压气机进口档板动态畸变流场参数分析

对某型发动机压气机进口档板动态畸变流场数据进行了研究。分析了流场稳态总压、总压脉动强度和涡旋尺度随档板插入深度、压气机流量的变化规律,以及各动态参数之间的相对变化特点;初步探讨了涡旋尺度、总压脉动强度、综合畸变指数和压气机喘振裕度损失等性能参数变化的关系,获得了有价值的试验研究数据结果。     

恒压式气体微流量计测量不确定度评估

介绍了恒压式气体微流量计的组成和校准原理.在对电容薄膜规做了热流逸效应实验的基础上,对流量计的测量不确定度进行了评估,给出了扩展不确定度和包含因子.通过传递标准漏孔与德国PTB开展了漏率比对,验证了测量不确定度评估结果的可靠性.     

基于二次调节原理的力矩负载模拟器中压力波动的补偿

 基于静液二次调节原理的力矩负载模拟器具有能够连续高速旋转和无多余力矩的特点。在恒压网络中,二次元件的力矩输出与其斜盘倾角成正比,即：如果系统压力出现波动,也将导致输出力矩的波动。导致系统压力变化的原因可能是油源压力脉动,但更主要是负载的变化。为了研究压力波动的影响及补偿,建立了基于静液二次调节原理的力矩负载模拟器,给出了仿真参数,并在此基础之上进行了仿真研究。为了提高力矩跟踪精度,提出利用斜盘倾角传感器和系统压力传感器来进行压力补偿,可有效地将系统压力波动对于力矩输出的影响抑制到20%左右。仿真和试验验证了此补偿方法的有效性。     

加油控制失效时飞机通气系统性能计算

飞机地面压力加油系统通气能力计算是飞机燃油系统设计的重要环节.基于流体网络算法,给出了飞机地面压力加油系统和通气系统的计算模型,并对某型飞机地面压力加油控制失效时,油箱通气系统的通气能力进行了计算,获得了油箱承受的压力.通过计算结果与最大压力限制的比较,验证了地面加油通气系统的通气能力.模型对飞机地面压力加油通气系统的设计具有指导意义.     

光盘形结构风荷载的风洞实验研究

应用风洞模拟实验研究了光盘形状结构的风荷载特性.风洞实验结果表明,在没有周围建筑物影响时,由于光盘形结构的截面具有对称翼型,上、下表面受到风荷载基本上都是负压分布,叠加后作用在光盘结构上的总体风荷载很小.周围建筑的存在对光盘形的风荷载影响很大,有周围建筑时光盘形结构所受的升力要比没有周围建筑时的值大1～3倍以上.特别有趣的是单独光盘形结构的整体风荷载除了受到一个升力的作用外,还受到了一个迎风低头的翻转力矩,为类似结构的风荷载设计提供了有益的启示.     

高压燃气涡轮径向内冷叶片气热耦合的数值分析

采用气热耦合方法对采用径向内冷方式的MarkⅡ型跨声速高压燃气涡轮金属导叶进行数值模拟,通过分析叶片通道内的传热和流动过程发现叶片表面附面层内流动非常复杂,包含层流流动、转捩和湍流流动状态,所以只有使用转捩模型计算的叶片附面层内流动与实际情况相符,叶片壁面温度和换热系数分布与实验结果吻合的较好,使用其他湍流模型由于不能准确描述附面层内流动而使得计算结果误差相对较大,但是所有的湍流模型都能很好的模拟附面层以外流动.      

基于传热与压力损失的气-水换热器耦合设计

针对换热器设计中如何合理兼顾传热效率和压力损失的难题,以矩形流通截面的燃气-水列管式换热器为对象,从理论上分析了设计参数之间的内在联系,揭示了换热面积与燃气流通面积、横向管间距、换热管直径之间的匹配关系,建立了基于压力损失和传热计算的耦合设计方法。这种方法已成功应用于某大型燃气冷却器的设计,也可供其它换热器设计时参考。     

一种基于群体理想解的多属性群决策方法及其应用

在多属性群决策分析中,由于涉及到各属性评价值的综合和专家个体评判的集结,所以决策群体很难对方案直接评优,针对多属性群决策方法问题,给出了一种分析方法.首先,给出了每位专家多属性数值决策矩阵和理想点的定义;然后通过定义专家群体贴近度矩阵和专家群体理想点,给出了基于多属性数值决策矩阵形式偏好信息的群决策方法;最后,通过一个算例对该方法的合理性和有效性进行了说明。     

弹片热机械疲劳试验方法研究及设计

针对弹片的热机械疲劳（TMF）试验要求,采用机械设计技术、机电技术、冷却技术、计算机技术和数据采集技术,提出了压力载荷和热载荷的加载方法,建立了2种载荷5个试验件的并联试验控制系统,并设计了弹片热机械疲劳试验器。试验结果表明:该系统能够同时模拟服役环境下弹片的压力载荷和热载荷。利用该试验系统进行了弹片的热机械疲劳试验,试验结果再现了弹片在服役状态下的失效模式。试验系统具有良好的重复度、较高的加载频率和加载精度。压力载荷最大相对误差为2.4%,绝对误差小于0.5N。温度载荷最大相对误差为3.55%,最大绝对误差为3.89℃。      

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。