三维五向矩形编织复合材料的细观结构模型

分析了三维五向矩形编织工艺携纱器的运动规律,基于映射思想研究了纱线的空间走向及规律.经分析内部区域编织纱及轴纱的空间挤压交织关系,建立了能有效反映其纱线空间构型特征的三维实体细观结构模型.根据3单胞划分思想,提出了平行于材料边界方向的单胞几何模型,建立了编织工艺参数和模型宏细现结构参数的关系.模型数值结果与试件实测数据基本吻合,证明了该模型合理、有效.     

空空导弹威胁下某型飞机的战伤计算与仿真

为获取飞机在导弹打击后的毁伤状态及战伤数据,指导军队战时战伤抢修和战场备件筹措,有效恢复作战能力,本文建立某型主战飞机的易损性模型、结构件模型及相关计算模型,分析了飞机在破片型战斗部打击下的生存力及损伤情况.计算结果实施了地面实弹打击试验及战伤抢修训练,为战伤飞机进行战伤模式分析、战伤评估和抢修方案的制定提供了重要依据,提高了飞机持续作战能力.     

宽频带微带天线的设计

频带窄严重制约微带天线的广泛应用。在讨论微带天线频带展宽的基础上 ,研究多谐振方式展宽频带的方法。采用时域有限差分法进行优化设计计算 ,给出了具体测试结果。     

潜射导弹级间段密封圈动态密封性能模拟试验方法

根据潜射导弹级间段密封圈在出水过程中的动态变形参数设计了一套模拟试验件和加载、加水及测量装置,采用摆锤冲击加载方式和裂纹动态张开位移测量方法再现了密封圈在导弹出水过程中的使用条件,证明密封圈在规定的开缝宽度、开缝时间和弹体内外压差的使用环境下能够保证防水和密封效果。利用两自由度冲击响应模型分析了试验的动响应曲线,给出了试验系统模态参数的识别结果。     

风扇转子叶片周向积叠的三维气动优化设计

为了研究优化环境对优化结果的影响,利用商业软件NUMECA对某风扇第一级转子叶片进行了气动优化设计,并对比研究了第一级转子单排叶片的优化及其在整级环境中的优化结果。研究发现．单叶排优化后．虽然能提高整级风扇的效率,但是由于匹配的原因,整级风扇在整个流量范围内总压比都比优化前的有所减小;在级环境中优化后,该级风扇的效率和稳定工作范围都扩大了,且保证了级压比不变,其优化效果比单叶排的优化效果好。     

用双激波模型计算风扇/压气机非设计点的性能

根据现代高速风扇/压气机内激波波系的真实结构,将适用于预测高速叶型激波损失的双激波模型引入基于基元叶片特性的流线曲率法程序,发展了一种用于预估高速风扇/压气机非设计点性能的方法。该双激波模型考虑了来流马赫数和攻角变化,较真实地反映了高马赫数风扇/压气机的实际工作状况,扩展预测风扇/压气机非设计点性能的能力。利用该模型,本文分别对一台叶尖马赫数达到1.4的大涵道比风扇和一台叶尖马赫数高达1.5的三级风扇的非设计点性能进行了计算,计算结果与试验结果保持了较高的吻合性。     

上游转子对下游静子叶片气动力的影响

为研究轴流压气机下游静子叶片非定常气动力的大小和频率的变化规律,采用在静子叶片表面埋设微型动态压力传感器的方法,在低速单级轴流压气机实验器上进行了静子叶片表面压力的测量。测量了不同轴向间距、不同转速下从近堵塞到近失速的宽广流量范围,并对所测得的静子叶片非定常气动力进行了离散傅立叶变换,以分析其频谱特性。实验结果表明：在转子尾迹的影响下,静子叶片表面的波动频率是转子的尾迹频率及其倍频。转子尾迹频率的高频分量对静子叶片吸力面前缘的影响比对其他位置的影响大。叶片表面的非定常压力和气动力随压气机流量、转速和轴向间距的变化而变化。     

基于线性样条和CNN-LSTM的北斗卫星缺失数据处理方法

针对北斗某星辐射剂量探测数据缺失问题,提出了一种基于线性样条和CNN-LSTM神经网络模型的处理方法.在对数据特性分析的基础上,将原始数据分解为线性趋势项和季节波动项.对于线性趋势项,采用基于线性样条的缺失值处理方法;对于季节波动项,根据其时空变化特性,设计CNN和LSTM组合神经网络结构,完成季节波动项的缺失值处理....     

空间黏附爬行机器人足端预压力优化与控制

基于仿生干黏附材料的空间足式爬行机器人可附着于航天器外表面并代替宇航员完成舱外巡检、维护等工作,是无人自主化在轨服务与维护的有效途径。为保证足式爬行机器人与航天器的稳定附着,本文针对空间爬行机器人足端在与航天器接触时预压力对黏附稳定性影响的问题,提出一种足端预压力优化与控制方法。首先结合仿生黏附材料特性,建立黏附材料在预压阶段和黏附阶段的稳定性约束;其次在稳定性约束下基于二次规划方法优化足端力,保证预压力足够的同时减小对其他足的脱附力;最后通过基于环境刚度辨识的导纳控制实现优化后的力分配。结果表明：基于环境刚度辨识的导纳控制可实现预压力的柔顺控制,优化后的预压力可减小对其他黏附足的法向脱附力的影响,保证黏附爬行稳定性。     

Low-latitude storm time ionospheric predictions using support vector machines

The electromagnetic drift plays an important role in low-latitude storm time ionospheric dynamics. In this study we attempt to utilize the electric field data into ionospheric predictions by using support vector machine (SVM), a promising algorithm for small-sample nonlinear regressions. Taking the disturbance electric field data as input, different SVMs have been trained for three seasonal bins at two stations near the north crest of the Equatorial Ionization Anomaly (EIA). Eighteen storm events are used to check out their predicting abilities. The results show fairly good agreement between the predictions and observations. Compared with STORM, a widely used empirical correlation model, the SVM method brings a relative improvement of 23% for these testing events. Based on this study we argue that the SVM method can improve the storm time ionospheric predictions.