固体火箭发动机比冲预示经验法

本文简要地评述了国内外固体火箭发动机比冲预示方法.在Landsbaum法的基础上,根据国内外44种不同类型的发动机地面和高空模拟热试车试验统计,利用多维回归分析方法,得出了适合于国内发动机的经验比冲效率参数相关法.这种方法的优点是比冲预示结果比较准确,方法简单,利用袖珍式计算器可快速计算,对固体发动机总体方案论证及性能最优化设计是很有用的.     

具有瞬变失速流态的亚音速扩压器性能预测方法

本文介绍了文献[4]所提出的一种具有瞬变失速流态的二元亚音速扩压器性能预测方法,介绍了一个新的摩擦系数关系式和一个新的渗混率公式,可用于扩压器内具有较大失速区的计算.本方法同时也适用于无失速及完全失速流态的计算,因此大大扩充了文献[3]的应用范围.计算结果与本文作者所做的实验数据相比较后得出:对大展弦比的二元扩压器,C_p值计算误差在2θ≤20°时约为1%,当2θ>20°时,其C_p计算值误差将随2θ的增加而增大.而对小展弦比二元扩压器由于两底壁附面层的影响,C_p计算值约高于实验值4%.本文对文献[4]所提出的方法作出评估.     

固体火箭发动机的声学分析及燃烧稳定性预估

提出一种预估固体火箭发动机燃烧稳定性的方法。文中着重研究了燃烧室内腔声场的有限元数值分析问题,并应用声学有限元素法对一个二维轴对称装药发动机燃烧室内腔进行了固有频率及固有振型计算。随后,在声学分析的基础上对该发动机做了燃烧稳定性预估。其结果与多次试车的结果一致。最后还就声学分析的验证,减少机时和内存,微粒尺寸的确定,预估方法及计算程序的通用性等问题进行了讨论。     

硝胺复合推进剂燃烧模型进展综述

对硝胺复合推进剂、硝胺/AP复合推进剂燃烧模型的物理模型、数学模型中的特征关系式、模型特点及优缺点进行了全面的评述。并在此基础上,提出了今后在该方面应做的工作。     

固体发动机及火箭固有振动特性预估

用有限元方法计算了选用的固体火箭各级发动机壳体，药柱及整机固有频率和振型，并计算了火箭固有振动特性，为发动机冲击试验，今后的模态和振动试验提供了参考数据。这些数据是选择测试设备及量程，激励方式及位置，测点布置及试验夹具设计等测试技术所必需的。     

三维编织复合材料的拉伸强度预测

采用有限微元方法分析了三维编织复合材料的模量与强度.提出了基于计算机模拟实验的三维编织复合材料的拉伸强度分析模型,利用Visual C++6.0实现了对三维编织复合材料拉伸强度的预测,预测结果与实验结果基本一致.     

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

直接序列扩谱通信中的窄带干扰抑制

对直接序列扩谱信号预处理可以大幅度提高扩谱通信系统抗窄带干扰的能力。近年来对这方面的研究,从线性处理方法到非线性处理方法,到多用户检测方法;从简单自适应,到盲信号处理等,出现了许多好的思路,并一步步改善了扩谱系统抗多种窄带干扰的能力。文章综述了这方面的研究成果,对各种方法进行了分析和评价,重点讨论非线性方法以及码辅助方法,其中,非线性方法讨论的重点是基于隐马尔可夫链的非线性处理方法。     

基于深度学习的超临界裂解煤油流量特性研究

为了明晰超临界裂解煤油的流量特性,实现对超临界裂解煤油流量的准确预测,采用实验方法测量了较大压力和温度范围内超临界裂解煤油的流量,对超临界裂解煤油流量特性进行了分析,基于多元线性回归方法,多元多项式回归方法和深度学习方法分别建立了超临界裂解煤油流量预测模型并给出了模型评估指标。研究结果表明,超临界裂解煤油流量主要与压降和温度有关,并且流量与压降和温度之间存在着很强的非线性关系;基于深度学习方法的深度神经网络模型性能优于多元线性回归模型和多元多项式回归模型,能够更加准确地刻画超临界裂解煤油的流量特性,其平均相对预测误差在1.1%左右,最大相对预测误差在7%以下。     

基于全连接神经网络的分层旋流火焰燃烧振荡预报

燃气轮机贫油预混低排放燃烧室容易发生燃烧振荡,在宽工况极端条件下燃烧主动控制有潜力成为抑制燃烧振荡的有效方法。然而主动控制系统依赖于对燃烧振荡的快速监测和准确预报,因此有必要针对不同的燃烧振荡预报手段开展研究和验证。本文以甲烷预混同心分层旋流火焰的图像为基础,采用降低图像分辨率和提取火焰结构特征参数这两种不同的方式对火焰图像信息进行简化处理,并使用全连接神经网络对燃烧振荡进行预报研究。结果发现,两种方式都可以较为准确地预报燃烧振荡,精度均达到90%以上。预报精度随着图像分辨率的增加而升高,在极低的图像分辨率(3*3)下,预报精度也能达到90%以上。此外,对根据火焰平均图像提取的结构特征参数进行了敏感性分析,捕捉到了系统稳定性的转变,但参数变化范围受训练集限制。本文提出的基于数据驱动方法对燃烧振荡的预报时间小于2 ms,为实现燃烧振荡实时在线预报提供了支持。