液体火箭发动机诱导轮旋转汽蚀分析

超同步旋转汽蚀和次同步旋转汽蚀是液体火箭发动机诱导轮旋转汽蚀现象的两种类型。为了揭示它们之间的差异,完成了Tsujimoto旋转汽蚀计算模型的理论求解,开展了旋转汽蚀现象的数值计算。结果表明,旋转汽蚀两种类型发生时,质量流量增益系数M都发生周期性变化。当超同步旋转汽蚀发生时,M>0;而当次同步旋转汽蚀发生时,M值的变化范围更广。由于在设计工况点附近,通常有M>0,因此在多数情况下很难观测到次同步旋转汽蚀。     

基于角增量提取的旋转矢量算法研究

在某些由光纤陀螺或微机电陀螺组成的捷联航姿系统中,陀螺输出的是角速率。针对这种情况,归纳了基于角增量提取的二子样、三子样和四子样旋转矢量姿态算法,推导了这些算法的圆锥误差表达式,比较了它们的性能。     

改善内乘波式进气道出口均匀性的内收缩基本流场研究

内收缩基本流场的设计直接决定了内乘波式进气道最终性能。以出口流场均匀为目标,提出了两种新型内收缩流场,分别命名为ICFC流场和ICFD流场并给出了相应的设计方法。以来流马赫数60和出口马赫数30为条件,设计了含截短Busemann流场在内的几种典型三维内收缩流场,开展了流场分析和性能对比。综合分析后发现,在保证流场具备较高性能参数的前提下,ICFC流场出口参数最均匀,更适合于内乘波式进气道设计。初步研究获得的ICFC流场主要性能参数随入口气流偏转角的变化规律,为改善内乘波式进气道出口均匀性设计提供了依据。
     

圆截面U形管流有限元模拟

弯曲圆管内流动具有很强的工业应用背景,管内二次涡的大小、位置及发生的频率会对流动系统的阻力及热质交换产生重大作用,研究弯曲圆管内的流动具有重要的理论意义.本文应用湍流大涡模拟方法对弯道流动进行了数值模拟.用时间推进法,给出了隐含流线迎风耗散作用的二阶完全展开Taylor-Galerkin有限元离散格式,数值计算的结果与实验结果符合较好.表明大涡模拟方法适用于边界形状复杂,存在各向异性的大尺度涡的流动仿真.     

典型过失速机动运动规律建模研究

对典型过失速机动的运动特性进行了分析,根据其运动特点将过失速机动的运动过程分解为定直飞行、快速俯仰和绕速度矢量旋转三种基本运动的组合。选取基本运动的关键参数,并针对关键参数建立过失速机动的运动模型。模型计算结果和飞行仿真结果的比较表明,所建立的运动模型在过失速机动中的应用是可行的。     

一种基于数值计算的轴流压气机旋转失速稳定性模型——之二:简化模型及应用

提出了一个基于直接数值计算结果基础上的旋转失速线性稳定性模型,描述了如何从基本的Navier-Stokes方程出发,把轴流压气机流动稳定性问题转化为一个特征值问题的基本理论框架,对压气机不稳定边界的判断通过计算和检验特征值的方式来实现,给出了有限差分法和基于Gauss-Lobatto节点的谱配置方法两种数值离散的方式,并分析了这两种离散方式的收敛特性.     

新型磁流变减摆器节流孔流场分析

节流孔是磁流变减摆器产生阻尼的主要方式,在磁流变减摆器实际工作环境下,磁流变液经过磁场时会随磁场分布强度不同而产生变黏度等应激变化。建立某新型磁流变减摆器计算模型,通过改变节流孔孔径大小,使用商业软件 Fluent 对其所产生的流场进行分析,将模拟结果与实验结果进行对比。结果表明:磁流变液流通量及淤积效应是决定磁流变减摆器初始阻尼及时滞效应的主要原因;在 0.2mm 孔径时时滞效应最明显,且随频率增高磁流变减摆器对于外界激励反应速度明显下降。     

基于离散伴随的流场反演在湍流模拟中的应用

精确模拟湍流流动是学术界和工业界均普遍关注的问题。采用数据驱动湍流建模的思路,建立了基于离散伴随方法的流场反演框架。通过为SA模型涡黏性输运方程的生成项乘以非均匀分布的系数,并利用有限的观测数据对该系数进行推断,实现对SA模型的修正。为了提高带有物理约束的离散伴随优化的效率,发展了约束增广的伴随方法,其高效性在本文得到了验证。选取了结冰翼型和周期山2个分离算例进行分析,所得结果在2个算例中均能以很高的精度拟合观测数据,并能借助湍流模型的修正将有限的观测信息泛化到整个流场。分析表明,流场反演所推断出的修正区域具有较为明确的物理意义,能够指导湍流模型的进一步改进。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。