改进的非负声强和有用声强识别表面声辐射*

识别结构表面对远场声辐射有实质贡献的区域,对控制远场声辐射有重要意义。该文以非负声强法为基础得到改进的声强计算方法,这种方法比非负声强法计算量小,能更好地识别出表面对远场有贡献的区域。该文对有用声强法从特征值和截断准则的角度进行了一些改进。最后,以四边简支薄板为例,分别采用这三种方法计算几种不同频率下的噪声辐射区域。数值计算结果表明,采用该文提出的方法可以较好地识别出结构表面对远场声辐射有实质贡献的区域,而且计算量相对较小。     

复合局域共振梁结构带隙研究

该文将周期局域共振梁结构中的基体结构由单一材料发展成多相材料,建立了周期复合局域共振梁结构。由共振单元在单胞中的排列位置,考虑了三种构型,并利用传递矩阵方法计算了在弹性基底作用下这些结构产生的局域共振带隙性质。结果表明,与局域共振梁结构相比,复合局域共振梁结构产生的局域共振带隙对应的频率范围更宽,禁带范围内弹性波的衰减峰值和衰减均值更高。除此之外,该文还分析了局域共振结构、单胞尺寸、基体材料和局域共振结构中的阻尼对弹性波在空间中传播和衰减特性的影响,为满足特定的隔声隔振要求的结构设计提供了依据。     

无限深水中具有指数密度变率的周期性永形内波渐进解析解

采用同伦分析方法研究了一系列有限振幅的周期深水驻波问题.水密度在垂直方向的分布可以是变化的,假设为指数连续分布.提出一种新形式的偏微分方程作为辅助方程,获得解的新的表达形式来满足底部的边界条件和无限大的刚性假设.给出了解的表达式中系数的递推关系和周期海洋内波形成的永久驻波的显式表达式.得到垂直方向和水平方向的全局收敛解,揭示了密度变量和内波幅度间的关系.同伦分析方法对求解具有指数密度率周期性的永形波解是一致有效的.     

激光刻痕聚丙烯塑料失效破坏的参数识别

采用等效截面积法建立了激光加工微孔的有限元模型及带激光刻痕聚丙烯塑料板的冲击模型,并 通过参数识别方法确定了材料的失效应变。通过极差分析得出该塑料材料的冲击断裂强度随撕裂线直径的 增大而增大,随冲击速度的增大而减小。这与实验结果一致。     

连续油管井下力学行为模拟实验研究

连续油管作业系统在井下受力复杂,借助相关实验研究可为连续油管实际入井深度、连续油管屈曲、锁死及解除锁死等问题提供解决思路. 根据相关理论计算结果确定了合适的实验系统几何参数. 设计了实验台架,进行了不同规格模拟连续油管和不同弯曲段长度实验. 分析了屈曲、螺旋屈曲锁死、首端屈服等实验现象,提出了螺旋屈曲锁死的条件. 实验结果与理论计算结果吻合较好. 该实验为连续油管井下力学行为分析提供了依据.     

涡旋演化的小波自适应模拟

该文考察了小波自适应方法用于涡旋运动的演化过程．首先,通过两个初边值问题,说明小波方法具有可精度可控和局部结构自动捕捉的能力．然后,计算了涡旋的合并过程,结果表明,小波方法可以准确高效的应用于流动涡旋的演化预测,进而,讨论了小波方法在湍流数值模拟中的应用．     

基于第二粘性用局部微分求积法计算激波

考虑第二粘性效应,采用局部微分求积法数值求解激波问题．首先解释了在激波计算时,有必要考虑第二粘性,然后基于粘性模型,对一维和二维激波进行了数值模拟,还分别考察了剪切粘性力和第二粘性力对数值结果的影响．结果表明,采用粘性模型加上局部微分求积法能够模拟出激波特征,具有客观、简单的优点．     

使用解析方法获得FitzHugh-Nagumo方程新的peakon解

依据对FitzHugh-Nagumo方程的研究,通过微分变化法近似分析出FitzHugh-Nagumo方程,获得了这个方程的尖峰孤立波（peakon soliton）的解,从而获得了更多形式的peakon解,同时也分析了微分变换法（differential transform method, DTM）收敛区域和收敛速度．构建的微分变换法,结合帕德(Padé)逼近,构建一个明确的,完全解析,对FitzHugh-Nagumo方程全部有意义的尖波解．其主要思想是限制边界条件而令导数在孤立波不存在峰值,但导数的孤立波在两侧存在．结果表明,微分变换法在参数很小的情况下可以避免摄动的限制．表明这种方法提供了一种强大而有效地获得FitzHugh-Nagumo方程新的peakon解的数学方法．     

高负荷扩压叶栅非对称附面层抽吸数值研究

本文研究了某大折转角扩压叶栅单侧端壁开孔抽吸附面层对该叶栅气动性能的影响,数值方法经过了实验校核,抽吸位置位于靠近吸力面的端壁处,沿着叶栅的弦长方向共划分了四个抽吸方案,计算域包括下空腔。研究结果表明:在角区分离点处进行端壁附面层抽吸能够明显地改善抽吸侧角区的流动情况,达到推迟分离和降低损失的效果,但对未抽吸侧角区有不利影响,具体表现为分离提前、角区范围增大。     

基于改进Stacking集成学习的高强度钢柱屈曲能力预测

由于屈曲强度的形成机制复杂,影响屈曲强度的因素较多,目前对屈曲强度的认识还不全面。近年来,机器学习已初步应用于预测结构屈曲强度等力学性能,然而基于实验测试的样本数据量小容易造成过拟合,导致其预测精度低。本文提出一种基于改进Stacking算法的GSSA(Grid Search-Stacking Algorithm)模型,并对某型号高强度钢柱屈曲强度进行预测,提升了屈曲强度的预测精度。首先,基于标准Stacking算法通过使用网格搜索算法选择最优基模型组合,并采用留一交叉验证(LOOCV)法训练基模型,实现了GSSA模型的构建,有效解决了小样本集训练带来的预测精度低问题;然后,为了进一步验证GSSA模型的可靠性,本文采用Bland-Altman法对GSSA模型进行一致性评价,结果表明,GSSA模型具有很好的可靠性;最后,采用SHAP模型对GSSA模型预测的屈曲强度进行了可解释性分析,实现了其影响因素评价。