基于混合多目标粒子群算法的飞行器气动布局设计

 为了提高多目标优化算法求解非劣解集的效率,在多目标粒子群算法的基本框架中引入了Pareto过滤算子、小生境技术和模拟退火算法,建立了全新的混合多目标粒子群算法。该算法具有运算收敛快,所得非劣解集分布均匀、广泛的特点。将其应用于求解以升阻比和效用体积最大化为目标的再入式高超声速飞行器气动布局多目标优化设计模型,将计算结果与原始多目标粒子群算法的计算结果进行对比,体现出本文提出的混合多目标粒子群算法能够更加有效地求解复杂多目标优化设计问题的非劣解集,从而为多目标决策提供有力的支持。     

Solar Sources of Heliospheric Energetic Electron Events—Shocks or Flares?

Electrons with near-relativistic (E≳30 keV, NrR) and relativistic (E≳0.3 MeV) energies are often observed as discrete events in the inner heliosphere following solar transient activity. Several acceleration mechanisms have been proposed for the production of those electrons. One candidate is acceleration at MHD shocks driven by coronal mass ejections (CMEs) with speeds ≳1000 km s⁻¹. Many NrR electron events are temporally associated only with flares while others are associated with flares as well as with CMEs or with radio type II shock waves. Since CME onsets and associated flares are roughly simultaneous, distinguishing the sources of electron events is a serious challenge. On a phenomenological basis two classes of solar electron events were known several decades ago, but recent observations have presented a more complex picture. We review early and recent observational results to deduce different electron event classes and their viable acceleration mechanisms, defined broadly as shocks versus flares. The NrR and relativistic electrons are treated separately. Topics covered are: solar electron injection delays from flare impulsive phases; comparisons of electron intensities and spectra with flares, CMEs and accompanying solar energetic proton (SEP) events; multiple spacecraft observations; two-phase electron events; coronal flares; shock-associated (SA) events; electron spectral invariance; and solar electron intensity size distributions. This evidence suggests that CME-driven shocks are statistically the dominant acceleration mechanism of relativistic events, but most NrR electron events result from flares. Determining the solar origin of a given NrR or relativistic electron event remains a difficult proposition, and suggestions for future work are given.     

硅基复合材料粘性系数的参数辨识

硅基复合材料是目前国内比较成熟、综合性能较好的烧蚀型热防护材料之一,高温粘性系数是这类材料烧蚀性能的重要表征参数.本文利用系统识别原理,给出这类复合材料粘性系数的参数辨识方法及其应用实例.     

点火瞬态过程仿真模型参数辨识

建立了固体火箭发动机点火瞬态过程一维非定常流场仿真模型,采用系统辨识方法进行了模型参数不确定性研究。基于点火试验用缩比发动机试验结果,得到了传热模型参数和瞬态燃速模型参数的最优估计,提高了点火瞬态过程一维仿真模型的预估精度。采用近似方法,构建Kriging近似函数,有效解决了一维非定常流场仿真的计算复杂性问题。     

基于EFFD方法的自然层流短舱优化设计

采用extended free-form deformation(EFFD)方法研究了自然层流(natural laminar flow,NLF)短舱的气动外形优化设计方法.使用基于Bernstein基函数的EFFD方法完成了NLF短舱剖面的参数化,利用基于k-εSST(shear stress transport)两方程湍流模型的γ-θ转捩模型进行自然转捩预测,结合EFFD、一种混合动网格方法、Kriging代理模型和改进的粒子群算法(particle swarm optimization,PSO)建立了针对NLF短舱气动外形的优化设计框架.采用该框架分别对通气NLF短舱和带动力NLF短舱进行优化设计.单独通气NLF短舱优化结果的外表面实现48%的层流,阻力系数比初始通气NLF短舱减小了0.0003.带动力NLF短舱的优化结果外表面保持了41%的层流.这些结果表明采用相关技术建立的优化设计框架在NLF短舱设计中具有一定应用价值.     

区域杂波估计的多目标跟踪方法

高斯粒子概率假设密度（PHD）滤波往往假定杂波密度参数已知,这种做法对于实际应用是不现实的。此外,杂波的参数值通常依赖于环境条件,可能随时间发生变化。因此,多目标跟踪算法中需要实时准确估计杂波密度的参数。基于此,提出了一种多目标跟踪的区域杂波估计方法。首先根据量测信息在线估计出场景中的杂波数目,然后估计落入目标附近感兴趣区域的杂波数,并估计每个目标感兴趣区域杂波强度。仿真结果表明,在复杂场景下算法的跟踪性能明显优于未进行杂波估计的多目标跟踪算法,提高了跟踪的实时性和跟踪精度。     

基于确定学习理论的轴流压气机系统分岔预测

针对轴流压气机系统中的分岔预测问题,基于简化的Moore-Greitzer 3阶压气机模型,分析了该系统中存在的分岔现象;利用最新发展的确定学习理论,对压气机系统随着γ参数变化出现的几种典型模态的相关系统动态进行辨识,并将所学知识保存成常值RBF神经网络以构成模式库;利用该模式库构建1组嵌入了常值RBF神经网络的动态估计器;将测试模式与估计器相比,得到1组残差,并利用动态模式识别方法的残差最小原则实现了对Pitchfork分岔的预测。     

自主机动条件下的实时定轨方法

中继卫星在跟踪自主机动用户目标时,由于机动轨道未知,需要利用中继卫星下传的星载GNSS(Global Navigations Satellite System,全球导航卫星系统)数据进行实时轨道确定与预报,为中继卫星跟踪提供实时的引导信息,以方便中继卫星快速捕获目标和连续稳定跟踪。针对该类用户目标的任务需求,讨论了基于星载GNSS数据自主机动条件下的实时定轨方法,建立了连续推力机动力学模型。以某一型号卫星的实测数据进行分析验证,并对轨道机动进行辨识,计算的机动加速度和机动时间与试验单位提供的结果一致。针对卫星不同机动情况,5min的观测数据定轨预报10min的弧段,最大位置误差小于8km,可以为中继卫星快速捕获提供高精度的引导信息。     

冲压发动机导弹爬升段和巡航段轨迹优化

为了研究冲压发动机导弹爬升段和高空巡航段的燃油最优弹道,提高射程,提出了较为通用的一体化优化设计方法。研究了冲压发动机、导弹气动力与弹道之间的耦合特性,建立了导弹动力学模型,将弹道的最优控制问题转化为参数优化问题。为求解该参数优化问题,针对传统粒子群(PSO)算法求解优化问题时存在的早熟收敛的不足,提出了一种算法结构,改善粒子群算法的性能,求其最优解。数值结果表明:改进的算法相对其他几种粒子群算法具备更优秀的性能。所优化弹道相比导弹试验数据,以飞行时间增加3.3%为代价,节约了4.46%燃油。多组高弹道的仿真结果表明,巡航高度应不超过动压边界前提下,高弹道巡航有利于节约燃油,增加导弹射程。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。