复杂湍流流动的混合RANS/LES方法研究

混合RANS/LES方法是近年来复杂湍流模拟的重要方法。简要回顾了混合RANS/LES模拟方法的发展历程,着重总结和分析了分离涡混合模型、类Menter SST混合模型以及湍流能量谱一致混合方法三类混合模型的构造方法和发展历程,对这三种方法的应用以及优缺点进行了简要评述,最后指出了混合RANS/LES方法发展应该兼顾的问题,为下一步的混合RANS/LES模拟提供了参考。     

基于状态观测器的波束形成算法及其航空应用

随着数字信号处理技术的发展,基于声传感器阵列的经典波束形成算法广泛地应用于航空气动噪声检测领域中.但是,经典算法计算量大,并且它的算法结构决定了其无法用作实时算法.本文给出了一种基于状态观测器理论的新算法,介绍了观测器算法的理论背景、算法稳定性的证明、麦克风阵列的设计准则以及基于阵列进行的仿真结果.这种新算法在形式上类...     

大湍流度对超低雷诺数下翼型受力及绕流的影响

实验测量了超低雷诺数(Re=5 300)下 NACA 0012翼型在自由来流下的升力系数和阻力系数,重点研究来流的湍流度对升力系数和阻力系数的影响,并进一步通过对翼犁流场的研究揭示湍流度对翼型受力产生影响的机理.结果显示,低湍流度下升力系数和阻力系数均无失速特征;当湍流度提高,升力系数和阻力系数在12°～15°迎角下表...     

三维磁电热弹材料裂纹问题的超奇异积分方法

应用位移基本解,磁电热弹材料三维裂纹问题被转化为求解一组以裂纹表面位移间断为未知函数的超奇异积分方程问题.进而,采用主部分析法得到了裂纹尖端的应力奇异指数及奇性应力场的解析表达式.然后,通过将裂纹表面位移间断未知函数表达为位移间断基本密度函数,使用有限部积分方法对超奇异积分方程组建立了数值方法.最后,通过典型算例计算,得到广义应力强度因子的变化规律.     

无线传感网络中神经网络路由算法

针对大规模传感网络的特点,提出了一种新的神经网络的路由优化算法。该算法在满足时延约束条件下能快速选择出最小能耗的优化路由。同时文中给出能量函数各参数之间的关系,并证明了通过适当选取参数,可保证网络的可行解将是渐进稳定的。计算实例表明了该算法的可行性。最后通过不同规模的网络仿真,显示该算法可有效地用于大规模无线传感网络。     

山地附近风场结构的实验研究

描述了一个电厂附近的山地对该地区风环境影响的风洞实验研究.应用热线、烟线技术测量并显示了山地与沟谷附近的风场.对水平与垂直风速剖面、湍流度进行了分析,并讨论了其与地形特性的关联.实验结果揭示实验室模拟傍山地区特殊的风环境对建设高耸的冷却塔具有重要的指导意义.     

高阶龙格库塔间断有限元方法求解二维谐振腔问题

提出了使用高阶龙格库塔间断有限元方法在时域求解经典的电磁场谐振腔问题,间断有限元方法在空间离散时采用非结构化网格且在时域显式求解方程,这是有限元方法和有限体积方法的最佳结合。该方法通过采用局部高阶多项式插值基函数获得高阶精度。文中使用该方法研究了横磁波在二维谐振腔中的传播情况,以及高阶的拉格朗日基函数。数值实验采用了高阶的二变量拉格朗日多项式基函数,数值计算结果与理论解析解相吻合。文中还讨论了不同阶数多项式插值基函数对计算精度的影响。结果表明,随插值基函数阶数增加,计算精度迅速提高。最后讨论了不同插值基函数阶数对L^2误差的影响,结果显示L^2误差随插值基函数阶数增加呈指数下降。     

气动热参数辨识原理性实验初步研究

气动热参数辨识问题实质上是热传导逆问题,介绍了热传导逆问题原理性实验的初步情况.首先介绍了实验原理和实验装置,利用电加热器对碳钢试件加热得到了测温点上的温度变化历程,然后采用顺序函数法对表面热流进行了辨识,结果表明:考虑辐射效应后,热流辨识结果位于标称热流密度值的±15%误差带内.热流辨识结果与标称值基本吻合,既证明了热传导逆问题求解算法的可行性,也初步验证了实验装置的有效性.     

基于抗差估计的工业机器人运动学参数标定

为了提高工业机器人标定过程中参数辨识的鲁棒性,提出了一种基于抗差估计的运动学参数标定方法。首先基于D-H模型建立了末端位姿误差模型,同时分析了等价权函数,然后利用激光跟踪仪测量机器人基坐标系和末端位姿,最后结合IGG3权因子函数利用抗差最小二乘法辨识了运动学参数。实验表明,机器人绝对定位的RMS误差由补偿前的0.87mm降低到补偿后的0.21mm,相较于传统的最小二乘辨识算法,此标定方法拟合精度更高且鲁棒性更强。     

基于元学习和PINN的变工况刀具磨损精确预测方法

刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域。数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段。然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果。本文提出了一种基于元学习（Meta learning,ML）和PINN（Physics-informed neural network）的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息。实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性。