A Comparative Study of the Influence of the Active Young Sun on the Early Atmospheres of Earth, Venus, and Mars

Because the solar radiation and particle environment plays a major role in all atmospheric processes such as ionization, dissociation, heating of the upper atmospheres, and thermal and non-thermal atmospheric loss processes, the long-time evolution of planetary atmospheres and their water inventories can only be understood within the context of the evolving Sun. We compare the effect of solar induced X-ray and EUV (XUV) heating on the upper atmospheres of Earth, Venus and Mars since the time when the Sun arrived at the Zero-Age-Main-Sequence (ZAMS) about 4.6 Gyr ago. We apply a diffusive-gravitational equilibrium and thermal balance model for studying heating of the early thermospheres by photodissociation and ionization processes, due to exothermic chemical reactions and cooling by IR-radiating molecules like CO₂, NO, OH, etc. Our model simulations result in extended thermospheres for early Earth, Venus and Mars. The exospheric temperatures obtained for all the three planets during this time period lead to diffusion-limited hydrodynamic escape of atomic hydrogen and high Jeans’ escape rates for heavier species like H₂, He, C, N, O, etc. The duration of this blow-off phase for atomic hydrogen depends essentially on the mixing ratios of CO₂, N₂ and H₂O in the atmospheres and could last from ∼100 to several hundred million years. Furthermore, we study the efficiency of various non-thermal atmospheric loss processes on Venus and Mars and investigate the possible protecting effect of the early martian magnetosphere against solar wind induced ion pick up erosion. We find that the early martian magnetic field could decrease the ion-related non-thermal escape rates by a great amount. It is possible that non-magnetized early Mars could have lost its whole atmosphere due to the combined effect of its extended upper atmosphere and a dense solar wind plasma flow of the young Sun during about 200 Myr after the Sun arrived at the ZAMS. Depending on the solar wind parameters, our model simulations for early Venus show that ion pick up by strong solar wind from a non-magnetized planet could erode up to an equivalent amount of ∼250 bar of O⁺ ions during the first several hundred million years. This accumulated loss corresponds to an equivalent mass of ∼1 terrestrial ocean (TO (1 TO ∼1.39×10²⁴ g or expressed as partial pressure, about 265 bar, which corresponds to ∼2900 m average depth)). Finally, we discuss and compare our findings with the results of preceding studies.     

联合应用现代优化方法与S2流面计算进行多级涡轮的气动设计

本文联合应用S2流面正问题计算和多级局部优化设计对某三级涡轮进行多级气动优化设计。优化联合采用人工神经网络和遗传算法,流场计算采用全三维粘性流N-S方程求解,计算网格采用H-O-H型网格,即入口段、出口段采用H型网格,叶片区域采用O型网格。通过优化,总效率提高1.1%,总体性能提高,达到设计要求。     

无刷直流电机神经网络PI控制系统设计

针对传统PI控制存在的动、静态控制性能较差的缺点,提出一种基于神经网络的PI控制方法。将神经网络与传统PI控制结合,构建神经网络PI控制系统,建立三层BP神经网络,并通过梯度下降法对各项参数进行修正,从而实现kp、ki参数的在线调节。仿真及试验证明,与传统PI控制方法相比,使用神经网络的PI控制系统在不同外部条件下都具有更快的响应速度和更小的超调量,可明显提高系统的动、静态性能。     

基于时滞分割技术的时滞神经网络系统时滞相依全局稳定性分析

通过构造一个新的增广 Lyapunov-Krasovskii泛函,利用时滞分割技术并结合自由权矩阵、Jensen积分不等式,得到一个时滞神经网络系统时滞相依全局渐近稳定新判据。该判据以 LMI的形式给出,便于计算和验证。数值实例表明,文章结果改进了相关文献结论,具有更低的保守性。     

一类具有时变和分布时滞的 神经网络系统的时滞相依全局稳定性分析

通过构造一个新的增广Lyapunov-Krasovskii泛函,对时变时滞函数的下界和定常分布时滞同时使用时滞分割,获得了一类同时具有时变时滞和分布时滞的神经网络系统以LMI形式表达的时滞相依全局渐近稳定条件,并通过数值实例表明本文方法的有效性和稳定条件更低的保守性。     

基于二进制粒子群算法的战时航空网络规划研究

领空作为国家资源的一部分,其使用、调配关系到国家的安全与发展,在战时,将更多的空中资源调配给军航使用,有利于保障军事行动的顺利进行。基于此,提出一种基于二进制粒子群算法(BPSO)的战时航空网络规划方法。首先,对航空网络建模,收集航班数据;其次,建立航空网络性能评价体系;然后,以使用尽可能少的民航机场维持预期网络性能为目标,以作战意图和战场环境为约束条件,通过BPSO 算法进行求解;最后,进行仿真分析。结果表明:该方法能够结合作战意图、反映战场环境、合理调配航空资源,为战时航空管制工作提供决策依据。     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位,存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器;需要建立准确世界和无人机物理模型;受环境影响较大;自主智能水平较低,无法较好地满足无人机对导航系统的要求,需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术,无需训练模型参数,不依赖高精度传感器,无需精确建模,且复杂环境下鲁棒性较强,具有解决上述问题的潜力。简要阐述了动物大脑导航机理,分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术,最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。