简介：开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.

简介：针对液滴破碎问题,获得并揭示两相界面演化特征机理.采用数值模拟方法,观察了超声速条件下的液滴气动破碎初期的界面不稳定性.基于数值模拟结果和线性稳定性理论,综合分析表明,Rayleigh-Taylor不稳定性和Kelvin-Helmholtz不稳定性均对源于驻点和外环之间中段附近处的主导扰动产生作用.保持其他流动特性不变,降低K-H不稳定性的影响,对数值模拟进行了专门改进,进一步验证了前述结论.

简介：高超声速(Ma∞=6.0)炮风洞中带超声速(Mac=3.0)喷流光学头罩受到周围绕流影响出现气动光学畸变.利用基于背景纹影(backgroundorientedschlieren,BOS)的波前测试方法测量了光学波前畸变.研究结果表明:瞄视误差(boresighterror,BSE)与喷流压比(pressureratioofjet,PRJ)之间近似呈正相关.在有喷流的情况下,压力匹配时瞄视误差相对比较小,并且喷流压比对气动光学高阶畸变的影响不显著.微型涡流发生器(microvortexgene-rator,MVG)对瞄视误差影响不明显,但是对气动光学高阶畸变的影响较为显著.基于波前互相关结果,施加微型涡流发生器之后,波前结构尺寸从0.2AD减小为0.1AD.结构尺寸的减小较为有效地抑制了气动光学高阶畸变并且提高了波前的稳定性.