基于单向拉伸的防锈铝合金温热力学性能研究

通过不同温度及应变速率下的单向拉伸试验,获得了5A06-O防锈铝合金板材关键力学性能参数的变化规律。结果表明,在一定的应变速率下,5A06铝合金的流动应力及抗拉强度随着温度的升高而降低,断后延伸率随着温度的升高而显著的提高。当温度处在20～150℃范围内,均匀延伸率随着温度的升高而升高,而在150℃～300℃范围内,随着温度的升高而降低。另外,基于Fields&Backofen本构方程,对5A06铝合金在不同温度状态下的强化规律进行了分析和探讨,结果表明,随着温度的逐渐升高,应变强化指数不断减小,应变速率敏感系数则显著增大,应变速率强化作用明显增强。     

六端口反射计测量复介电常数的改进方法

提出了六端口反射计测量介质材料复介电常数的一种改进方法,新的算法使测量面与参考面分离,消除了传统测量方法中测量面与参考面无法完全重合引入的误差.给出超越方程的简单准确的数值解法,得到了相对介电常数多值间隔与测量频率和样品长度的关系.实际测量结果表明本文方法的有效性和实用性.     

求解Hamilton-Jacobi方程的一类无波动的耗散差分格式

利用Hamilton-Jacobi方程与双曲型守恒律的紧密联系,借助于求解双曲型守恒律的一类无波动无自由参数的耗散差分(NND)格式构造了一类求解Hamilton-Jacobi方程的差分格式.数值实验结果表明:该格式具有计算量小且高分辨率等优点.     

利用BOX-COX变换改进加速寿命模型的研究

在加速寿命试验中,产品的寿命通过加速方程和所承受的应力水平密切相关.以往常用的三种加速模型为幂律模型、阿伦尼斯模型和伊林模型.利用B0X-COX变换改进加速寿命模型,提出了一种加速寿命模型族,幂律模型、阿伦尼斯模型和伊林模型作为这种模型族的特例.仿真算例验证了BOX-COX加速模型族的适用性.     

低速两段翼型的数值模拟

在多段翼型风洞实验中,很难观察翼型不同迎角下主翼、襟翼上的绕流及缝道流动。使用了O-H型混合的结构化网格,采用k-ε二方程湍流模型求解可压的N—S方程来模拟二元风洞中两段翼型的流场。计算结果与实验进行了比较,结果表明：计算与实验结果吻合良好,说明本方法可以较好地模拟两段翼型的绕流,并能很好地显示流场的变化情况。另外,从结果中可以看出：随着迎角的变化,主翼尾流和缝道间的流动对襟翼附面层分离有很大的影响作用。     

卫星导航系统传感器故障识别

传感器是卫星导航系统中的重要部件,其故障的检测和识别对提高系统可靠性具有重要意义。给出了一种基于模糊逻辑的卫星导航系统传感器故障识别方法。首先采用T-S模糊模型描述卫星导航系统,然后应用全解耦奇偶方程的方法进行故障检测,并利用卡尔曼滤波器进行故障参数识别。仿真结果表明,针对导航系统中多个传感器同时发生故障的情况,此方法能有效检测故障,并能准确识别故障参数。     

基于零控脱靶量的大气层外超远程拦截制导

考虑拦截器使用固体推进系统的情况,设计了基于零控脱靶量(ZEM)的大气层外超远程拦截制导方法。首先设计了考虑摄动影响的适用于超远程拦截的零控脱靶量计算方法;其次使用变分法结合Kepler轨道摄动方程推导了线性的ZEM动力学方程;最后考虑固体推进拦截器的可控性约束条件设计了ZEM控制律并结合动力学方程确定指令推力方向。本文给出的制导方法设计过程中没有对拦截器和目标的引力差进行简化,考虑了摄动因素对滑行段弹道的影响,制导精度对推进系统参数偏差的鲁棒性好。仿真结果表明使用本文制导方法拦截大气层外超远程目标,脱靶量可达公里量级,推进系统参数偏差对制导精度的影响很小。     

基于非结构网格有限差分法的扎染算法

应用有限差分法时遵循贴体坐标系下离散等价方程的离散准则,格式中仅用到当地网格点的坐标变换系数,据此可以构建新的非结构网格有限差分法,数值算例表明在空间二维情况下用连接离散点的3条网格线构造出来的一阶迎风格式可以稳定收敛。把这种非结构网格有限差分法推广到三维,在4条网格线基础上进行离散计算,然后提出一种局部区域多重网格、重复计算的新算法。首先在包含物体的整个区域采用直角坐标系下的均匀网格进行计算,然后消除物体内部点对物体外部流场区域的影响,最后在物面和直角网格之间很小的局部区域填补非结构网格进行计算,计算过程类似于中国传统的扎染工艺。处理流场内存在曲面物体边界问题时,相较于常规结构网格差分算法,扎染算法尽管在计算中包含需要特殊处理的无用网格点,也存在重复计算的局部区域,但是以这些计算能力的浪费为代价,换取了编程简便、内存量小、网格生成快捷、易于扩展网格规模等优势。定性分析表明,这种扎染算法非常适合研制大规模并行计算,建立的计算流体力学应用软件可以充分发挥数十万至百万处理器核心的超级计算机的效能。     

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。