某型航空发动机高压涡轮叶顶间隙三维数值分析

利用有限元分析软件计算出了某型航空发动机高压涡轮叶顶间隙的时间历程变化.分析过程中考虑了温度、压力和转速的影响,并给出了施加边界条件的新方法.通过与前人的计算方法进行对比分析,得出了较为合理的结果:转速的影响是轮盘径向尺寸变化的主要因素,而温度是影响机匣和叶片的主要因素,叶顶间隙分别在慢车突然加速和反推力状态下出现最小值.      

跨声压气机缝式处理机匣非定常模拟研究

在Rotor37单级跨声压气机上进行了斜缝、带气室斜缝和半圆斜缝处理机匣下的压气机全三维非定常数值模拟.结果表明,缝式处理机匣的扩稳与其对泄漏流的影响和利用压差进行泄漏涡抽吸密切相关,在足够导通能力下,所利用的压差越大,抽吸能力越强,扩稳效果越明显.气室可通过改善斜缝输运条件来提高压气机裕度,而叶片角向斜缝则能通过增大斜缝进出口压差来进一步提高抽吸能力,但同时也带来了压比和效率的损失.      

跨声压气机周向槽处理机匣非设计工况研究

设计了某单级跨声压气机周向槽处理机匣,利用全三维定常数值模拟方法研究了三种典型转速下的机匣扩稳机理;对比分析得出处理机匣扩稳性能与压气机工况、处理槽位置的关系:转速越高,处理槽扩稳效果越好,而且位于叶尖弦长中部的处理槽更有效.当转速降低时,扩稳效果减弱,靠近尾沿的处理槽更为明显.研究表明,该压气机在降转速过程中存在一个扩稳机理的转变:在高转速下扩稳以抑制间隙涡破裂为主,而低转速下则以抑制叶尖吸力面附面层分离为主.      

规则波浪对水下航行体出水姿态参数的影响

基于边界元方法建立了水下航行体出水姿态计算模型，包括各控制方程及边界条件，采用截平面方法对航行体出水模型进行了简化处理，并将所得结果和实验数据进行比对，发现二者符合良好，验证了数值模型的有效性。运用边界元法研究了规则波浪参数（波高、浪向、周期、相位）对出水姿态的影响。研究结果表明，波高影响波浪力幅值大小，对出水姿态参数有着直接的影响，波高越大对出水姿态参数的影响越大；浪向、初相位和周期主要影响流体质点的运动方向，改变波浪附加惯性力，影响波浪力对出水姿态参数的作用效果；受到出水相位的影响，出水俯仰角和俯仰角速度呈余弦变化规律；随着周期的增大，周期对航行体出水姿态参数的影响逐渐减小，此时，相同波高下出水姿态参数只受到出水相位的影响。     

基于拉丁超立方抽样的五孔探针标定方法

为提高五孔探针的标定效率,研究了一种采用拉丁超立方抽样技术开展变马赫数五孔探针标定的试验方法.马赫数在0.2～0.5范围内的对比试验结果表明:采用改进的拉丁超立方抽样标定技术可使攻角与侧滑角的拟合误差较一般拉丁超立方抽样方法下降14.3％～28.6％,且攻角与侧滑角的拟合方均根误差均在1°以内,马赫数的拟合方均根误差不...     

“超重-星箭”的“猛禽”发动机

<正>“强结构、弱动力”是猎鹰-9 (Falcon-9)火箭的印记,“弱结构,强动力”则是“超重-星舰”(Superheavy Starship)的标志。“超重-星舰”的箭体结构并不出色,它的厉害之处实际上是“猛禽”(Raptor)全流量液氧甲烷火箭发动机。“猛禽”发动机被国外评为了目前世界上发动机的性能之王,它是世界上第一款实用化飞行的全流量分级燃烧火箭发动机。1 “超重-星舰”介绍“超重-星舰”是目前世界上最强的运载飞行器,为两级完全可重复使用运载器。     

Ti/CFRP超混杂层板的研究与应用展望

Ti/CFRP超混杂层板具有高比强度、高损伤容限及优异的疲劳性能,是航空航天领域的重要选材对象之一。界面性能决定了层板综合力学性能的好坏,是Ti/CFRP层板目前的研究热点。首先综述了钛和钛合金不同表面处理工艺;然后介绍了Ti/CFRP层板力学性能试验及理论预报的研究现状;最后通过分析Ti/CFRP层板航空航天领域的现有应用情况,展望了Ti/CFRP层板未来潜在的应用方向。     

碳纤维表面状态对C/C复合材料性能影响的研究

用两种经高温处理的碳纤维织物,以酚醛树脂作为基体先驱体,制备了二维C／C复合材料。通过扫描电镜（SEM）,X－射线光电子能谱（XPS）研究了两种碳纤维（TCF和JCF）的表面状态,测试了C／C复合材料（TCC和JCC）的层间剪切强度,拉伸性能,SEM观察表明,TCF及JCF表面都有沟槽,但TCF横断面呈腰子形非圆形,XPS分析表明TCF表面含氧官能团数量多,力学测试结果为：TCC层间剪切强度（ILSS）高于JCC,达到16．1MPa;TCC拉伸强度,模量均高于JCC,而JCC断裂延伸率达1．1％,是TCC的3倍,拉伸断口SEM分析表明,TCC断口平整,无纤维拔出,呈脆断,JCC断口有纤维拨出,是纤维控制的多层基体断裂。     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。