激波干扰支板射流混合增强规律

实现超声速来流和燃料射流在燃烧室内的快速混合一直是提升超燃冲压发动机性能亟待解决的关键问题之一。为了有效提升燃烧室内空气来流和燃料射流的混合效果,通过数值模拟的方法,在超声速来流和支板喷注的前提下,在燃烧室上壁面添加了斜坡型激波发生器,并通过改变斜坡型激波发生器的结构参数,包括角度(15°、20°、25°、30°),尺寸(5、10、15、20 mm),位置(100、110、120、130 mm处)等,以探究不同结构参数对混合效果的影响。研究结果表明:斜坡型激波发生器的引入能够有效地增强混合效果,且不同的结构参数对混合效果的影响也存在差异,斜坡型激波发生器尺寸的大小对混合效果的影响大于角度,斜坡型激波发生器角度的大小对混合效果的影响大于位置;混合效率和总压恢复系数成负相关关系。     

基于代理模型全局优化的自适应参数化方法

对于翼型气动隐身设计问题,设计变量的配置对设计结果影响很大,而简单地增加设计变量不能保证得到理想的结果。提出一种适用于代理模型全局优化的自适应参数化方法：利用全局敏感性分析方法——基本效应法,得到设计空间关于目标函数的敏感区域信息,并以此为根据增加设计变量;利用节点插入算法将低维样本在高维空间内进行重构,避免了重新取样的工作量。相对于传统固定设计空间维度方法,自适应参数化方法在设计空间的敏感区域扩展维度,能够更加精准地描述外形并反映目标的变化趋势。通过飞翼布局翼型的气动隐身优化算例,证实自适应参数化方法可以大幅提高优化设计质量和效率。     

铝颗粒云燃烧研究进展

为探究铝颗粒云燃烧特性,把握其研究进展,并为后续研究工作提供参考,本文首先简述了铝颗粒点火、燃烧过程,总结了铝颗粒燃烧机理;其次,综述了铝颗粒云燃烧的实验、理论和模拟研究进展,从不同维度分析了影响颗粒云火焰速度的关键参数,并提出颗粒云燃烧的研究方向,包括提升颗粒云燃烧实验颗粒分散均匀性与表征精度、降低火焰传播速度等实验结果散差、改善颗粒云燃烧理论预测模型精度及构建实用的颗粒云燃烧模拟CFD模型。     

一种单相光伏并网逆变器改进预测电流控制算法

光伏并网逆变器传统预测电流控制算法由于采样与计算延时会造成差一拍控制,使得逆变器并网电流不能很好地跟踪目标电流,同时逆变器滤波电感模型值与实际值有误差时会造成并网电流谐波大,还可能导致系统不稳定。为克服这些不足,提出了一种改进的预测电流控制方法,可提前一个采样周期对并网逆变器输出电压进行预测,同时利用递推最小二乘法对电感参数进行在线辩识。仿真和试验结果表明所提方法有效提高了逆变器并网电流对目标电流的跟踪精度,减小了并网电流的谐波分量,提高了由逆变器进网的电能的质量。     

基于BP网络模型的电机壳加工工艺参数优化

本文基于BP神经网络优良的逼近拟合特性,将BP神经网络算法引进电机壳体加工工艺过程中,使用BP神经网络模型预测电机壳体拉伸成形质量,结合电机壳体拉伸成形实验以验证BP神经网络模拟的准确性,并结合实验结果优选出电机壳体拉伸成形的最佳工艺参数,并得到最优的毛坯形状尺寸,实验结果表明电机壳体拉深成形效果良好,进一步验证了参数优化结果的可靠性。     

铆接工艺参数对孔边细观结构影响规律研究

铆接结构的疲劳寿命在很大程度上取决于孔边的微裂纹及其扩展,而铆接工艺参数对微裂纹的萌生与扩展影响显著。从细观角度分析铆接工艺参数对孔边细观结构的影响,探索铆接工艺参数对孔边细观结构的影响规律。采用试验方法,构建孔边细观结构表征参数,选择壁板与墩头和钉杆接触处圆角半径(MR)、孔边塑性层厚度(Md、MD)为表征的3个参数,分别研究了铆接工艺参数压铆力(Riveting Force)、镦铆过程时间(Riveting Process Time)、上铆头空腔(Upper Riveting Cavity)对孔边细观结构表征参数的影响规律。通过铆接工艺参数对孔边细观结构影响规律的研究,在装配连接时通过控制工艺参数实现对细观结构的改善,进而提高铆接结构的疲劳性能。     

浅析民用飞机研制总体参数优化

分析了在概念设计阶段民用飞机总体设计工作内容和工作流程,并结合时下国外在用软件优缺点,构思了民用飞机总体设计参数综合优化的技术方案,包括优化设计架构、分析模型和优化算法等,为形成具有自主知识产权的民机总体设计综合分析和优化程序打下基础。     

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

宽高比及表面粗糙度对矩形微尺度通道流动特性的影响

实验研究了不同宽高比矩形金属微尺度通道的流动特性,并与硅通道对比来探究表面粗糙度的影响。金属微尺度通道宽为0.4mm,通道宽高比分别为0.50、0.67、和1.00,相对表面粗糙度范围为0.1609%~0.2145%。硅通道宽度及高度都为0.4mm,相对表面粗糙度为0.00325%。实验工质为空气,实验的雷诺数范围是250~3000。实验结果表明:在粗糙微尺度通道会发生转捩提前,并且转捩雷诺数随着宽高比增大而减小。在层流区,微尺度矩形通道摩擦因数随着雷诺数增大而减小,在转捩区出现明显增大后再减小。表面粗糙度很小时,未发现转捩提前现象。