基于深度学习的超分辨率重构方法在CAARC标模绕流流场重构中的应用

基于深度学习的超分辨率重构方法是近年来发展的一种有效的流场精细化方法。本文超分辨率重构模型以卷积神经网络为基础，结合了混合下采样跳跃连接多尺度模型，并应用于CAARC标准建筑模型表面风压场和建筑绕流速度场的重构。通过对比分析对不同欠分辨率流场的高分辨重构能力，结果表明该深度学习模型重构高分辨率流场具有良好的精度，重构效果优于原始的卷积神经网络模型和传统的双三次插值方法。该方法具有一定的普适性，可推广应用到具有复杂湍流流动的任意建筑结构风场的超分辨率重构。     

不同气量分配下声激励对中心分级旋流火焰动力学的影响

采用高速摄像拍摄火焰化学自发光和本征正交分解（POD）法研究了多激励频率下中心分级旋流分层火焰的宏观结构和动力学特性。结果表明：随着气量分配比的增加，火焰宏观结构逐渐沿径向方向扩张，火焰分层现象变得更加明显。激励频率的变化对火焰宏观结构的影响较小。POD分析结果表明：外激频率为200 Hz时火焰脉动最明显。随着主燃级气量占比的增加，释热脉动在激励的作用下沿轴向方向减弱，在径向上出现极值交替且振荡变强。