高效欧拉方程解法求解轴对称引射喷管三股流问题

推导了三维流动的广义欧拉方程黎曼增量梯度形式的欧拉方程及其轴对称形式表达，针对引射喷管三股流问题的特点在运动网格下作了H变换。在此基础上将高效欧拉方程解法应用于求解轴对称引射喷管三股流问题，为解决次流通道狭窄带来的问题，采用了弱耦合法处理滑流边界。     

多股平行非等温受限射流数值研究

本文对高大型空调建筑中常用的多股平行非等温射流进行了数值研究。采用κ-ε湍流模型,以速度及压力为参变量,用SIMPLE法求解偏微分方程组,从而获得了速度、压力、温度场及湍流能量、湍流能量耗散率分布,并进行了实验验证。本文还利用数值计算得到的丰富信息,对多股平行非等温射流流动规律及温度分布作了进一步研究,并回归出相应的计算公式,弥补了实验研究的不足。     

交叉射流特性的试验研究

本文研究了稳燃腔中交叉射流两相流动。使用三维激光粒子动态分析仪 (PDA)测量了正三角形截面副射流与主射流速度比为 2 .5时的交叉射流流动 ,获得了粒子湍流脉动强度及粒子在交叉射流尾迹中的浓度分布     

轴对称燃气射流的数值计算

本文应用VonMises变换对轴对称射流的各控制方程和相应的初始条件及边界条件进行了变换, 选用普朗特混合长度湍流模型, 用隐式有限差分格式进行数值求解, 成功地计算了某型飞机在巡航状态下燃气由轴对称收缩喷管排入亚音速空气流中的速度场、温度场、浓度场、密度场以及燃气各组分的成分分布。计算结果可以用于预测飞机尾喷管高温燃气射流的红外辐射特性。      

轴对称超临界粘性喷流的数值模拟

从雷诺平均的非定常Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ方程出发，采用隐式的Ｂｅａｍ－Ｗａｒｍｉｎｇ格式中的矢通量分裂技术，结合Ｂａｌｄｗｉｎ－Ｌｏｍａｘ代数湍流模型，数值模拟了收敛喷管的内流场和喷射流场，通过对趋临界工况下喷管跨音速流场的数值计算，表明本文的结果与试验结果是吻合的。     

双圆形出口零质量射流组的流场结构PIV实验研究

对不同出口间距零质量射流组的流场结构进行了PIV实验.采用相位锁定技术测量了周期内不同相位的瞬时流场速度矢量, 显示了两股射流涡对之间相互作用、融合成为一股射流的全过程.发现射流出口间距越大, 射流组融合完成所需的时间、空间历程越长.在射流组融合完成后的下游截面上, 速度分布和单射流相似, 具有自模性.虽然融合未完成前各截面不存在整体自模性, 但两股射流外侧仍满足自模性.      

PDE在模拟冲压进气条件下的台架推力修正

研究射流模拟冲压进气条件下,气源喷口尺寸和气源压头对脉冲爆震发动机(PDE)地面台架测量推力的影响及消除外阻对测量推力的影响的措施.研究结果表明,由于PDE外阻存在使PDE地面台架测量推力偏小,采用PDE进气道前装承力锥的方法,可以消除PDE外阻对PDE地面台架试验推力测量的影响,获得PDE实际内流推力.在试验结果基础上,提出一个PDE地面台架试验内流推力修正公式并在试验中得到验证.      

超燃冲压发动机性能初步研究

介绍了北京动力机械研究所进行的超燃冲压发动机初步研究。该方面研究包括超声速燃烧初步试验研究、双模态超燃冲压发动机燃烧室计算模拟和试验研究、高超声速进气道研究、超燃冲压发动机模型自由射流试验研究,获得了良好的高超声速进气道和超燃冲压发动机的工作性能。     

基于深度学习的非合作目标感知研究进展

近年来随着卷积神经网络的发展,基于深度学习的图像感知技术取得了巨大进展。深度学习算法不依赖于人工辅助设计标记、泛化能力强、检测精度高,在空间非合作目标智能感知领域引起了国内外学者的关注。本文分析了应用深度学习方法进行非合作目标智能感知的研究现状,并对他们进行分类介绍与总结。首先,总结了空间非合作目标感知的在轨应用情况和任务阶段规划,接着分析了非合作目标的结构特性和表面光照特性;其次梳理总结了建立非合作目标数据集的三种方法,分类归纳了非合作目标识别与非合作目标位姿检测的国内外研究进展;最后,分析了基于深度学习的非合作目标智能感知方法的关键问题与难点,并给出了后续研究的思路。     

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失(Complete IoU Loss)替代交并比损失(Intersection over Union Loss)来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,提出的YOLOv3-DCA能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.8%、88.8%、93.0%和88.8%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。