考虑端区黏性和径向掺混的流线曲率通流算法研究

高负荷多级压气机的技术难点之一在于如何快速、完整、准确地获得全工况下叶片前尾缘气动参数分布和整机特性结果,而通流计算凭借速度快、指向性明确的优点,一直是多级压气机设计的核心技术。为了提高通流代码的适用范围和预测精度,推导了统一适用于轴流、斜流、离心压气机的流线曲率方程,引入端区黏性和径向掺混模型,应用Fortran语言针对轴流压气机全新开发了其通流特性计算程序,对NASA Rotor37、Rotor67转叶和GY1-2J压气机进行了计算,计算结果表明:新模型的加入提高了程序的计算精度,初步验证了程序的有效性。并提出提高程序的通用性是今后通流计算的发展方向。     

组合动力用过氧化氢煤油推力室热防护方案设计方法

本文面向组合动力对过氧化氢煤油推力室的应用需求,建立工程计算方法以进行热防护方案设计。通过修正燃气对流换热系数和引入液膜分解率完善工程算法,使工程计算结果与三维流固热耦合计算结果和实际试验结果符合较好。在此基础上,对组合动力用推力室进行热防护方案设计,结果表明：采用头部过氧化氢液膜和身部过氧化氢再生的方式可实现可靠热防护,其中,液膜流量在氧化剂中占比为30%。采用上述研究思路具备开展快速方案论证的能力,可在众多方案中选出热防护性能较优的方案。     

用CT值推导人体组织属性参数的方法及改进

蒙特卡罗方法是计算精度最高的人体组织剂量计算方法。常见的蒙特卡罗模拟程序,如M CNP,EG S4等都自带了各种介质的截面数据,而剂量计算的一个重要步骤就是得到人体组织的属性参数——质量密度和化学组成。本文主要介绍了两种根据医学影像CT值推导人体组织属性参数的方法——区间法和两分法,并经过分析比较认为两分法比区间法具有更高的精确度和可行性。同时,针对两分法存在的不足和缺陷,本文将CT值全范围划分为七段,根据两分法的假设条件假设每一段均由两种不同的人体组织混合而成。在每一段CT值范围内,人体组织的质量密度和化学组成通过对两种假定物质参数的拟合得到。结果说明该方法所得到的人体组织属性参数完全可以满足蒙特卡罗人体组织剂量计算的要求。     

航空发动机整机准三维流场仿真

分析了航空发动机各部件内部流动的S₂流面数学模型,进行了整机流场仿真计算.求解过程采用具有TVD性质的高阶Godunov格式,具有良好的数值稳定性和激波捕获能力.考虑了粘性效应以及二次流损失对于部件及整机性能的影响.对于部件间及叶排间的参数传递,采用了一种完全守恒的处理方法,保证了数值通量的连续性.仿真结果与试验数据的对比证明该方法具有较高的精度.      

某型间冷燃气轮机热力计算方法研究

为提高航改燃气轮机的性能,以现有的简单循环的某型燃气轮机为基础开展了间冷循环研究:采用牛顿迭代法和循环迭代算法,分别对以该燃气轮机核心机为基础发展的间冷循环燃气轮机进行了热力计算和比较,并进行了该间冷循环燃气轮机的设计点方案论证。     

三元乙丙橡胶防热材料传热试验方法与温度数值计算

三元乙丙橡胶(EPDM)由于具有导热系数低的特点,在测量其背面温度时会产生比较大的测量误差.为减少测量误差,在热电偶测温端与被测表面之间增加具有高热导率的金属片作为集热片,对加与不加集热片、集热片选取不同材料(铜片和铝片),以及同厚度不同直径与同直径不同厚度分别进行了试验研究和瞬态传热数值计算,分析了集热片材料与尺寸对温度测量准确性及动态响应的影响.计算结果与试验结果吻合较好,表明铝片比铜片响应稍快,但强度没有铜片高,从而选用铜片;直径大与厚度小的铜片比直径小与厚度大的铜片响应快.     

PGE/ Phenolic 的动态热解对温度场计算的影响

通过建立材料动态热解情况下的非稳态导热微分方程,研究了PGE/ Phenolic 的动态热解对温度 场计算的影响,并将理论计算值与地面试验的实测值进行了对比分析。结果表明,对PGE/ Phenolic 考虑动态 热解能有效修正温度场计算的精度,使理论计算值与实测值更为接近。     

卫星三平面法动平衡试验方法及在轨实践

对于安装低转速、大质量旋转载荷的卫星而言，旋转舱体的动不平衡对其在轨的姿态稳定性有重大影响，因此动平衡试验是该类卫星的重要试验之一。提出基于立式动平衡机的三平面动平衡试验配平方法。与传统配平方法相比，该方法从动不平衡的原理出发，能够充分解耦静不平衡量与偶不平衡量，有效减小配平次数、降低配平质量并获得更优的动平衡指标。该方法通过某型号批产卫星的试验实践，卫星在轨运行良好，验证了该方法的有效性及实用性。     

Locally generalised multi-agent reinforcement learning for demand and capacity balancing with customised neural networks

Reinforcement Learning (RL) techniques are being studied to solve the Demand and Capacity Balancing (DCB) problems to fully exploit their computational performance. A locally generalised Multi-Agent Reinforcement Learning (MARL) for real-world DCB problems is proposed. The proposed method can deploy trained agents directly to unseen scenarios in a specific Air Traffic Flow Management (ATFM) region to quickly obtain a satisfactory solution. In this method, agents of all flights in a scenario form a multi-agent decision-making system based on partial observation. The trained agent with the customised neural network can be deployed directly on the corresponding flight, allowing it to solve the DCB problem jointly. A cooperation coefficient is introduced in the reward function, which is used to adjust the agent’s cooperation preference in a multi-agent system, thereby controlling the distribution of flight delay time allocation. A multi-iteration mechanism is designed for the DCB decision-making framework to deal with problems arising from non-stationarity in MARL and to ensure that all hotspots are eliminated. Experiments based on large-scale high-complexity real-world scenarios are conducted to verify the effectiveness and efficiency of the method. From a statistical point of view, it is proven that the proposed method is generalised within the scope of the flights and sectors of interest, and its optimisation performance outperforms the standard computer-assisted slot allocation and state-of-the-art RL-based DCB methods. The sensitivity analysis preliminarily reveals the effect of the cooperation coefficient on delay time allocation.