改进的VOF方法对气液两相流振荡流动和传热计算的影响

在VOF(volume of fluid)模型的基础上,引入level set函数,形成CLSVOF(coupled level set volume of fluid)模型对气液两相流的振荡流动和传热过程进行数值模拟,与只采用VOF模型模拟的结果进行对比分析,并与实验结果相比较.结果表明:无论是针对矩形空腔中两相流的振荡流动和传热,还是活塞冷却油腔中机油的振荡冷却过程,采用CLSVOF模型都可以更为准确地模拟气液两相流的振荡流动规律,传热系数计算值也与实验结果保持了更高的一致性.对于活塞冷却油腔中机油的振荡冷却计算,随着转速即雷诺数的增大,传热系数计算值的误差开始增大.在极限转速3000r/min时, CLSVOF模型的误差为3.8%,VOF模型的误差为7.5%, CLSVOF模型的误差增幅稳定在0.6%左右.CLSVOF模型的误差较小且误差增幅稳定,说明其计算准确性更高.      

喷丸表面覆盖率对TC4钛合金表面完整性的影响

采用不同覆盖率对TC4钛合金进行喷丸,研究了喷丸后TC4钛合金的表面形貌、粗糙度、残余应力场以及经过200℃/1h保温后形变层组织状态等表面完整性性能变化。结果表明:经过300%覆盖率喷丸后,TC4钛合金表面平均粗糙度Ra和均方根粗糙度Rq均比100%覆盖率增大,残余压应力场深度基本与100%覆盖率喷丸工艺相当,但残余压应力数值有所增大;经过200℃/1h保温处理后,由于温度和内应力的驱动,300%覆盖率喷丸后表面"强烈塑变区"发生位错运动和晶体自协调,使表面塑性形变层的残余应力松弛明显,而100%覆盖率喷丸未观察到以上现象。     

工质对毛细管内延展弯月面蒸发传热的影响

为分析工质对系统传热传质的影响,对薄膜传输模型进行了无量纲化求解,获得了弯月面薄膜区蒸发总传热量的近似解.结果表明:同样工况下不同工质的毛细蒸发特性有很大差别,其中理想蒸发量和汽化潜热是主要影响因素.理想蒸发量反映了工质的相变传质能力,而汽化潜热则影响其相变传热能力.通过研究可知:相比甲醇、戊烷等常用工质,氨具有较好的蒸发传输特性,因此采用氨工质的两相传输系统在性能上优于同温度范围其他工质.      

两相控温型储液器进出流量的瞬态数值模拟

两相控温型储液器是泵驱两相流体回路（MPTL）系统中的一个重要部件,承担着工质存储、供给、气液分离及精密控温的作用。采用Navier-Stokes方程建立了MPTL系统瞬态模拟的仿真模型,可用于研究热源功率变化时储液器与主回路的动态传热和传质特性。通过仿真与试验对比发现,数值模型的流量误差在±10%以内,验证了模型的有效性和准确度。数值模拟结果表明:热源开关机时,储液器与主回路发生工质交换,气液两相的温度和压力受到影响,系统的流阻也受到影响;随着热源功率的增加,工质交换速率和交换总量随之增加,储液器内气液两相的温度和压力变化趋势随之增大。该模型可用于研究不同工作条件下的流量、温度和干度的变化特性,指导MPTL设计,并在系统搭建前预测系统特性。      

基于强化学习的机械臂关节高精度控制方法研究

为提高空间机械臂自主操作能力,满足在多种不确定场景下的智能化精细操作需要,本文提出一种基于概率推断式强化学习的关节控制方法,在传统关节控制的基础上实现了控制参数的自主学习与优化.该方法主要包含两层循环,外循环通过学习交互数据在线辨识关节模型,内循环依据更新后的关节模型优化控制参数,经过数代学习逐渐使控制性能达到最优.该方法学习效率高,且相较于传统PID方法,对环境的适应能力更强,能有效提高复杂条件下机械臂关节的控制精度.数值仿真结果证明了该方法的有效性.     

航天器用低温多层隔热性能计算方程

航天器常用有效发射率表征多层的隔热性能,其经验值范围为0.02～0.04,经验值仅与多层单元数有关,不随温度变化.有效发射率经验值的适用条件是多层的热面温度约-10℃～50℃,多层的冷面不照太阳.使用条件偏离得越多,有效发射率的经验值导致的计算偏差就越大.针对该问题,提出采用辐射项加导热项的混合传热模型,取代传统的纯辐...     

基于PPO的移动平台自主导航

为解决强化学习算法在自主导航任务中动作输出不连续、训练收敛困难等问题,提出了一种基于近似策略优化(PPO)算法的移动平台自主导航方法。在PPO算法的基础上设计了基于正态分布的动作策略函数,解决了移动平台整车线速度和横摆角速度的输出动作连续性问题。设计了一种改进的人工势场算法作为自身位置评价,有效提高强化学习模型在自主导航场景中的收敛速度。针对导航场景设计了模型的网络框架和奖励函数,并在Gazebo仿真环境中进行模型训练,结果表明,引入自身位置评价的模型收敛速度明显提高。将收敛模型移植入真实环境中,验证了所提方法的有效性。     

一种动态环境下空间机器人的快速路径规划方法

针对动态环境下空间机器人采用深度强化学习进行路径规划时存在的收敛速度慢问题,采用迁移学习算法设计了一种适应动态环境的快速路径规划器.首先,综合考虑空间机器人运动过程中存在的避障、时间和扰动约束,在静态环境下对深度神经网络进行预训练.其次,将上述训练后的权值作为动态环境下深度神经网络的初始权值,再经过动态环境下的训练进行参数微调.最后,以平面五自由度空间机器人为例对所设计的方法进行了验证,并与直接训练方法进行了比较.实验结果表明,该方法能够将训练收敛时间从1033回合缩短到450回合,在保证规划路径准确率的前提下,提高训练的收敛速度.     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。