基于高阶间断伽辽金数值方法的浸没边界法

为了降低复杂边界条件下贴体网格生成难度，近年来基于笛卡尔网格的浸没边界法逐渐成为研究此类问题的主要数值方法之一，然而计算精度和计算效率仍然是此类方法目前面临的挑战。与传统的空间2阶精度的有限体积格式相比，空间精度为3阶或3阶以上的高精度方法具有空间精度高、数值分辨率高、数值耗散小的优点，而作为高精度数值方法之一的间断伽辽金方法在浸没边界方面的应用仍较少。本文将高阶间断伽辽金方法的高精度优势与浸没边界法无需贴体网格的优势结合起来，提出了适用于可压缩流动的高精度浸没边界法。其中边界条件采用体积惩罚方式实现，同时采用牛顿法迭代以及MPI并行提高计算效率，物面的数据重建采用插值点处的逆距离权重（IDW-IP）方法代替高阶格式下多项式插值方法。本文基于笛卡尔网格测试验证了二维定常和非定常情况下的数值模拟效果，并与传统贴体网格的计算结果进行了对比。     

CJ828龙骨梁结构设计

介绍了波音系列和空客系列飞机典型龙骨梁的结构特点,并针对双通道300座CJ828客机的具体要求,设计了双梁盒式结构龙骨梁.合理地选择了各零部件材料,详细设计了中央翼盒盒段和主起落架舱盒段,并对龙骨梁零部件间的连接形式进行了设计,最后通过分析计算机身和龙骨梁的外载,对龙骨梁进行了结构分析,结果表明所设计龙骨梁的强度满足设计要求.     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。