区块链与 5G MEC在军事领域的融合应用

第 5代移动通信技术(5G)与移动边缘计算(Mobile Edge Computing,MEC)的深度融合,实现了省带宽、降时延、均负载和高隔离的目标。为进一步增强军事场景中信息安全保障能力,首先,开展了基础理论研究,梳理了技术发展现状、能力指标和网络架构,为设计区块链与 5G MEC融合架构提供了理论支撑;其次,采用映射方法对民用技术的军事转化与融合改进开展了可行性分析,指出了技术融合的涌现性;此外,基于多视图方法论开展了需求分析,提出了 1种 5G网络架构下 MEC与区块链的融合架构;最后,基于所提系统设计了 3种军事应用场景,并给出了系统参考架构和优化方法。通过分析,3项技术在军事领域的融合应用具有一定的可行性,在综合保障、演训行动和卫勤医疗场景中能够提供安全可信条件下数据的高效处理和灵活流转。     

高温热管性能分析与试验

设计并制备了钠工质、高温合金管壳的丝网型高温热管,测试并分析了在辐射和自然对流散热条件下不同加热功率和不同倾角对热管启动特性和稳态工作后等温性能的影响。结果表明,钠高温热管在不同倾角下都可顺利启动,而且随着加热功率的增加,钠高温热管启动时间越短,但倾角对启动时间影响不大。在倒置45°和倒置90°倾角时,在较大功率下热管的蒸发段出现温度激增现象,分析认为是由于丝网吸液芯毛细力不足导致蒸发段出现工质干涸造成的,说明已经达到了热管的毛细极限。     

有间隙涡轮叶栅壁面流谱实验与数值模拟研究

对具有 3 .6 %相对叶顶间隙的涡轮叶栅进行了壁面流动显示和三维流场数值模拟 ,分析了大叶顶间隙涡轮叶栅的壁面流动特点 ,从数值模拟上特别对尾缘附近的壁面流动结构进行了详细讨论。实验与计算结果表明叶栅尾缘附近的流动是非常复杂的 ,同时由于叶顶间隙的存在 ,上下尾缘附近的壁面流谱明显不同     

逆向工程中散乱数据点三角剖分的波前算法

提出一种改进的波前算法,从点云任意一点开始构造初始波前,通过匹配点的加入和三角形的形成,不断修正波前并向外扩展,从而对散乱数据点进行三角剖分.对不同测量手段得到的数据点的剖分结果表明,该算法速度快、网格质量高.剖分结果以翼边数据结构存储,供模型重构时使用.      

涡轮叶片尾缘斜劈缝气膜冷却数值模拟

采用数值模拟的方法,研究了涡轮叶片尾缘斜劈缝气膜冷却的流场特性,及其对叶背面尾缘温度分布的影响。研究了冷流喷射角为0°时,叶盆尾缘厚度H、叶盆尾缘倾斜角θ、冷气通道宽度d以及吹风比等因素对斜劈缝气膜冷却的影响。研究表明:尾缘劈缝冷气流出后呈先抬起后再附的流动特征,对应叶背面温度呈先升高后降低的分布特点,其最高温度出现在冷气出口下游约5H处;在冷气流量一定的情况下,叶盆尾缘的厚度和尾缘劈缝宽度对斜劈缝气膜冷却效果有着较大的影响,叶盆尾缘厚度越薄、冷气通道宽度d越小,气膜冷却效果越好;吹风比越大,气膜冷却效果越好;叶盆尾缘倾斜角θ对气膜冷却效果的影响很小。     

面向叶片裂纹检测的自适应图像处理算法研究

提出了一种采用基于边缘检测的小波滤波和自适应阈值分割算法,实现叶片裂纹的自适应快速检测;仿真结果验证了这种检测算法的有效性,能满足外场对发动机叶片裂纹检测的要求。     

含面芯脱粘边缘闭合蜂窝壁板压缩稳定性研究

基于有限元软件ABAQUS,分别建立了无损伤和含板芯脱粘缺陷的边缘闭合蜂窝壁板的三维有限元模型。利用3种建模方法对比研究了边缘闭合蜂窝壁板在压缩载荷作用下的屈曲载荷规律和失稳模式。采用夹芯板理论将蜂窝芯等效为正交各向异性结构,板芯之间的胶层使用cohesive单元进行模拟。研究结果表明:随着脱粘尺寸的增加,蜂窝壁板的屈曲载荷呈现下降趋势;当30 mm≤D≤80 mm时结构由混合屈曲过渡到局部屈曲;两种等效模型发生局部屈曲后,无论是结构的屈曲载荷规律和屈曲载荷值还是失稳模式,均近似接近原始模型结果。     

波浪形前缘降低后掠叶片宽频噪声实验研究

为了研究波浪形前缘对后掠叶片湍流干涉噪声的影响,通过放置于叶片上游的倾斜圆柱产生尾迹,圆柱尾迹为各向异性的湍流,之后湍流与叶片相互干涉产生干涉噪声。实验采用的叶型后掠角度为30°,截面为NACA0012翼型。在气流来流速度30m/s,40m/,60m/s和70m/s的情况下（基于叶片弦长的雷诺数为300000~700000）,使用31个麦克风线阵列测量了基准后掠叶片与波浪形前缘叶片对应的叶片湍流干涉噪声。采用Clean-SC算法处理数据,得到不同幅值与波长下后掠叶片前缘噪声信息。实验结果表明,波浪形前缘幅值与波长对总声压级降噪量均有影响,使用最大幅值和最小波长的波浪形前缘降噪效果最好;不同气流速度下,采用相同的波浪形前缘,使用斯特劳哈尔数表征的噪声频谱图变化规律相似。     

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。