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：基于密度泛函理论结合对称性破损态（DFT-BS）方法,运用不同的密度泛函和基组对反铁磁性EO叠氮铜双核配合物[Cu2（dmpe）2（μ1,1-N3）2（CH3COO）]＋的磁性质进行研究.结果显示,杂化泛函计算的结果与实验数据非常吻合,能够准确描述反铁磁性EO叠氮铜双核配合物的磁性质.磁轨道分析表明,配合物中存在3个磁通道（2个叠氮桥、1个羧酸桥）,磁通道中N原子、O原子与顺磁中心二价铜离子间都存在pd轨道重叠,对体系反铁磁性耦合相互作用都有贡献.从自旋布居分布角度来看,该配合物中顺磁中心间主要是自旋离域作用.配合物中羧酸桥传递强反铁磁性相互作用,使得顺磁中心间磁轨道的重叠增加,体系的反铁磁性相互作用增强.