亚跨声速边界层增长因子输运模式研究进展

基于线性稳定性理论的e^N方法是航空航天飞行器绕流转捩预测技术中可信度较高的一种。传统的线性稳定性理论的求解过程较为复杂,在复杂气动外形表面的推广阻力较大。随着近年来当地化转捩模式的快速发展,将传统线性稳定性理论的分析流程模式化,即将线性稳定性理论分析转化为一个CFD问题,成为研究热点。其核心思想是对层流相似性解进行大量的线性稳定性分析,然后获得扰动增长因子包络线与层流基本流特征变量之间的函数映射关系,再利用输运方程的积分特性构造对应扰动增长因子的输运模式。随后对模式中出现的非当地变量进行当地化求解,最终与湍流模式耦合形成新的转捩-湍流输运模式。经过验证,当前发展的流向N_TS输运模式与横流N_CF输运模式在广泛的算例验证中取得了较高的预测精度,但还存在需要改进和完善的地方。     

基于实时观测数据的大气密度模式修正

针对国际大气密度模式NRLMSISE-00, 以中国神舟飞船探测数据为基础, 提出一种基于实时大气密度观测数据的模式修正方法. 通过计算分析模式计算结果与探测数据的误差分布特征, 针对地磁相对平静期(Ap≤ 30)模式计算的误差特点, 建立了一种平均误差修正方法, 即认为在相对平静期, 在相同纬度和地方时, 模式误差基本相同, 某一时刻模式预测误差可以近似用与其相同纬度和地方时的平均误差来替代, 从而对模式预测结果进行修正. 以神舟4号探测数据为基础, 通过对模式预测结果采用两种方式进行修正, 可以看到模式误差得到了一定的改善. 采用误差库累积准实时修正, 修正后的误差由原来的20 %降至6 %; 采用误差库5天滑动预报修正后, 模式提前1, 2, 3天的预测误差由原来的20 %分别降至7.8 %, 9.4 %和10.5%.     

基于数据表的载荷管理软件在轨工作自主控制设计

目前有效载荷在轨工作呈现多样化的趋势,为更好地适应这种多样化的任务,设计了一种在轨工作自主控制方案。该方案对多个型号的软件需求进行归纳整理和统筹分析,对在轨工作自主控制进行模块和功能划分,解决了多个载荷管理软件在轨工作控制需求差异化带来的多样化、定制化问题。通过引入可配置设计思路,建立数据表对载荷工作流程进行配置,解决了对特定载荷在轨工作流程的适配性问题,可实现多载荷多任务的在轨工作自主控制功能。该方法已在多个型号卫星的载荷管理器上使用,满足载荷单元工作流程多样化的要求。软件的重复使用不仅大大提高了软件设计和测试阶段的时间,缩短软件研制周期,还可以降低软件开发成本,并且提高软件整个研制阶段的可靠性。     

极光西向涌浪的二维模式(线性部分)

极光西向涌浪(WTS)被定义为磁层亚暴开始的重要标志, 它是伴随带电粒子沉降过程在极光带电离层出现的特定的极光运动形态.本文给出了极光西向涌浪的二维动力学模式, 亚暴开始, 伴随粒子沉降在电离层产生离子密度梯度(电导率梯度), 在背景电场中激发出低频漂移波, 它的传播给出极光西向涌浪运动的主要特性.     

太阳电子事件粒子源区的位置

对ISEE-3的引个太阳电子事件资料,进行了系统地分析。通过Saha平衡模型分别计算了高Fe事件和贫Fe事件源区的平衡温度大小,指出两类事件粒子源区不相重合,高Fe事件的粒子源区位于高色球层,贫Fe事件粒子源区在色球层-日冕之间的过渡区。对高Fe事件和贫Fe事件的形成作了初步的设想。     

改进k-ω-γ转捩模式对不同雷诺数下HIAD的转捩预测

高超声速充气式柔性减速器（HIAD）在气动力作用下会变形为波纹状，从而促进流动转捩为湍流，准确预测其转捩位置和壁面热流对热防护系统的设计至关重要。拓展了分离诱导转捩预测性能的改进k-ω-γ模式，同时具备对第1模态、第2模态、横流模态以及流动分离失稳的预测能力。本文将其应用于不同雷诺数下壁面波纹变形的HIAD边界层转捩预测，并与原始k-ω-γ模式的预测结果进行了对比，以评估和验证其对复杂转捩现象的预测性能。在此基础上，细致剖析了改进k-ω-γ模式的转捩预测机制。结果表明，改进k-ω-γ转捩模式可准确预测不同来流雷诺数下HIAD的转捩起始位置、转捩阵面形态和壁面热流分布。波纹壁面波峰处的转捩预测主要由构造的分离间歇因子猝发。而在波谷位置，第1模态、横流模态以及流动分离的贡献都很重要。以上研究显示了改进k-ω-γ模式在复杂外形中的应用潜力，可为多重不稳定耦合作用下的转捩预测方法发展提供参考。     

基于序列趋势和集合距离的UAV态势相似性度量方法

在无人机（UAV）自主作战与智能决策的过程中，无人机获取的新态势与历史态势的相似性度量是态势评估与作战决策的重要环节，而现有的相似性度量方法主要处理离散时刻态势，采用的欧式距离等方法对数据敏感，不符合作战态势特性，且处理效率低下，针对该问题，提出基于序列趋势和集合距离的UAV态势相似性度量方法。该方法首先选取UAV作战态势要素并以时间序列形式表征数据；然后，使用经验模态分解方法提取历史态势与新态势的序列趋势以度量序列趋势的相似性；最后，对趋势相似的每条态势序列进行自组织映射聚类，得到若干聚类中心构成集合，利用最优子模式分配距离度量集合间的距离，提取集合距离较小的部分获得与新态势相似的历史经验态势。通过公用数据集的分类效果比对实验以及作战仿真态势的相似性度量实验，表明该方法能够有效度量两序列之间的相似性程度，度量效果好，分类实验中分类精度较传统方法最高提高18%，且方法简便，具有一定的实用价值。