基于非结构网格的翼身组合体绕流数值模拟

应用投影变换的方法生成三维翼身组合体的表面网格，提出了新的三维空间多层背景网格生成方法．在背景网格建立和三维初始推进面生成的前提下，利用推进阵面法生成了翼身组合体的三维空间网格，并应用网格光顺技术和变换方法，改进了初始生成网格的质量。应用格心格式的有限体积法对翼身组合体绕流进行了Euler方程的数值模拟，得到了较为满意的计算结果。     

前后缘机动襟翼数值计算研究

通过对前缘机动襟翼、后缘机动襟翼以及前后缘襟翼配合使用的状态作计算分析和比较，研究了机动襟翼在高亚音速段对构型气动特性的改善作用，为大后掠角、小展弦比机翼加装机动襟翼的改进设计提供了数值计算依据。     

基于欧拉方程的二维振荡机翼非定常气动设计反命题方法

建立了基于欧拉方程组的二维振荡机翼非定常气动设计反命题方法的数学模型.通过一系列变换,将物理时空中的求解域转换成映象坐标系中的规范区域;并导出了映象坐标下的欧拉方程,结合非定常反命题的边界条件,便可用有限差分方法求解.本方法引入映象坐标系解决反命题边界形状的不确定性,并能利用欧拉方程现有的各种差分格式于反命题求解.     

用保角转绘坐标解二维和轴对称可压流Euler方程

本文推导出用保角转绘正交曲线坐标表示的二维与轴对称Euler方程,方程中的未知量以曲线坐标方向的速度分量表示,并有不含未知量导数的源项。方程组的形式与直角坐标系中的接近,因而简化了计算。本文将该方程组用于计算二维任意翼型和旋成体轴对称绕流,采用分辨率较高的Eberle特征平均显式有限体积差分算法求解,在不同区域中用不同的显式推进步数加速收敛。本方法已分别对翼型和旋成体轴对称绕流编制了计算程序,可用于自由流为亚声速、跨声速和超声速的绕流计算。大量计算结果表明,本方法精度好,激波分辨率高,编程序简单。     

基于简单WENO-间断Galerkin的Euler方程自适应计算

为了得到Euler方程的高精度、高分辨率数值解,介绍了间断Galerkin方法、三角形单元上简单WENO限制器的基本原理以及基于自适应网格加密的激波捕捉方法。将简单WENO限制器-间断Galerkin方法应用到曲边四边形单元上,通过单元边界上高斯积分点的坐标来搜索相邻单元从而得到相邻单元的单元编号,实现了基于“问题单元”的局部网格加密自适应计算。对若干典型问题进行编程计算,结果表明,简单WENO限制器可以应用到曲边四边形单元上,且可适用于局部网格加密时具有“悬挂节点”的非结构网格上的激波捕捉。      

一种计算非定常二维流动的无网格算法

主要目的是发展一套求解非定常流动的无网格算法。计算区域的离散方面,提出了一种按区域进行填充布点的点云自动生成方法;发展了一种点云的运动技术来实现离散点云对物面边界的随体运动;在点云离散的基础上,采用最小二乘法求解矛盾方程的方法来求取空间导数,进而获得数值通量;采用双时间方法进行时间离散推进,其中物理时间迭代采用二阶隐式格式,伪时间迭代采用四步龙格一库塔显式格式,为了加速收敛,在伪时间迭代中采用了当地时间步长和隐式残值光顺等加速收敛措施。最后,利用本文算法模拟了NACA0012翼型和NACA64A010翼型的跨音速非定常流动,并将计算结果与实验测量结果进行了对比分析,验证了上述方法的正确性和实用性。     

多块网格网络并行计算中的负载分配研究

针对CFD中多块网格计算的特点，并使用MPI网络并行系统，对某战斗机绕流进行了基于三维Euler方程的并行计算，主要研究了多块网格并行计算中负载的分配方法，发展了负载自动分配和网格自动重分区程序，计算结果表明：并行计算结果和实验结果完全吻合，8个节点机的并行效率达到了89％。     

跨音速颤振计算方法研究

采用快捷的动态弹性变形技术生成三维块结构动态贴体网格。结构运动方程采用二级精度的龙格—库塔时间推进。气动力求解则用非定常欧拉方程的双时间有限体积推进,外时间为物理时间,与结构运动方程同步;对每个真实物理时间步采用五步Runge Kutta时间推进进行虚拟定常迭代。针对可压流颤振计算中存在的质量不相似问题,采用变质量、变刚度的方法计算出质量匹配点处的颤振速压值,并根据颤振速压随质量或刚度倍数的变化趋势,得出可用的飞机跨音速颤振速压。对一飞机简化外形的跨音速颤振特性计算得到了合理的计算结果。     

二维Euler方程的自适应非结构网格生成方法

发展了一种用于数值模拟二维Euler方程的自适应非结构网格的生成方法。这一方法根据背景网格提供的信息直接确定内部结点的位置，然后依照Delaunay准则，将新结点加入到已有网格划分中。用于平观流及管道流的实际计算中，结果表明，该方法不受流场形状及流动特征的限制，具有较好的通用性。     

基于GPU的反卷积算法并行优化

反卷积是图像去模糊的基本算法,针对传统反卷积算法在图像去模糊处理中实时性较弱问题,提出基于众核GPU的Iterative Deconvolve 3d反卷积算法的并行优化实现.所提算法将原算法中的核心运算放在GPU上并行实现,利用CPU和GPU协同工作模式,CPU负责串行任务GPU负责并行任务.实验表明:与传统的算法相比,在不影响图片处理效果的前提下,计算速度比CPU上的实现速度提高了近11倍,并具有良好的可扩展性.