实用化壁面切应力测量技术的综述与展望

本文围绕“实用化”这一主题对低速条件下常用的壁面切应力测量方法进行综述。实用化壁面切应力测量技术指的是能够方便、可靠、经济地测量运载工具局部摩阻的方法。具体包括天平法、近壁速度法、普莱斯顿管法、图像法、热膜法等。在实用化过程中，现有的测量方法展现出各自的优缺点，其中缺点包括：不便于安装、使用与维护；传感器对运载工具姿态、振动、加速度、温度变化等因素有过大的响应；传感器无法标定或标定结果不唯一；传感器结构强度弱、易损坏、易被污染或易氧化变性；传感器昂贵导致无法实现大规模部署，等等。这些缺点限制了实际应用。本文分析了多种方法的特点和局限性，介绍了应用案例，并评估了实用化潜力。本文重点介绍了新型双层热膜摩阻测量技术。该技术利用一种具有上、下两层金属膜的双层“三明治”热膜传感器测量壁面切应力，两层热膜在相同的温度下协同工作，这样下层热膜“封堵”了上层热膜产生的热量，使其仅传给流体，进而解决了困扰该技术发展的热损失问题。该方法可根据上层热膜的发热量直接计算壁面切应力的大小，这一“免标定”特性提高了测量的便利性及可靠性，令其具有良好的实用化前景。     

卷积神经网络在风洞天平静态校准中的应用

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷（力与力矩）的大小、方向和作用点的装置，测量结果的精准度与天平的静态校准性能直接相关，天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰，并且通常二次干扰和组合干扰会出现非线性特性，采用线性拟合方法会产生一定的误差，使得风洞天平静态校准性能因受到数据处理方法（线性拟合）的局限而较难进一步提高。因此，为了进一步提升应变天平静态校准的性能，本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS，对六分量应变天平开展基于卷积神经网络的静态校准研究，采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时，对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示：相较于传统的基于最小二乘多项式的拟合方法，卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰，使校准结果的精准度得到了较大幅度的提升。     

基于多维数值积分的高阶确定采样型滤波方法

基于多维数值积分讨论了确定采样型滤波器,这一类滤波器的不同之处体现在对滤波器中均值和方差的计算,这一问题与数值积分密切相关.针对以往确定采样型滤波器在提高滤波精度的同时会增加计算量,通过分析高斯权值积分,采用完全对称积分公式,计算积分节点、节点个数及权重,相比高斯厄米特滤波减少了计算量,同时滤波精度可达到五阶以上.选取典型算例对新的滤波方法仿真分析,验证了该滤波方法的可行性和有效性.