融合物理的神经网络方法在流场重建中的应用

神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型（physical-informed neural network, PINN）,赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。     

皮卫星星箭分离机构运动系统设计

为实现“皮星一号A”卫星无干涉分离,达到分离初始姿态要求,对皮卫星星箭分离机构运动系统进行了分析设计。首先,根据皮卫星与凸轮限位机构间的受力情况和能量守恒定理确定了凸轮轮廓尺寸和分离弹簧结构参数,在此基础上建立了星箭分离过程动力学模型,通过对动力学模型的数值计算确定满足无干涉分离条件的舱门扭簧弹性系数。星箭分离过程的仿真计算和试验校验了“皮星一号A”星箭分离机构可实现无干涉分离,皮卫星初始速度、角速率均满足所提出的各项初始分离姿态要求。