可压缩流大涡模拟耦合概率密度函数方法中的滤波压力模型

亚格子组分-温度关联项显著影响反应流大涡模拟精度。利用概率密度函数方法中概率等效的特点,发展一种新的滤波压力模型,可以良好封闭亚格子组分-温度关联项。介绍概率密度函数及其耦合求解方法,在已有模型基础上推导建立新的滤波压力模型,并在三维超声速氢气/空气时间发展反应混合层中对不同的滤波压力模型进行数值测试。结果表明,与传统的滤波压力模型相比,新的滤波压力模型可以明显改善反应混合层的模拟准确度。特别地,基于新的滤波压力模型,大涡模拟耦合概率密度函数方法可以较好地模拟链式反应中间微小组分如超氧化氢基等,有望更有效地再现自点火等复杂现象。     

同轴虚阴极的粒子模拟

采用 2 12 维全电磁模相对论PIC粒子模拟程序对同轴虚阴极振荡器进行了数值模拟。通过改变装置的结构参数和电气参数等方法 ,对该类装置取得了一系列规律性的认识。通过模拟还发现 ,对要求的频段 ,通过加入电子收集极的方法 ,可以有效地提高功率和压制倍频现象的发生。     

压力恢复系统引射器工作效率工程估算

在与高能化学激光器配套的引射式压力恢复系统中 ,引射器作为一个关键部件 ,其工作效率对于整套系统有很大影响。本文结合工程实际 ,对引射器工作效率的工程计算方法进行了较为深入的研究 ,提出了合理假设。计算采用守恒方程组 ,考虑了在热力学特性上 ,引射气体和被引射气体有较大差别的实际情况 ,按照工程设计的要求 ,对引射器的工作效率进行了计算。通过对多组参数的计算和分析 ,得出了有关参数对引射器工作效率的影响规律。计算结果表明 :引射气体和被引射气体的速度参数、总压和环境压力的调整对于引射器的工作效率有着较大的影响。     

超声速、高超声速球锥组合体表面压强估算方法及其应用

改进并推广了一种有效的球头单锥组合体在超声速和高超声速流动情况下的表面压力分布算法 ,并利用该算法对若干来流条件下球头双锥组合体表面的压力分布进行了计算。计算结果与数值计算结果以及文献实验数据的比较表明 :本文介绍的方法不失为一种适用范围较宽、准确程度较高的工程算法     

一种六通道高速数据采集系统的设计

提出并实现了一种基于PCI总线六通道高速采集系统的结构。该系统采用微机作为采集主控单元 ,兼容三种体制雷达的采集要求 ,可以实现六通道同时采集和大容量数据的存储 ;为了实现高速和大容量采集 ,系统采用S5 933作为PCI总线接口 ,利用PCI总线的高速传输能力 ,满足主控单元与采集单元的数据传输要求 ;同时利用双口RAM内部切换保证连续采集和连续传输 ;控制电路采用FPGA实现 ,简化了电路板设计 ,提高了灵活性。软件系统在WindowsNT平台上实现 ,保证了整个系统的安全性与稳定性。     

高功率微波对 YBCO 超导材料临界电流密度Jc 的影响

用固相反应法制备了三组123相YBCO超导块材,利用高功率微波对三组样品进行辐照处理,分别测量其临界电流密度Jc,实验结果表明,适当的微波辐照有利于提高超导样品的临界电流密度Jc,一次照射与未照射的样品相比较,Jc提高了近一个数量级.     

ENO格式应用分析

对一类高阶、高分辨率的ENO格式进行了较为详细的讨论。通过一些典型算例的应用和同常用TVD类型格式的比较 ,说明了在计算中采用高阶格式分辨复杂流动结构的优越性。在对格式应用分析的基础上 ,指出了格式应用中需注意的问题。通过定量分析说明 ,高阶ENO格式在计算中 ,不但能够减少网格规模 ,而且能够明显提高计算物理量 ,特别是其导数的计算精度     

双谱特征在水下目标自动识别中的应用

非高斯信号处理是信号处理的一个新领域。以舰船辐射噪声为主的噪声具有很强的非高斯性和非线性性。由此可利用信号双谱,提取舰船辐射噪声信号的非高斯成份。实验结果表明,高阶谱在声纳目标识别方面具有很大的发展潜力     

大流量气体减压器振动问题研究

对大流量气体减压器工作过程中的振动故障进行分析,建立了减压器系统动态数学模型,进行了故障数值仿真,找到了简单有效的提高减压器输出响应稳定性的方法--减小控制腔入口面积,并得到试验验证.仿真结果还表明,大流量气体减压器的振动问题不仅和减压器本身设计参数有关,还和下游管路容积有关.     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。