激光增材制造技术在涡轮叶片中的应用

基于激光增材制造技术可快速、精确地制造出任意复杂形状零件的特点,以带复杂冷却内腔结构的航空发动机涡轮叶片为研究对象,对激光增材制造技术在涡轮叶片制备过程中的工程应用特点和难点进行了研究,并提出相应解决措施。研究结果显示,激光增材制造技术在降低零件制造成本和减少零件交货周期方面具有显著优势,但在材料力学性能、表面粗糙度、位置及型面公差、气膜孔收缩率及机械加工定位点等方面依然存在挑战。     

3D打印用硅基陶瓷前驱体研究进展北大核心CSCD

聚合物前驱体转化法可使用聚合物的成型加工工艺实现陶瓷材料的加工制备,在高性能陶瓷和复合材料制备方面显示出独特的优势。3D打印技术在陶瓷前驱体成型中的应用为制备复杂结构陶瓷制件提供了全新的可能。本文从3D打印硅基陶瓷前驱体树脂体系、打印技术及其应用等方面,系统总结了近年来3D打印制备SiCO、SiCN、SiC及含B、Zr等元素硅基陶瓷材料前驱体的研究进展,并进一步指出了3D打印陶瓷前驱体面临的挑战与研究方向。     

增材制造技术的研究应用进展:由3D到4D北大核心CSCD

增材制造技术是一种逐点、逐线、逐面增加材料而形成三维复杂结构零件的近净成形工艺,3D打印技术日渐成熟,其所制备出的产品组织结构致密、性能稳定。近年来,学者们将增材制造技术应用于智能材料的打印,实现该技术由空间维度到时间维度的扩展。本文重点介绍了3D打印与4D打印的研究现状与发展前景,以期为从事该领域的工作人员提供借鉴。     

中山站电离层尖峰脉冲型吸收统计特性

通过对南极中山站成像式宇宙噪声接收机2000至2001年的观测数据进行分析,得到了189例电离层尖峰脉冲型吸收事件,按其发生时间可分为夜侧吸收事件(69例)和日侧吸收事件(120例).对这两类吸收事件进行对比统计研究,得到了其吸收发生时间、吸收持续时间、吸收强度、吸收区域形状和空间尺度、运动状况以及吸收事件与地磁Kp指数关系等特性,并对电离层尖峰脉冲型吸收的可能产生机制进行了讨论.      

利用混合模型LSTM-DNN进行全球电离层TEC map的中短期预报

近年来,基于深度学习技术的长短期记忆(long short-term memory,LSTM)网络相关预报算法在空间天气的预测方面得到广泛应用,但存在预测误差随时间堆叠的缺陷,因此只能进行有限的短期预测.为解决这一问题,文章将太阳风参数、太阳黑子数、地磁活动水平指数Ap以及磁暴环电流指数Dst作为预报因子加入模型,建立...     

白谱法在电离层扰动研究中的应用

将电离层扰动从其背景中分离出来一直是电离层扰动研究的核心与难点.文章综述白谱法在电离层扰动研究方面取得的进展,主要有:1)白谱法比常规电离层扰动提取方法能更好地描述磁暴期间电离层的扰动,利用白谱法构建的电离层天气单站指数Js、全球指数Jp和区域指数Jr与Dst指数之间存在极好的关联性,可以直接利用Dst来对Jp进行预报...     

建筑物附近气流特征及湍流扩散的模拟试验

用非静力、能量闭合的大气边界层模式对建筑物附近的气流和湍流特征进行了模拟,为了检验模拟结果,将风场和湍流场输入到扩散模式获得了建筑物附近腔区和尾流区内的污染物浓度分布。结果与同样条件下的风洞测试的结果吻合。本文研究结果表明,在来流风速增大的情况下,建筑物下游的尾流区范围变化不大,而腔区范围增大,湍流运动增强。本文所用方法比采用拟合经验公式描述尾流、腔区的特征更能反映不同建筑物、不同来流的影响。     

后掠翼身交接区流动结构及参数影响研究

在水槽中利用激光片光源及荧光素钠染色液显示方法,研究了圆柱、机翼与平板交接区及后掠圆柱、后掠机翼交迎角情况下的干扰流场结构、特性及参数影响规律。结果表明,除Ｒｅ数之外模型迎角、后掠角等参数对干扰区马蹄涡也不同于卡门涡的是稳定发展的三维旋涡系即背涡。讨论了干扰背涡产生的机制及其与马蹄涡的相互关系。     

大尺度场向电流的控制因素

将ＩＳＥＥ－１和ＩＳＥＥ－２飞般测量的地球内磁层场向电流作为行星际磁场与极区地磁活动水平（由ＡＬ表征）的函数。发现大约７５％的场向电流发生在行星际磁场南向时,其余２５％发生在行星际磁场由南向转到北向的半小时内。而且,发生在ＡＬ〈－１５０ｎＴ的场向电流也大约是７５％。场向电流的强度和密度随行星际磁场南向分量及ＡＬ的负值增加而增大。由此而得出结论,内磁层场向电流的产生主要是由行星际磁场控制的,是太阳风     

利用人工神经网络预测电离层f0F2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案。在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上,考虑足够的周年和黑子周期变化的数据训练网络,使ｆ０Ｆ２月中值预测值与实测数据比较平均误差为０．３４ＭＨｚ预测精度有了较大改进,最后采用分形学的基本理论得到电离层ｆ０Ｆ２月中值的分数维为３,选用３个输入量,分别预测高,低年ｆ０Ｆ２月中值,与实测数据比较平均误差为０．３ＭＨｚ。