卷积神经网络在风洞天平静态校准中的应用

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷（力与力矩）的大小、方向和作用点的装置，测量结果的精准度与天平的静态校准性能直接相关，天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰，并且通常二次干扰和组合干扰会出现非线性特性，采用线性拟合方法会产生一定的误差，使得风洞天平静态校准性能因受到数据处理方法（线性拟合）的局限而较难进一步提高。因此，为了进一步提升应变天平静态校准的性能，本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS，对六分量应变天平开展基于卷积神经网络的静态校准研究，采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时，对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示：相较于传统的基于最小二乘多项式的拟合方法，卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰，使校准结果的精准度得到了较大幅度的提升。     

激波风洞两级入轨飞行器纵向级间分离试验技术

高超声速多体分离问题是航天多体飞行器研发中的关键技术问题，基于分离过程中高速流动的复杂性，对高速多体分离的风洞试验研究极具挑战性，特别是激波风洞分离试验。激波风洞具有高速、高焓试验气流特点，更准确评估高超声速分离气动力/热特性，但是其有效试验时间短（ms量级），进行主动式动态级间分离试验极其困难。提出一种应用于激波风洞主动式多体分离试验的高速气动发射系统（HPELS），使得模型在短试验时间内完成主动分离测试，详细介绍了HPELS延迟时间、模型分离时间等精确的时间标定及时序控制方法。针对分离过程中模型的运动轨迹及气动力参数的高性能评估，发展了基于纹影图像的非接触式分离运动轨迹捕获及气动力参数测量技术。两级入轨（TSTO）飞行器的安全级间分离是典型的高速多体分离问题，设计了并联式TSTO飞行器并针对作者提出的纵向分离方案，在JF-12复现飞行条件激波风洞验证了高速动态多体分离试验技术应用的有效性，同时首次在激波风洞对TSTO纵向分离方案进行了原理性验证。初步对比结果显示，试验结果与数值计算结果具有良好的一致性。     

一种并联两级入轨飞行器纵向分离方案的数值研究

两级入轨（TSTO）飞行器或将成为下一代天地运输往返系统，其具有低成本、高效率和多用途等优点，但是两级分离成功与否将直接决定入轨任务的成败。目前的并联式TSTO飞行器多采用横向级间分离，该方法会在两级间产生复杂强气动干扰而直接增加了分离风险，所以探索一种可以避免或减弱两级强气动干扰的新分离方式是十分必要的。提出并着重分析了一种并联式TSTO纵向级间分离（LSS）方案，即轨道级在助推级背面沿着飞行方向分离，对其进行了动态分离过程的数值研究。针对新分离方案，设计了一种由宽速域乘波体和可重复使用空天飞机分别作为助推级和轨道级的TSTO组合飞行器，在高超声速条件下，采用重叠动网格技术分析了不同来流攻角（AOA）下的纵向分离流动机理、非定常壁面压力分布及气动特性变化规律。结果表明：TSTO纵向分离过程中仅存在VI型激波干扰和激波汇聚等简单的弱干扰类型，两级间无明显的激波反射或激波边界层干扰；非定常压力分布特性表明助推级前缘激波是轨道级受力变化的主要影响因素；纵向分离过程中，助推级受到的气动干扰力载荷小于轨道级。此外，不同来流攻角下，两级气动干扰流场结构具有相似性，并给出了实现安全纵向分离的攻角条...