低于自起动马赫数时高超进气道的非定常流动特性

采用非定常数值仿真的方法研究了低于自起动马赫数时高超声速进气道的非定常流动特性.研究表明:低于进气道自起动马赫数时,进气道处于不起动状态,流场发生喉道壅塞性振荡现象,其流场振荡频率为250Hz.流场振荡主要发生在喉道之前,对其后流场影响相对较小,扰动信号由喉道以当地气流速度向下游传播.隔离段长度对喉道壅塞性流场振荡几乎没有影响.飞行马赫数较小时流场未出现振荡现象,当飞行马赫数靠近自起动马赫数时流场出现周期性振荡现象,并且随着飞行马赫数的增大,此类流场振荡趋于强烈;进气道压差阻力随着时间推进呈现周期性变化,振荡频率同样为250Hz.      

改善内乘波式进气道出口均匀性的内收缩基本流场研究

内收缩基本流场的设计直接决定了内乘波式进气道最终性能。以出口流场均匀为目标,提出了两种新型内收缩流场,分别命名为ICFC流场和ICFD流场并给出了相应的设计方法。以来流马赫数60和出口马赫数30为条件,设计了含截短Busemann流场在内的几种典型三维内收缩流场,开展了流场分析和性能对比。综合分析后发现,在保证流场具备较高性能参数的前提下,ICFC流场出口参数最均匀,更适合于内乘波式进气道设计。初步研究获得的ICFC流场主要性能参数随入口气流偏转角的变化规律,为改善内乘波式进气道出口均匀性设计提供了依据。
     

基于电子海图的船舶动态信息显示系统

随着全球经济发展、海事活动的迅猛增加,我国建立了船舶交通管理系统(VTS)、船舶自动识别系统(AIS)等诸多应用于海事管理工作的信息系统.然而这些系统之间彼此独立、数据分散,且通过纸质海图进行标绘,不能为海事工作提供全面、快速、统一的信息支持.针对这一现状,本文设计了一套基于电子海图的船舶动态信息显示系统.该系统融合了VTS、AIS等现有信息资源,通过电子海图显示平台实现船舶动态信息的可视化,并且能够实时查询综合应急信息,有利于海岸、港湾的船舶管理及海上船舶的安全航行,提高了应急指挥的效率.     

圆截面U形管流有限元模拟

弯曲圆管内流动具有很强的工业应用背景,管内二次涡的大小、位置及发生的频率会对流动系统的阻力及热质交换产生重大作用,研究弯曲圆管内的流动具有重要的理论意义.本文应用湍流大涡模拟方法对弯道流动进行了数值模拟.用时间推进法,给出了隐含流线迎风耗散作用的二阶完全展开Taylor-Galerkin有限元离散格式,数值计算的结果与实验结果符合较好.表明大涡模拟方法适用于边界形状复杂,存在各向异性的大尺度涡的流动仿真.     

未来战斗机座舱显控系统发展动态

在综合化航空电子系统总体设计中,座舱显示控制系统历来是最受关注的设计技术之一。在“需求牵引、技术推动”下,其发展极其迅速。本文分析了未来战斗机的座舱显控系统设计所面临的挑战,阐述了几种座舱显控系统的概念及其发展动态。     

新型磁流变减摆器节流孔流场分析

节流孔是磁流变减摆器产生阻尼的主要方式,在磁流变减摆器实际工作环境下,磁流变液经过磁场时会随磁场分布强度不同而产生变黏度等应激变化。建立某新型磁流变减摆器计算模型,通过改变节流孔孔径大小,使用商业软件 Fluent 对其所产生的流场进行分析,将模拟结果与实验结果进行对比。结果表明:磁流变液流通量及淤积效应是决定磁流变减摆器初始阻尼及时滞效应的主要原因;在 0.2mm 孔径时时滞效应最明显,且随频率增高磁流变减摆器对于外界激励反应速度明显下降。     

基于离散伴随的流场反演在湍流模拟中的应用

精确模拟湍流流动是学术界和工业界均普遍关注的问题。采用数据驱动湍流建模的思路,建立了基于离散伴随方法的流场反演框架。通过为SA模型涡黏性输运方程的生成项乘以非均匀分布的系数,并利用有限的观测数据对该系数进行推断,实现对SA模型的修正。为了提高带有物理约束的离散伴随优化的效率,发展了约束增广的伴随方法,其高效性在本文得到了验证。选取了结冰翼型和周期山2个分离算例进行分析,所得结果在2个算例中均能以很高的精度拟合观测数据,并能借助湍流模型的修正将有限的观测信息泛化到整个流场。分析表明,流场反演所推断出的修正区域具有较为明确的物理意义,能够指导湍流模型的进一步改进。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。