DARPA2潜艇模型定常流动 黏性流场和水动力计算

为了进一步验证SA湍流模式模拟分离流动问题的能力,采用SA(C_υ=30)湍流模型,数值求解定常不可压缩的RANS方程,计算DARPA2潜艇模型定常流动黏性流场和水动力;速度-压力耦合采用SIMPLE方法处理,对流项采用二阶迎风格式,隐式迭代求解方程组。得到的数值计算结果与实验值符合较好。潜艇不同部分对水动力的贡献及受攻角的影响是不同的,升力系数随攻角的增加,艉附体的作用明显增强,而指挥台的作用不是很明显;指挥台和艉附体分别存在时,水动力系数随攻角变化的趋势与全附体时是一致的,曲线不存在奇异性变化。     

进口热斑在气冷涡轮动叶流道内迁移特性分析

为了解涡轮进口热斑的运动特性对涡轮叶片热负荷分布的影响,对存在进口热斑时高压气冷涡轮动叶流道内冷热流的非定常运动特性进行了研究,揭示了热斑在气膜冷却流、叶顶间隙泄漏流以及动静叶栅运动干涉等因素综合作用下对气冷涡轮叶片热负荷的影响。研究发现:冷热流在高压动叶入口处被高压动叶截断而交替流入流道,热流对动叶的影响主要集中在动叶前缘以及压力面附近,对动叶前缘造成直接的热冲击振荡;在周向气流角的作用下,在高压动叶栅流道内,低温流体逐渐向吸力面流动,而高温流体主要向压力面流动;气冷涡轮在浮力以及间隙泄漏流的作用下,改变了流道内部二次流分布,使得迁移到动叶压力面上的高温流体向叶根迁移,吸力面低温流体向叶片中间截面聚集。所得结论可对涡轮冷却设计提供理论参考。     

金属靶体材料动力硬度测试及动态阻力分析

以高速侵彻下45钢靶体侵彻阻力为研究对象,开展了弹体高速侵彻45钢靶体试验,获取了典型弹体对45钢靶体的成坑参数。基于高速侵彻阻力模型对靶体侵彻阻力及影响因素进行分析。结合流体动力学侵彻模型对不同弹体材料侵彻45钢靶体侵彻深度规律进行研究。研究结果表明:随着撞击速度的增大,45钢的靶体阻力从5. 13 GPa减小到3. 7 GPa;基于材料动力硬度测试方法的靶体动态阻力测试结果和理论计算结果吻合较好;随着靶体动态屈服强度的增大,靶体阻力呈线性增大的趋势;侵彻深度及靶体动态阻力理论计算结果和试验数据吻合较好,说明所提动态阻力确定方法可行,可为高速侵彻动力学研究提供参考。     

高铁大风预警模式挖掘

高铁大风预警的传统方法基于风速预测,当瞬时值高于限速阈值时触发报警,存在大量的误报警,不必要的限速控制影响了高铁行车效率。创新地提出了基于序列模式的预警方法,旨在挖掘报警事件前序数据中的频繁模式,找出报警事件的变化规律,通过滤除与非预警序列共有的频繁模式,得到预警序列独有的序列特征,构建了预警模式库。经兰新高铁沿线的监测数据验证,该方法在提高预测准确率的基础上降低了漏报率,同时有效地减少了模式匹配所需的时间,为提前预警预留充分的时间窗口,更加符合实际应用的需求。     

二维可压缩流动抽吸流量模型及验证

根据超声速与亚声速流动的特征,依据Prandtl-Meyer膨胀波理论,根据背压与来流静压确定膨胀波后的马赫数,获得了质量抽吸流率,并导出了壅塞发生的条件,建立了二维超声速抽吸模型;根据冲量定理,假定气体从主流区域到抽吸腔流态的变化是由于压差的冲量作用,建立了亚声速抽吸模型,并且进一步阐述了亚声速抽吸壅塞发生的机制。计算流体力学验证表明亚声速抽吸冲量模型的偏差较大,因此通过数值拟合模型来描述亚声速抽吸流动。该研究为三维抽吸研究提供了参考。     

顾及地磁影响的GNSS电离层层析不等像素间距算法

突破传统全球导航卫星系统(Global Navigation Satellite System, GNSS)层析反演研究忽略地球磁场对电离层变化活动的影响,同时顾及不同电离层高度电子密度变化较大的影响,提出在地磁坐标系下建立电离层高度方向上不等像素间距的GNSS层析反演方法。在此基础上,通过建立新的电离层层析迭代松弛因子,提高GNSS电离层电子密度层析反演结果精度。利用IRI—2007电离层模型、GNSS实测数据与电离层测高仪数据,从模拟验证和实测数据对比两方面,反演统计了不同层析算法估算的峰值电离层电子密度误差、电子密度剖面结果平均绝对百分比误差及均方根误差,验证了顾及地磁影响的GNSS电离层层析不等像素间距算法的有效性。     

利用最小二乘支持向量机求解潜艇内外磁场映射模型

为提高潜艇磁隐身能力,应对潜艇固定磁场进行实时监测,提出利用最小二乘支持向量机的潜艇内外磁场映射方法。结合内外映射法和最小二乘支持向量机原理,通过交叉验证优化模型参数,建立由内到外的潜艇磁场映射模型。以潜艇外部垂向固定磁场变化量为分析对象,仿真和实验结果均与标准值吻合良好。与径向基神经网络算法相比,该方法的泛化能力和推算精度有明显提高,且更符合工程实际,对闭环消磁技术的研究具有指导意义。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。