基于多线性本构与损伤耦合的叠层陶瓷基复合材料数值预测方法

本文提出一种用于预测复杂应力状态下叠层C/SiC损伤破坏的有限元渐进损伤方法（FE-PDM），并提出与试验载荷—位移曲线、损伤等进行对比、迭代并最终确定模型参数的反演方法。FE-PDM方法包括基于应变控制的3D失效准则，正交各向异性多线性本构关系，基于刚度矩阵的损伤因子耦合方法，以及预测分层的内聚力方法。通过2D叠层C/SiC的面内拉伸、面内剪切、三点弯曲试验分别验证了FE-PDM方法，并分别采用扫描电子显微镜及X射线技术对试样断口形貌和内部损伤进行了分析。结果表明，通过较少的控制参数，FE-PDM方法可精确地预测2D叠层C/SiC各阶段的应力—应变曲线拐点、损伤起始与演化过程及载荷—位移响应曲线等，并与试验结果吻合良好。     

基于能源分解的用户用电行为模式分析

随着智能电网的普及和大数据技术的发展，利用用电数据分析用户的用电行为越来越受到关注，现存的能源分解方法无法满足实际应用中对分辨率和分解准确率的高要求，以及聚类分析方法过于粗糙没有充分挖掘每类电器的用电特点。提出了基于能源分解的用户用电行为分析方法。在判别式稀疏编码算法模型的基础上，针对L₀正则项不易求解、L₁正则项稀疏约束效果不理想的问题，提出用L_1/2正则项稀疏约束进行能源分解，并且把用户之间的同质性作为正则项加入基础模型来修正模型的性能。基于能源分解的结果，使用用户单类电器的用电特征代替总用电特征精细化分析用户的用电行为，并改进传统的K-Mean聚类算法进行实验验证。实验结果表明:所提出的基于L_1/2正则项稀疏约束和同质性约束的能源分解方法相比于传统判别式稀疏编码算法，能够有效提升能源分解的准确率。同时，基于能源分解的用户用电行为聚类分析效果也有明显提升。      

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

导弹海上补给指挥关系优化分析

针对导弹海上补给指挥关系的优化问题,首先提出了整合导弹海上补给指挥机构从而优化指挥关系的设想,继而分别建立了导弹海上补给指挥关系相应拓扑结构的时效熵和质量熵模型,并通过计算分析对比优化前后指挥关系的优劣,得出了与设想一致的结论。