GH3044的高温低周疲劳性能研究

研究了镍基高温合金GH3044在600℃下的低周疲劳性能,分析了合金的循环应力-应变和应变-寿命关系,利用Manson-Coffin方程、三参数幂函数方程和拉伸滞后能模型对寿命数据进行回归分析。结果表明,合金的循环应力响应行为在600℃时,呈现明显的循环硬化特征,原因在于循环变形过程中位错之间以及位错与析出相之间的相互作用;从试样的疲劳断口形貌发现,裂纹主要萌生于试样表面处,裂纹形成后垂直于加载轴方向扩展,断口呈韧窝断裂特征;在合金的低周疲劳寿命预测研究中发现,拉伸滞后能模型的寿命预测结果无论从标准差,还是分散带方面比较都比Manson-Coffin方程、三参数幂函数方程的预测精度好。     

浅凹槽底壁横向燃料喷射对流动和燃烧特性的影响

模拟了高度30km,飞行马赫数6的超声速燃烧室流场和燃烧特性.通过对固定长度、不同深度的一组浅凹槽底壁燃料横向喷射的燃烧室的冷态与燃烧工况进行数值计算,并将其和传统壁面横向喷射方式进行比较,发现引入浅凹槽底壁喷射结构能有效减弱流场的激波系强度,明显降低燃烧流场的总压损失;凹槽前壁面和喷流柱之间形成稳定的亚声速回流区,能够稳定火焰,这在较大深度凹槽会更明显.引入浅凹槽一定程度降低了横向射流穿透深度,这也导致燃烧效率相比传统壁面横向喷射结构有一定下降.     

通信信号调制识别综述

随着频谱信息资源愈发紧张,信号的调制处理方式也愈发多样化.由于通信信号的调制识别广泛应用于民用和军用领域,所以,对调制方式进行识别的研究具有极其重要的意义与战术价值.首先,根据大量文献,对基于最大似然函数和特征提取的经典调制识别方法进行了系统地梳理;其次,从常用数据集、深度神经网络结构和现有识别算法等方面,着重介绍了深...     

基于局部几何特征的稠密点云配准方法

针对现有的稠密点云配准方法依赖初始位置设定、计算成本高、配准成功率不高等问题，提出了一种基于点云局部几何特征的稠密点云配准方法。采用深度卷积网络模型提取点云的局部几何特征，从而减少了三维点云数据的噪声、低分辨率和不完备性等带来的影响。在此基础上，使用K维树搜索完成局部几何特征描述子的关联工作。最后，通过随机采样一致算法对点云的相对位姿进行鲁棒的估计。通过对开源数据集上5个典型场景中的数据测试表明，该方法的配准成功率达到92.5%，配准精度达到0.0434m，配准时间相对最邻点迭代配准算法缩短了74.7%，实验结果验证了该方法的有效性、实时性和鲁棒性。     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

基于Depth from Focus的图像三维重建

应用改进Laplacian聚焦算子实现序列图像的融合显示,用高斯插值算法得到图像三维重建中的高度图,并设计一种轮廓线算法对高度索引图进行了三维重建;成功地应用于摄像机拍摄序列图像的三维重建,弥补了摄像机物镜焦深范围有限不能采样清晰大幅图像的不足.理论和实验结果证明,用该方法生成的二维融合图像和三维显示图像,恢复出比较精确的物体表面深度信息,提高了图像的清晰度.     

汽车用齿轮激光淬火工艺研究

对汽车齿轮材料 40CrNiMo的表面激光淬火工艺进行了研究 ,分析了工艺参数对硬化深度及耐磨性的影响。通过试验 ,证明 40CrNiMo激光淬火工艺可行     

统一硬化模型在复杂加载条件下的应用

超固结土模型是能够描述土的剪缩、剪胀、硬化、软化和应力路径依赖性等特性的简单、实用的模型,与剑桥模型相比,仅增加了一个材料参数(Hvorslev面斜率).采用基于SMP(Specialy Mobilized Plane)强度准则的变换应力方法对模型实现了三维化.在模型中应用加卸载准则来反映复杂加载条件下土体的应力应变特性,模拟了随着循环次数的增加,土体会逐渐变硬,剪切模量逐渐增大、孔隙比减小、超固结程度不断增大等趋势.由循环加载以及真三轴试验数据和预测结果的基本吻合表明了模型能够合理地反映复杂加载条件下土的变形特性.      

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。