基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

热障涂层的研究进展

主要介绍了热障涂层在现阶段的研究和应用，以及它们的组成和性能。讨论了热障涂层现有的三种涂层制备工艺和寿命预测模型，并对等离子喷涂和电子束物理气相沉积作了详细的对比，同时指出了热障涂层未来的研究方向。     

民用飞机航电数据网络带宽资源分配优化设计

民用飞机航电数据网络在设计过程中,通过对带宽资源的合理分配,来满足网络成员系统的数据传输需求.而在设计过程中,存在因网络带宽需求分布的非均匀性等因素造成的局部带宽资源不足的问题,因此需要在初步带宽资源分配结果上进行局部优化设计.提出一种通过网络带宽资源使用率最高的链路和端系统进行识别,以及进行针对性物理链路连接关系调整...     

多模态瑞利-泰勒不稳定性的离散玻尔兹曼数值研究

瑞利-泰勒（Rayleigh-Taylor,RT）不稳定性广泛存在于自然界和工程领域，认清RT不稳定性演化过程中的物理机理具有重要的理论意义和实用价值。本文利用离散玻尔兹曼方法模拟了可压缩流体的RT不稳定性现象，并利用该方法对界面连续的随机多模初始扰动的可压缩RT不稳定性进行了数值研究。研究结果表明，在温度梯度的影响下，与热通量相关的热力学非平衡强度呈现先增大后减小的趋势；在热扩散作用下，界面上的热力学非平衡强度先减小后增大，继而影响热力学非平衡区域的占比，使之呈现相同的变化趋势。最后，分析了全局平均热力学非平衡强度随时间的演化规律，发现在宏观物理量梯度和热力学非平衡面积的共同作用下，全局平均热力学非平衡强度先增后减，最后趋于稳定。不仅如此，热力学非平衡区域面积的增大（减小）会增强（减弱）热力学非平衡的强度；同时，物质界面物理量梯度的增大（减小）对全局平均热力学非平衡强度也有相同的影响，二者相互作用、相互竞争。     

空间太阳物理学科发展战略研究

太阳物理学是研究太阳上发生的物理过程及其对行星际空间环境影响的学科。太阳是人类唯一可以进行细致探测的恒星，也是天然的多尺度过程并存的等离子体实验室，同时，太阳活动直接影响日地空间环境和人类地球家园的宜居性，剧烈的太阳活动如耀斑和日冕物质抛射还会影响人类的航天航空、通信导航、电网等高技术活动与设施。因此对太阳物理的研究不仅是理解浩瀚宇宙的基石，也是理解日地联系和行星宜居性的基础，同时还是国家在航天和空间安全领域的战略需求。21世纪以来，随着卫星探测技术发展，太阳物理学进入了全新的发展阶段。本文梳理了近年来太阳物理学在空间探测中的发展态势，凝练中国太阳物理学未来空间探测发展的重点领域，优化学科布局，推进太阳物理的高质量发展。     

基于PINN的复合材料自动铺放轨迹整体规划

自动纤维铺放能有效地提高复材构件的制造效率和质量。为满足复材构件的力学性能要求及铺放质量要求，在给定曲面目标域内生成铺放轨迹时需要同时考虑转弯半径、纤维角偏差以及轨迹间距等工艺指标。现有铺放轨迹规划方法大多在对基准轨迹进行优化后，通过路径密化生成铺放轨迹。这仅能保证所生成的轨迹满足单一要求，难以整体满足多个优化目标。为实现多优化目标下的复合材料自动铺放轨迹整体规划，本文将轨迹规划问题转换成为目标域内的泛函优化问题，利用内嵌物理知识神经网络（Physics-informed neural network,PINN）实现目标函数的求解，并提取目标函数的等值线作为轨迹规划的结果。相较于现有策略，本文提出的方法能整体兼顾轨迹的方向性、可铺性以及间隙质量，为实现先进复合材料自动铺放轨迹整体规划提供新思路。     

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

高焓流动中的可压缩颗粒求解器（第1部分）：考虑多物理效应的点力颗粒两相流理论方程

从含烧蚀颗粒的高超声速边界层到航空发动机燃烧室或火箭发动机燃烧室里的气液、气固两相燃烧等问题，都存在弥散相颗粒调制携带流体的两相耦合物理过程。尽管不可压颗粒两相流的理论、数值工具和实验都比较成熟，但可压缩颗粒两相流与不可压缩的情况是截然不同的。本文首先对可压缩颗粒两相流动力学和热力学进行理论研究，理论分析了经典的可压缩流体动力学和热力学方程，把颗粒动力学对不可压流动的调制理论修正拓展到了可压缩情况，发现了可压缩颗粒两相流特有的动量和能量调制无量纲参数；推导了考虑多物理效应的颗粒动力学方程，并将其与携带流体相的控制方程耦合。研究发现，尽管多物理效应下的颗粒动力学是复杂的，但其影响携带流体相的路径是唯一确定的，即：多物理效应的颗粒动力学仅能通过相间阻力调制携带流体相的动量，通过相间阻力做功和热对流调制携带流体相的能量。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。