与试验结果误差对于提高仿真准确性具有一定意义。本文探究复合材料层合板在不同形式雷击电流下的烧蚀损伤特性，改进Braginskii 电弧半径扩展公式，建立适用于雷击过程的电弧扩展半径数值模型；基于ABAQUS 建立CFRP 层合板有限元模型，分析不同电流加载方式下的烧蚀损伤情况。结果表明：建立的有限元模型能够模拟CFRP 层合板雷击烧蚀损伤；扩展移动加载造成的损伤面积、损伤深度和损伤体积与试验结果对比误差均约为7%，较其他加载方式仿真结果与试验结果对比具有良好的一致性，模拟复合材料雷击烧蚀损伤时应同时考虑电流扩展和移动的影响。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。