翼面结冰过程中的冰晶运动相变与黏附特性

冰晶的运动、相变、黏附现象广泛存在于航空发动机内部结冰过程中，开展相应的计算方法研究，系统分析冰晶运动相变与黏附特性是研究发动机内部结冰、保证飞行安全的迫切需求。针对冰晶运动相变及黏附特性计算，建立了拉格朗日框架下冰晶运动-传热传质耦合的数值计算方法，分析了基于Monte Carlo方法的冰晶撞击与黏附收集系数计算方法，基于NNWICE平台开发了相应的计算程序。以NACA0012翼型为对象，计算研究了扁椭球状、六角平板状和长椭球状3种非球状冰晶颗粒与球状冰晶的运动、传热传质过程，系统分析了来流温度等参数对冰晶黏附特性的影响，得到了冰晶形状对冰晶运动轨迹和融化过程的影响规律及来流总温与液态水含量/总水含量（LWC/TWC）对冰晶黏附特性的影响规律。相关工作为进一步分析混合相结冰数值模拟计算奠定了工作基础。     

基于多模态融合的任意对称翼型结冰预测方法

为解决目前绝大多数神经网络冰形预测方法只能针对特定翼型且不具备面向多翼型特征的普适性的问题，采用基于多模态融合的深度神经网络方法，以翼型截面图像与结冰工况参数作为输入，以二维冰形曲线傅里叶级数拟合参数作为输出，建立深度神经网络预测模型，实现了对任意对称翼型结冰特征的预测能力。结果表明：提出的模型可以准确地预测任意对称翼型几何特征条件下的结冰外形，冰形面积与最大冰厚等冰形主要参数预测误差均保持在10%以下。     

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器（英文）

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation, BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。     

石墨烯基光热除冰表面的激光制备（英文）

重要设备，如飞机机翼、风力涡轮机、太阳能电池板等结冰会引起空气动力学形状变化和重要部件变形，严重威胁运行安全。然而，制造柔性、共形的光热除冰表面仍然具有挑战性。本文采用激光直写技术，设计并制备了多孔疏水的激光诱导石墨烯（Laser induced grapheme, LIG）基光热抗霜除冰表面。采用激光照射聚酰亚胺（Polyimide, PI）薄膜制备LIG薄膜。激光照射后，LIG薄膜呈现多孔结构和高C/O比。由于多孔结构和高C/O比的存在，LIG膜具有疏水性（CA,～123.2°）、高吸收率和良好的光热转化率，因此，LIG薄膜具有光热抗霜除冰能力。本文工作显示了开发柔性、共形的光热抗霜/除冰表面的巨大潜力。     

宽包线吸气式高超声速飞行器外形优化研究

针对吸气式宽包线高超声速飞行器的气动优化问题，基于任务要求建立了基于多点权重分配的气动外形优化模型，并采用“CFD+准一维流”方法开展了气动性能分析。为兼顾气动外形优化的效率与精度，通过改进现有的并行加点策略，发展了一套基于代理模型与梯度算法的分层优化框架，并采用函数算例对改进后的加点策略进行了验证。对吸气式高超声速飞行器的气动外形进行了分层优化，在满足各学科约束的情况下使飞行器在各个优化评估点处的气动性能均有所提升。     

关于设定航天保险期限的一点思考

<正>航天科技的快速发展是一个国家科技进步和创新能力的重要体现,极大鼓舞了中国人民的创新信念和信心。航天系统工程规模庞大、运作复杂、耗资巨大、风险集中,随着航天技术的不断成熟和航天活动事件的发生,航大保险对航大风险管理的重要性日益突显。如今,航大保险已经成为化解航天项目风险不可或缺的重要手段。航天保险由于产生时间短,保险标的较少,保险合同与货运险、财产险等常规险种相比,特点较为突出,为了更好地为中国航天提供保险保障,全方位保障卫星用户单位利益,有必要对航天保险期限问题进行研究分析,并就如何合理确定航天保险期限提出笔者的一点思考。     

启动过程压缩空气储能向心涡轮三维流动特性研究

为研究压缩空气储能系统的向心涡轮启动过程内部流动损失特性，本文采用全三维计算流体动力学（CFD）模型对其启动过程过程进行了数值模拟，与实验结果对比表明，虽然该模型在启动初始阶段与转速稳定阶段存在一定误差，但仍能够整体上反映启动过程的效率变化特征。在此基础上，进一步分析了启动过程中动叶通道内损失区及流场变化特征，结果发现，动叶进口攻角是影响内部流场主要因素：在启动初始阶段，叶轮进口攻角较大，动叶载荷集中在叶片前缘，形成明显的通道分离涡与前缘涡；在快速启动段，攻角减小，动叶载荷沿弦长分布更为均匀，通道分离涡及前缘涡逐渐减小并向叶片吸力面迁移。在整个启动阶段，动叶通道内高损失区也随着通道分离涡逐渐迁移且变小，并向相邻叶片吸力面集中。     

基于关键点检测的红外弱小目标检测

红外弱小目标检测旨在从复杂的背景中检测出红外弱小目标，该技术在监视预警系统、精确制导等方面具有重要应用价值。针对已有的传统算法存在漏检、误检，深度学习中基于语义分割的检测方法易受“过分割”与“欠分割”影响等问题，提出了一种基于关键点检测的红外弱小目标检测算法（KeypointNet）。主要创新点为：直接优化目标中心点坐标，提高了检测效率，有效地保证了目标的检测率与虚警率；设计了一种从低层级到高层级的特征融合模块，获取了目标的多尺度信息，提升了检测效果。在相关数据集上的实验表明：KeypointNet算法的检测率能够达到97.58%，同时虚警率在2%以下，与其他算法相比取得了最好的效果。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。