人体静电极端值的分析研究

本文在讨论人体静电定义的基础上,分析各国报导人体静电极端值差异的原因,经理论分析和实验验证,给出人体静电电位的取值范围:10~(-2)～10~5V,并证明人体静电极端值60kV 是可信的.     

高速磁悬浮列车电磁场的模拟计算

采用有限元法研究了高速磁悬浮列车的悬浮和推进电磁场,重点研究了车辆在不同运行条件下悬浮力和推力的变化规律,并得出了经验公式。分析和计算结果表明,悬浮力和推力的大小与功角有关,并且由于定子齿槽和材料不连续的影响,悬浮力和推力都存在六倍频的波动。     

基于Lyapunov法和势场法的对峙跟踪研究

现有的基于Lyapunov导航向量场算法的对峙跟踪研究中尚未有考虑避障要求的。针对单架无人机对峙跟踪单个移动目标,通过Lyapunov导航向量场法使无人机对目标对峙跟踪。在遇到障碍时,通过距离控制,切换为使用势场法避开障碍区域。在满足一定的距离条件后,通过角度控制,恢复对峙跟踪方式,从而使无人机在对峙跟踪时可以避开障碍区域。仿真结果表明,不管是在单障碍的条件下还是多障碍的条件下,该方法能使无人机有效地避开障碍区域完成跟踪任务。     

新型优化同心筒自力发射流场机理与降温效果

针对同心筒自力发射结构优化与热环境改善的问题,基于雷诺平均方程及轴对称N-S方程,依托弹性变形和网格再生成方法结合的动网格技术,对3种不同结构形式同心筒发射装置的二维轴对称流场进行了非定常数值计算,得到了不同结构条件下动态的流场机理及导弹热环境特性。计算结果显示:导流器方案能实现燃气流迅速顺利排导;筒底收缩段设计能有效遮挡反溅燃气流;筒口导流板结构较好抑制了内筒的"倒吸效应",确保导弹和内筒的热安全;揭示了优化同心筒的流场结构与降温机理,可为相关研究提供参考。     

不同形状喷嘴内流场模拟分析

建立了前混合磨料水射流喷嘴内固液两相流动的数学模型,运用Fluent软件对圆柱型、圆锥收敛型、流线型和圆锥带圆柱段收敛型喷嘴内流场进行了数值模拟,分析了喷嘴形状对喷嘴内流场和磨料颗粒加速性能的影响,并通过切割实验验证了仿真结果的可靠性。结果表明:圆柱型喷嘴能量损耗较大,圆锥收敛型喷嘴对磨料颗粒的加速性能差,流线型喷嘴性能良好但不易加工,只有圆锥带圆柱段收敛型喷嘴是用作前混合式磨料水射流喷嘴的最优选择。     

基于差分进化算法的铁磁物体磁化率优化方法

针对工程中铁磁物体磁化率难以确定的问题,以单元表面积分铁磁物体感应磁场模型为基础,利用磁场测量值建立了多维磁化率数学优化模型,并运用具有全局多维寻优能力的进化差分算法对多维磁化率数学模型进行了求解,进而确定了铁磁物体的感应磁场分布。最后,设计了空心圆筒磁测实验,实验结果表明:该方法能有效获取铁磁物质多维磁化率,还能精确计算铁磁物体的感应磁场分布。     

太阳风作用下航天器表面充电效应分析

针对太阳风等离子体中航天器的充电过程,基于欧洲航天局开发的航天器表面充电仿真软件,建立了航天器的数值计算模型,模拟了太阳风等离子体与航天器的相互作用,实现了不同表面材料时航天器表面电位以及尾迹结构的计算分析,给出了近日环境下航天器周围的空间电位结构以及等离子体密度分布情况。研究结果表明:表面材料的选择将影响空间势垒深度以及尾迹结构,表面充电至更低电位的表面材料具有较小尾迹区域;航天器向阳面电位分布主要由光电子以及二次电子主导,而背阳面的电位分布则主要受到尾迹效应的影响。以上结果对太阳风环境航天器探测和评估等相关工作以及工程研究具有一定的理论参考价值。     

美军“爱国者”导弹武器系统维修保障研究

美国及其他军事强国都将导弹武器系统维修保障作为每年国防投入的重点内容之一,维修保障也已成为国外军工企业拓展军品产业链、保障企业持续获得收入的重要业务之一。“爱国者”导弹武器系统作为美军防空的主战装备,研究维修保障主要做法能够揭示美军导弹武器系统维修保障状况。从“爱国者”导弹武器系统的两级维修体制、陆军延寿计划两大方面分析其维修保障的主要做法及未来发展趋势,对于持续提升我军导弹武器系统维修保障水平具有重要参考价值。     

天然气在土壤中泄漏的稳态温度场分析

埋地高压天然气经小孔泄漏会导致土壤冻结形成冻土,应用一元气体动力学、流体力学和传热学知识建立了天然气小孔泄漏吸热率模型和土壤稳态温度场模型,并进行了实例计算。结果表明：当天然气输送压力小于临界压力,小孔泄漏吸热率随压力的增大而增大;当天然气输送压力大于等于临界压力,小孔泄漏吸热率达到最大值;冻土厚度随土壤热导率或空气对流传热系数的增大而减小,但土壤热导率对其影响较小,空气对流传热系数对其影响较大。     

Neural network modeling to evaluate the dynamic flow stress of high strength armor steels under high strain rate compression

An artificial neural network (ANN) constitutive model is developed for high strength armor steel tempered at 500 °C, 600 °C and 650 °C based on high strain rate data generated from split Hopkinson pressure bar (SHPB) experiments. A new neural network configuration consisting of both training and validation is effectively employed to predict flow stress. Tempering temperature, strain rate and strain are considered as inputs, whereas flow stress is taken as output of the neural network. A comparative study on Johnson–Cook (J–C) model and neural network model is performed. It was observed that the developed neural network model could predict flow stress under various strain rates and tempering temperatures. The experimental stress–strain data obtained from high strain rate compression tests using SHPB, over a range of tempering temperatures (500–650 °C), strains (0.05–0.2) and strain rates (1000–5500/s) are employed to formulate J–C model to predict the high strain rate deformation behavior of high strength armor steels. The J-C model and the back-propagation ANN model were developed to predict the high strain rate deformation behavior of high strength armor steel and their predictability is evaluated in terms of correlation coefficient (R) and average absolute relative error (AARE). R and AARE for the J–C model are found to be 0.7461 and 27.624%, respectively, while R and AARE for the ANN model are 0.9995 and 2.58%, respectively. It was observed that the predictions by ANN model are in consistence with the experimental data for all tempering temperatures.