基于多目标优化的深空探测器姿态组合规划方法

深空探测器在执行姿态机动任务中,通常需要优化多个性能指标参数.此外,姿态指向约束和有界约束的存在显著减小了姿态机动路径的可行空间.在复杂的多约束条件下,多目标姿态机动优化对深空探测器系统是一个极大的挑战.提出多目标组合的概念,通过物理规划方法将多目标优化转换为单目标规划问题.考虑到欧拉路径的低能量特性,提出一种多目标组...     

基于Hamilton体系的Lagrange方程盒式倾转旋翼无人机建模

针对倾转旋翼飞行器动态倾转过程中动力学建模问题进行了研究。首先,从多体动力学出发,以某盒式倾转旋翼无人机为算例,将该无人机假设成由机翼、机体、涵道风扇、倾转旋翼等组成的多刚体系统。其次,通过不同刚体质心间的位移约束,建立该无人机系统的非保守力和力矩矩阵,以及动能、势能、余虚功和逆势能模型。最后,分别基于Hamilton体系下的Lagrange方程和第二类Lagrange方程推导并建立了该盒式倾转旋翼无人机的动力学模型。仿真结果表明:两类Lagrange方程所建动力学模型的仿真结果与实验数据一致,验证了所提建模方法的合理性;在倾转旋翼转速不变的情况下,倾转过程所用时间越长,无人机掉高越少,轨迹越光滑,但输入能量越多,具体倾转过程的设计要根据实际输入能量、倾转时间等需求进行确定。      

一种面向运载火箭自动对接的三维测量场构建方法

旋转激光自动经纬仪系统(R-LATs)是一种基于前方角度交汇的分布式大尺寸测量系统。各激光扫描基站的布局位置直接影响着测量区域内的测量精度和应用性能。从测量区域的测量不确定度量化着手,利用蒙特卡罗法获取各点的测量不确定度,以测量区域的最大不确定度作为主要优化目标,利用差分进化算法自动寻优,更简单有效地实现了面向运载火箭自动对接的R-LATs系统布站优化。最后进行了运载火箭对接测量场的实际应用验证。应用结果表明:该方法能有效优化激光扫描基站布局,提高系统测量精度,满足实际应用需求。     

新型无铰式旋翼气弹综合分析的全本征方程方法

针对新型无铰式旋翼构型存在的大变形几何非线性及根部多路传力的特点,并考虑非定常气动载荷作用,建立了无铰式旋翼气弹综合分析的全本征方程。发展了高精度的伽辽金法变阶有限单元,利用Newmark平均速度法和牛顿松弛迭代,实现了旋翼动力学与气动力的紧耦合求解。经过算例的对比验证表明,本文方法能够准确模拟新型无铰式旋翼根部多路传力条件,并在稳态气弹响应、振动载荷以及气弹稳定性计算等方面具有较好的精度。     

一类求解Hamilton-Jacobi方程的交错网格差分格式

Ｈａｍｉｌｔｏｎ－Ｊａｃｏｂｉ方程在控制论和微分对策中有广泛的应用,由于其表达形式与双曲守恒律方程极为相近,这有利于借助于求解双曲守恒律方程的差分格式来构造求解Ｈａｍｉｌｔｏｎ－Ｊａｃｏｂｉ方程的差分格式。文中将Ｈａｍｉｌｔｏｎ－Ｊａｃｏｂｉ方程变化为双曲守恒律方程,利用求解双曲守恒律方程的交错网格的Ｇａｕｓｓ型差分格式,构造了一类求解Ｈａｍｉｌｔｏｎ－Ｊａｃｏｂｉ方程的交错网格的Ｇａｕｓｓ型差分     

双曲型守恒律的无振荡中心差分格式

讨论了双曲型守恒律的一类无振荡中心差分格式。Ｈ．Ｎｅｓｙａｈｕ和Ｅ．Ｔａｄｍｏｒ研究了以交错型ＬａｘＦｒｉｅｄｒｉｃｈ格式（ＬｘＦ）为模块的无振荡中心格式的构造与熵不等式。此类格式利用高阶的ＭＵＳＣＬ型插值替代一阶分片常数逼近,减少了ＬａｘＦｒｉｅｄｒｉｃｈ格式的过多数值粘性,建立了一维标量非线性双曲型守恒律的一类高分辨格式。讨论以非交错ＬａｘＦｒｉｅｄｒｉｃｈ格式为模块建立起的差分格式。证明了此格式具有二阶精度、ＴＶＤ性质并在一定条件下满足熵条件。     

瞬时爆轰TNT装药爆炸计算方法

对高精度TNT装药爆炸进行了理论计算,在使用二阶显式差分格式的基础上,详细地描述了使用样条函数进行激波装配、波形处理的全过程,收到了预期的效果     

三维复杂外形的双曲型非结构网格生成方法

为了实现棱柱网格的自动化生成,发展了使用双曲型偏微分方程生成棱柱网格的方法。利用网格正交性条件和单元体积约束相结合的双曲偏微分方程,从物面网格向外逐步推进生成棱柱形网格。通过类比结构网格双曲型网格生成方法,在非结构网格局部格点坐标系上建立了双曲型网格生成方程,通过格点有限体积法、迎风格式和隐式的方法离散控制方程,使用GMRES求解器求解线性方程组,进而自动生成棱柱网格。该方法应用于球外形、具有尖锐边缘、深凹高凸的旋成体外形、双椭球外形以及X38复杂飞行器,生成的网格表现出良好的正交性和光滑性,表明本文的方法是成功的。数值仿真结果表明本文的网格适用于气动力热的数值模拟。     

融合物理的神经网络方法在流场重建中的应用

神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型（physical-informed neural network, PINN）,赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。