形状记忆合金复合材料层板非线性有限元分析

将形状记忆合金埋入复合材料层合板中构成智能复合材料结构.在外载或热载的作用下,形状记忆合金将使复合后的材料内部和结构的应力、应变分布发生改变,并改变结构的形状.由于形状记忆合金的大变形带来非线性,本文利用具有几何非线性分析功能的复合材料板壳元对模型进行计算和分析,形状记忆合金的驱动效应等效为力学载荷.可得到较精确的结果.      

SMA超弹性系统在平稳随机激励下的响应预测

提出了一种简单的折线超弹性模型来描述SMA(Shape Memory Alloys)的力学特性,将其利用在等价线性化方法中,对SMA超弹性系统在随机激励下的响应进行了预测,预测结果和数值模拟方法的结果进行了对比,有较好的计算精度.该方法为解析方法,计算效率高,便于工程使用.      

NiTiNb形状记忆合金管接头研究

研究了一种飞机低压系统管路用形状记忆合金管接头。对管接头结构设计、过盈量和装配间隙等参数选择、防渗漏等进行了较系统地研究。对管接头进行了气密、爆破、低温、高温、温度冲击和振动试验。结果表明研究的NiTiNb形状记忆合金管接头具有较高的可靠性、安装简单、在室温下可以长期储存。可以在-55～125℃温度范围内、工作压力0.62Mpa以下的管路上使用，与扩口管接头相比其数量减少了80%、质量降低约55%、径向尺寸减少约40%。     

Ru对铸造Ti—47Al合金显微组织的影响

研究了铸造Ｔｉ－４７Ａｌ－ＸＲｕ（ａｔ％）（Ｘ＝０．５,１,３）合金的显微组织。结果表明,Ｒｕ与Ｃｒ相似,是很强的β稳定元素,促进β２相形成。β２相是含Ｒｕ量高达１０ａｔ％的富Ｒｕ相。含１ａｔ％Ｒｕ的合金在１１６０～１２００℃温度范围热处理时不断析出粒状次生β２相,破坏了γ＋α２片状组织,同时形成了新的γ晶粒。经１２００℃,４８ｈ处理后可得到平均晶粒尺寸小于６０μｍ的γ晶,因此,Ｔｉ－４７Ａｌ－１Ｒｕ合金是可热处理细化晶粒的铸造合金。当Ｒｕ量增加至３ａｔ％时,合金难于热处理细化晶粒,而且合金明显脆化。     

Al-Li-Mg-Si合金时效行为及力学性能的研究

研究了加入1. ７％ Ｌｉ对Ａｌ－Ｍｇ－Ｓｉ合金的时效析出行为及拉伸性能的影响,用Ｌｉ－ｖ 模型阐述了Ｌｉ使Ａｌ－Ｍｇ－Ｓｉ合金时效下行为发生转变的机制：Ｌｉ与空位优先结合,抑制了位错环的形成及Ｓｉ, Ｍｇ 原子的扩散和聚集,从而推迟和限制了Ｇ．Ｐ．区的形成,因此, Ａｌ－Ｌｉ－Ｍｇ－Ｓｉ合金中δ'相是主要强化相,Ｍｇ２Ｓｉ相只有经长时间的人工时效才能在基体中均匀析出。探讨了形变时效对Ａｌ－Ｌｉ－Ｍｇ－Ｓｉ合金组织和性能的影响,结果表明,时效前的预变形显著提高了Ａｌ－Ｌｉ－Ｍｇ－Ｓｉ合金的时效硬化速率和峰值强度,同样变形６０％ 的Ａｌ－Ｌｉ－Ｍｇ－Ｓｉ合金与不含Ｌｉ的合金相比,具有相近的强度和延伸率,但前者具有较低的密度和较高的弹性模量,因此,Ａｌ－Ｌｉ－Ｍｇ－Ｓｉ合金表现出良好的应用前景。     

工艺参数对喷射共沉积2024／SiCp沉积坯形状及凝固组织的影响

通过实验阐述了喷射共沉积工艺参数（雾化压力,合金过热度,沉积距离,颗粒射入压力及射入距离,流化床压力）对２０２４／ＳｉＣｐ复合材料沉积坯形状及凝固组织的影响,并得到了形状较为满意的近圆柱状,含气量较低,颗粒分布均匀的沉积坯。     

浮栅型单电子存储器的等效电路模型

在介绍浮栅型硅量子点单电子存储器的结构与工作原理的基础上,通过分析建立了相应的集总电容电路模型,计算了存储器在线性、饱和、亚阈值情况下的电流。利用单电子器件的"阈值漂移"特性,可以得到纳米存储器在不同阈值电压下的存储状态。仿真表明,该模型可以准确地模拟存储器的"读"和"写"状态。     

临近空间飞艇外形优化设计与仿真

以临近空间飞艇为对象,针对传统外形设计方法中存在的问题,提出了新的优化设计方法,搭建了流程框架,编制了优化程序。首先研究了遗传算法及多学科设计理论,进而在此基础上建立了飞艇阻力、体面比、应力模型,利用多学科设计理念对飞艇气动、结构、强度进行了一体化设计。其次将遗传算法引入到优化设计当中,并利用Matlab和Fluent开展了联合仿真研究。最后结合实际应用需求进行了算例分析,验证了该方法的可行性和效果。     

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。     

分布式实时仿真中网络系统扩展的研究与实现

基于实时网络建立的半实物仿真系统能满足强实时性及高精度的要求,随着仿真应用技术的发展,需要参与半实物仿真的实物越来越多,由于共享内存光纤网络产品的飞速发展,如何用最新的实时网产品来扩展原有的实时网络系统是一个必须解决的关键问题。本文阐述了如何扩展的研究结果和实现方法。