两级入轨(two stage to orbit,TSTO)飞行器在高超声速来流条件下级间分离,会在两级之间产生复杂的非定常气动干扰,直接增加TSTO级间分离失败风险.级间分离过程中的这种复杂气动干扰伴随着两级之间的激波与边界层干扰、马蹄涡、激波与尾流干扰的综合作用.本文将TSTO助推级和轨道级的复杂模型简化为两个三维楔,采用重叠动网格技术,耦合求解流动控制方程及六自由度刚体动力学方程组对级间分离过程开展模拟分析,探究级间分离流动特性及其物理机制.在数值分析过程中,针对不同抬升角度下的TSTO三维流场进行了静态和动态数值模拟,给出了不同抬升角度下的干扰流场流动规律和特性,结合流场结构和壁面压力分布以及分离流动模式阐明了两级之间这种气动干扰对TSTO气动分离的影响机制,并探讨了轨道级抬升角对TSTO安全分离的影响.结果表明两级间的气动干...

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷(力与力矩)的大小、方向和作用点的装置,测量结果的精准度与天平的静态校准性能直接相关,天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰,并且通常二次干扰和组合干扰会出现非线性特性,采用线性拟合方法会产生一定的误差,使得风洞天平静态校准性能因受到数据处理方法(线性拟合)的局限而较难进一步提高。因此,为了进一步提升应变天平静态校准的性能,本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS,对六分量应变天平开展基于卷积神经网络的静态校准研究,采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时,对人工智能建模...

激波风洞地面试验对高超声速飞行器高焓气动特性研究至关重要,而高精度气动力测量是其中的关键技术.在脉冲型激波风洞中进行测力试验时,风洞起动时流场瞬间建立,对测力系统会产生较大的冲击.测力系统在瞬时冲击作用下受到激励,系统的惯性振动信号在短时间内无法快速衰减,天平的输出信号中会包含惯性振动干扰量,导致脉冲型风洞测力试验精准度的进一步提高遇到瓶颈.为了解决短试验时间内激波风洞快速准确测力问题,发展高精度的动态校准技术是提升受惯性干扰天平性能的关键方法.因此,本文采用循环神经网络对天平动态校准数据进行训练和智能处理,旨在消除输出动态信号中的振动干扰信号.本文对该方法进行了误差分析,验证了该方法的可靠性,并将该方法应用于激波风洞测力试验中,切实有效降低了惯性振动对天平输出信号的干扰影响.根...