微藻航空燃料的热氧化安定性与热沉

航空燃料安定性和热沉对飞机和发动机工作可靠性、飞机飞行安全及战术性能的发挥有重要作用。利用热重-差热分析联用仪研究了2种典型微藻航油的热氧化安定性和热沉,并与标准航空喷气燃料RP-3进行了对比。结果表明:混合生物油的失重终点温度和最大失重点的温度与标准航空喷气燃料RP-3相比均向高温区移动。在失重区间内,除了物理热沉还有化学热沉的贡献。在热重曲线中定义了2个无量纲参数:引发温度和燃尽指数,引发温度表征起始裂解温度,燃尽指数表征沉积特性。2个参数结合可以较好地诠释燃料的热安定性和热沉。球等鞭金藻油高碳数烷烃在提高热沉基础上导致碳沉积的形成,但小球藻油在热沉提高的基础上,并没有形成碳沉积。说明通过有效控制高碳数烷烃分配比例增加其热沉并控制其积碳在理论和技术上是可行的。      

浅谈波音737NG飞机APU滑油系统一项监控指标在故障监控中的应用

波音737NG飞机APU故障影响航班运行,而APU滑油系统是其安全运行的重要保障,大多数APU的故障都能够从滑油系统的监控指标中找到故障征兆。本文基于737NG飞机APU滑油系统工作原理,提出了一项APU滑油系统的监控指标——温升速率,并利用该指标总结排故方法进行重点故障的监控,有效地提高了排故效率。     

辐射带高能电子通量波动与地磁暴警报

地球磁场捕获带电粒子形成辐射带,地磁场的扰动将导致带电粒子通量的变化.根据磁暴期间外辐射带高能电子通量起伏和波动的特点及规律,利用GOES卫星实时发布的5min分辨率高能电子微分通量数据,构建了高能电子通量波动指数,并分析了该指数与地磁活动的关系.结果表明,所提出的高能电子通量波动指数与地磁事件有很好的相关性,能起到地磁暴发生的指示剂作用,相对于目前空间环境业务化预报过程中广泛使用的3hKp指数,高能电子通量波动指数能更早地警报地磁暴的发生,是潜在有效的地磁暴警报辅助手段,能为空间环境预报中的地磁暴实时警报提供重要参考.      

等效原理算法在不同等效面下的误差分析

等效原理算法(EPA)借鉴了区域分解的思想,并基于惠更斯等效原理实现了对大规模散射问题的计算.本文对EPA中的等效原理算子(EPO)进行了误差分析,选取了立方体、球体和进行了光滑处理的立方体等作为等效面寻找误差来源,并提出了误差改进的建议.根据计算结果,等效磁流在等效面上描述的误差一般集中在等效面表面的几何不连续处,且主要受等效面上的法向向量不连续性和基函数的选取的影响.故在选取等效面时应尽量考虑使用平滑的等效面,而不是直接使用立方体等效面.      

基于POD方法的弯曲扩压通道分离流控制的时空特性分析

为了分析一种运用于压气机内分离流控制的无源脉冲射流控制技术的特点,基于弯曲扩压通道试验模型进行了脉冲射流控制的试验和数值模拟研究,结果均表明当射流频率接近通道内分离涡主频时控制效果最为明显;引入了本征正交分解（POD）技术对无控状态下通道内流场结构进行分析,得到了POD各阶模态的流动结构特征。在此基础上对比分析了定常及非定常控制特点,结果表明：非定常控制方式主要是重分配各阶模态之间的能量,有选择性地强化或削弱某阶模态;定常射流控制则是整体削弱高阶模态,压制通道内复杂流动现象;合理地构建脉冲射流可使能量从高阶模态向平均流模态进行转移,能量的转移通过空间流场结构的重构和模态时间演化特性的序化实现。最后针对POD分析结果进行了验证性试验研究,试验结果部分反映了时空特性的变化规律,提升了POD分析结果的可信度。     

样本重复使用失效响应曲线分析结构可靠度方法

用基于样本重复使用失效响应曲线逼近法,为充分利用迭代过程中的样本点,提出了样本重复使用的思想,并由此发展出一种结构可靠度的计算方法.利用可靠度指标作为收敛条件,从迭代收敛后的所有样本点中选取靠近失效界线处的样本点构造失效曲线响应函数,最后通过蒙特卡洛抽样的方法计算可靠度.多个算例表明:该响应函数避免了对传统意义上的功能函数响应面的模拟,降低了模型维数,又由于适当地 引入了带交叉项、具有曲线旋转功能的响应函数,因此能够很好地逼近失效曲线,有效地提高可靠度计算精度.      

一种非周期调制直扩信号扩频码估计方法

对卫星测控中一类扩频码周期与信息码周期之比为非整数的直扩信号进行了研究,得出这类信号可建模成非周期调制直扩信号,提出并讨论了一种基于差分主元分析（D PCA）的非周期调制直扩信号扩频码估计方法,该方法通过计算与差分序列协方差矩阵的最大特征值对应的特征向量完成信息码个数、子序列、信息码同步点等参数的估计,解决了传统矩阵分解方法在估计码序列时码序列相位模糊问题,理论分析和仿真结果表明该方法可以在低信噪比下进行有效估计。     

A Prediction Method for△f0F2min of a Single Station From Interplanetary Parameters Based on Statistical Study

Using 86 CME-interplanetary shock events,the correlation between the peak values of （a） the solar wind parameters(B_z,E_y,P_dyn) and the geomagnetic indices（SYM-H,ASY-H,Kp）, （b） the coupling functions（Borovsky,Akasofu,Newell） and the geomagnetic indices,（c） the solar wind parameters/coupling functions/geomagnetic indices and the ionospheric parameter(Δf₀F_2min), are investigated.The statistical results show that in group（a）,B_{z min} and SYM-H_min have the best correlation,that in group（b）,the best correlation is between the peak values of Akasofu function (A_min) and SYM-H_min,and that in group（c）,the best correlation is between K_pmax andΔf₀F_2min. Based on the statistical results,a method for predicting f₀F₂ of a single station is attempted to be set up.The input is modified B_{z min} and the outputs are SYM-H_min andΔf₀F_2min.Then 25 CME-IPS events that caused geomagnetic storms in 1998 and 2009 are used to check the prediction method. The results show that our method can be used to predict SYM-H_min andΔf₀F_2min.     

A new spectral index to detect Poaceae grass abundance in Mongolian grasslands

The objectives of the present study were to develop a new index based on remotely-sensed data for detecting the abundance of grasses in the family Poaceae, which has a high palatability for livestock in Mongolia, and to map the distribution of these grasses in the semi-arid Mongolian steppes. We measured ground-based spectral reflectance of pure plant leaves – including Poaceae grasses – and soils, as well as in-situ in the Mongolian grasslands. The hyper-spectral data, taken by a spectroradiometer, were converted into four multi-spectral bands (i.e., blue, green, red, and NIR) to simulate satellite-based imagery data. In order to magnify the characteristics of the spectral signal of Poaceae, NGBDI (Normalized Green-Blue Difference Index), NGRDI (Normalized Green-Red Difference Index), NDVI (Normalized Difference Vegetation Index), NNBDI (Normalized NIR-Blue Difference Index) were calculated from the four multi-spectral reflectance values. Poaceae Abundance Index (PAI) was derived by combining these four normalized difference indices. PAI was found out to be a good indicator to discriminate Poaceae grass from the other plant spectral data.