简谐摇摆运动下窄通道内空气-水两相流摩擦阻力

矩形窄通道广泛应用于紧凑式换热器设计中,其内空气-水两相流动摩擦阻力受简谐摇摆运动影响而与稳定状态不同.笔者通过实验研究了摇摆运动条件下矩形窄通道内绝热两相流摩擦压降特性.结果表明:层流区(分液相雷诺数Rel<800)及过渡区(800≤Rel≤1400)摇摆条件下摩擦压降波动周期等于摇摆周期;湍流区(Rel>1400)摩擦压降没有明显的周期性波动.Lee-Lee模型能较好地用于摇摆条件下平均摩擦压降的预测,但不能用于周期性变化摩擦压降的动态预测.通过分析大量实验数据的变化规律,基于奇斯霍姆C(Chisholm)关系式,拟合得到了摇摆条件下瞬时摩擦压降经验关系式,其预测值与实验值有较好的一致性.     

基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明：Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。     

融合卷积注意力和Transformer架构的行人重识别方法

行人重识别技术是智能安防系统中的重要方法之一,为构建一个适用各种复杂场景的行人重识别模型,基于现有的卷积神经网络和Transformer模型,提出一种融合卷积注意力和Transformer(FCAT)架构的方法,以增强Transformer对局部细节信息的关注。所提方法主要将卷积空间注意力和通道注意力嵌入Transformer架构中,分别加强对图像中重要区域的关注和对重要通道特征的关注,以进一步提高Transformer架构对局部细节特征的提取能力。在3个公开行人重识别数据集上的对比消融实验证明,所提方法在非遮挡数据集上取得了与现有方法相当的结果,在遮挡数据集上的性能得到显著提升。所提方法更加轻量化,在不增加额外计算量和模型参数的情况下,推理速度得到了提升。     

相变微胶囊悬浮液在树形微通道内的热力特性

以乙二醇水溶液为载冷基液制备了相变微胶囊悬浮液（MEPCMS）,并测量了其物性参数,然后实验研究了MEPCMS在树形微通道内的热力特性,揭示了雷诺数、质量分数对MEPCMS热力性能的影响规律。结果表明:MEPCMS的比定压热容随着微胶囊质量分数与温度的增加而增大,黏度随着微胶囊质量分数的增加与温度的降低而增大;MEPCMS的表面传热系数随着雷诺数与质量分数的增大而增大,当雷诺数为118时,质量分数为1%、3%的MEPCMS的表面传热系数相对于载冷基液分别提高了3.92%和9.04%;MEPCMS的摩擦因子随雷诺数的增大与质量分数的减小而减小,但随着雷诺数的增加,MEPCMS的摩擦因子逐渐接近载冷基液。      

融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络（HRNet）基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。     

涡轮导向器几何与气动参数对通道涡影响的实验与数值研究

通过风洞实验和数值计算,对某型涡扇发动机原型和改型涡轮低压导向器进行了详细的流场测量与数值模拟,以考察在具有大扩张角前置机匣的涡轮导向器流道中,多种几何与气动参数变化对通道涡形成和发展的影响,特别是叶片弯曲对通道涡位置及强度的影响。结果表明:由于导向器进口前的机匣段上端壁子午扩张引起流动分离,并在叶栅进口形成远大于普通叶栅实验的大厚度进口边界层,弯叶片对通道涡位置的影响与其它进口条件下的实验结果有所不同,表现为叶片正弯引起上通道涡核心位置上移,进口分离、大厚度进口边界层以及叶片正弯引起的叶片表面静压变化是造成这一现象的根本原因。     

重力场下细微循环通道内流体热驱动现象研究

本文以试验结合数值模拟的方法,研究了一种利用彻体力场下封闭通道内流体的热驱动循环流动来强化换热的新型冷却方式。由显示实验清楚地拍摄到封闭通道内水的热驱动循环流动,同时通过实验和数值分析研究了水的运动和换热特性,实验和计算结果基本一致。研究表明在本文研究的参数范围内,只有当加热量超过30000W/m2时,流体的热驱动力才能克服阻力影响来驱使流体运动,同时加热端的平均换热系数达到了2500W/m2·K。此换热结构在高密度封装电子器件的冷却设计中将会有良好的运用前景。      

基于改进注意力机制CNN-ATT的区域性ZTD预测模型

基于天顶对流层延迟（ZTD）的强时空特征,提出了一种融合卷积神经网络的改进注意力机制（CNN-ATT）的多站点ZTD组合预测模型。该模型首次将多源数据（包括日解算精度、年积日(DOY) 和三维坐标）综合运用于ZTD预测任务。通过对南宁市的5个参考站（CORS）和14个国际GNSS服务（IGS）站点共1 501个年积日的观测数据进行研究,选取传统BP模型、GPT2w模型和ATT模型作为基线模型进行实验对比分析。研究结果显示,在预测精度方面,改进的CNN-ATT模型与BP模型相比其均方误差（MSE）和平均绝对误差（MAE）分别减少了5.5 mm和 4.4 mm,预测精度分别提高了41.4%和67.8%;与ATT模型相比,CNN-ATT模型的预测MSE和MAE也分别减少了4.6 mm和2.1 mm,预测精度分别提升了36.2%和50.0%。在定位精度方面,改进的CNN-ATT模型的精度表现优于SAAS,GPT2w,BP以及ATT模型。并且与传统SAAS对流层模型相比,CNN-ATT模型在N,E,U 3个方向的精度提升高达18.2%,12.6%和31.0%。此外,研究还发现CNN-ATT模型在长预测时间步长中的精度表现更为稳定,更适合多测站预测任务,并且其精密单点定位（PPP）收敛速度更快。