一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用

发展了一种基于预处理矩阵的数据驱动不确定性量化算法，以解决实际工程中面临的实测数据稀缺及分布形式复杂的不确定性量化问题。通过鲁棒性分析、正交基函数的重构、非线性测试函数验证了所发展方法的有效性和精度。基于实测的叶片前缘半径和来流攻角随机波动数据，以某高亚声速压气机叶栅为研究对象，采用自主发展的不确定性量化方法定量评估了不确定性因素对叶栅气动性能的影响。结果表明：在设计攻角和大攻角下叶栅真实的总压损失系数高于名义值的概率分别为83.6%和69.9%；大攻角工况下叶栅总压损失的分散度约是设计工况下的2.4倍；前缘半径耦合来流攻角的不确定性引起前缘绕流发生较大波动，是导致叶栅总体性能退化及性能分散的主要原因。     

高超声速飞机机载作动系统发展分析

吸气式高超声速飞机面临严酷的高动压、大热流飞行环境，要求机载系统既要兼具高功率、高效能与高耐热能力，又要满足严苛的体积、重量（质量）与能量约束，给飞控作动系统设计带来了极大的技术挑战。本文通过对高超声速飞机任务和平台动力特点的分析，系统地论述了其飞控作动系统面临的挑战，包括能源、结构和热管理等问题。基于已有高速飞机的公开资料，对作动技术发展现状进行了梳理，结合热管理与机载能源的发展趋势，展望了高超声速飞机作动系统的重点发展方向，并给出了具有可行性的发展路线。     

基于PINN模型的导弹气动特性快速预测技术

随着内嵌物理机理神经网络（PINN）模型的兴起，PINN模型开始应用于许多学科领域。为了实现导弹气动特性的快速预测，借助工程算法，构建了导弹气动数据集，以此训练导弹气动特性预测模型，包含基于多任务学习的神经网络（MTLNN）模型及在MTLNN模型基础上内嵌物理知识的PINN模型。数值模拟通过选取测试集，对比了MTLNN模型和PINN模型的预测效果，结果表明：PINN模型的预测精度较高，且基本控制在1%以内。探究PINN模型的泛化能力，测试集选取导弹气动数据集包络范围之外的数据，PINN模型预测精度仍然高于MTLNN模型。由于PINN模型引入了气动特性参数之间的物理机理，模型对训练样本数量的依赖程度降低，可以进一步节约数据获取成本，为导弹优化设计提供有力工具。