叶片径向变形的动态概率分析方法

为了有效地进行高压涡轮叶片设计和优化,提高叶尖径向运行间隙设计和控制的合理性,本文考虑了材料属性和边界条件的非线性、载荷的动态性、变量的随机性,在确定性分析的基础上对叶片径向变形进行了动态概率分析.首先,介绍了高效率动态概率分析的极值响应面法(Extremum Response Surface Method,ERSM)及其数学模型;其次,将该方法应用到叶片径向变形的动态概率分析中,得出了各输入输出随机变量的分布特征及影响叶片径向动态变形的主要因素,即燃气温度和转子转速;最后,通过对三种方法进行比较.结果表明:ERSM的计算精度与Monte Carlo法基本保持一致,比传统响应面法稍高;其计算时间为Monte Carlo法的1/66、为传统响应面法的1/3.以此验证了该方法在叶片径向变形动态概率分析方面的可行性和有效性,为叶片径向变形的优化设计和叶尖径向运行间隙设计提供了参考.     

高阶椭圆算子Dirichlet本征值的下界

设Ω是R^m(m≥2）中的一个有界区域,其边界足够光滑,考察2p(p≥1）阶椭圆算子（－1）^p ∑│α│＝│β│＝pa^α(Aαβa^β)在Dirichlet边界条件下的本征值问题,给出了其本征值的一个下界,该下界除与维数m有关外仅依赖于区域Ω的体积。     

柔性机构动态可靠性分析的新方法

为了改善柔性机构动态可靠性分析的效率和精度,基于支持向量机SVM(Support Vector Machine)回归理论,提出了一种柔性机构动态可靠性分析高效率高精度的SVM回归极值法SREM(SVM Regression Extremum Method)。首先,介绍了柔性机构可靠性分析的基本理论;其次,融合蒙特卡洛法MC(Monte Carlo)和SVM回归理论,建立了柔性机构动态响应极值的代理模型,并利用代理模型进行柔性机构可靠性分析。最后,利用SREM法对柔性机构实例进行了可靠性分析,并与MC和人工神经网络ANN(Artificial Neural Networks)的分析结果进行比较。结果显示,在小样本情况下,进行柔性机构动态可靠性分析时,SREM的计算效率和计算精度都比ANN高;SREM的计算效率比MC大大提高,计算精度与MC相当。验证了在柔性机构可靠性分析中SREM的高效率和高精度,并证明了SREM在柔性机构可靠性分析中的可行性和有效行性。     

H~p类核的奇异数和本征值

本文的主要目的是,证明H~p类核K(x,y)的奇异数s_n(K)满足不等式:因此,如果K(x,y)还假定是对称的,那末其本征值λ_n(K)满足不等式:     

H^P类正定核及其本征值

本文首先讨论Hp,类核的一些性质,然后证明,任何一个Hp类正定核的本征值是σ(1/n~(p+1/2)).文末举例,把我们的结果与Ha的结果进行了比较。     

双调和算子本征值的上界

设Ω是 Rn中的有界区域 ,其边界足够光滑 ,λk为双调和算子在自由边界条件下的第 k个本征值 ,利用变分原理及 Fourier变换 ,给出了本征值部分和 ∑kj=1λj的一个上界 ,该上界仅依赖于区域的体积 .     

一类乘积核的本征值分布

本文讨论了一类形如 G( x,y) =m1( x) K( x,y) m2 ( y)的乘积核所诱导的积分算子的本征值的分布问题 ,其中 K ( x,y)∈ CΩ×Ω 是正定的 .当 m1( x) ,m2 ( x)∈ CΩ 并且 m1( x) m2 ( x) 0时 ,我们证明了TG∶ L2 ( Ω)→L2 ( Ω)是迹算子 ,其本征值非负并得到了一个迹公式∑n∈ Nλn( TG) =∫Ωm1( x) K ( x,x) m2 ( x) dx.对于 m1( x) ,m2 ( x)∈ L∞( Ω)的情形 ,我们证明了一个稍弱的结果 .∑n∈ N|λn( TG) | ‖ m1. m2 ‖L∞∫ΩK( x,x) dx.     

高维正定核的本征值

设G为IR_m中的闭单位正方体,定义在G×G上的连续核K(x,y)是对称正定的,K_1(x,y)是它的实部.本文证明,如K_1(x,y)的偏导数是连续的,则K(x,y)的本征值为λ_n(K)=o(n~(-1-1/m);如K_1(x,y)满足α阶Lipschitz条件,则λ_n(K)=O(n~(-1-a/m);如K_1(x,y)的偏导数满足α阶Lip-条件,则λ_n(K)=O(n~(-1-(1+a)/m.文[3,4,5]中有关定理,是上述结果在m=1时的推论.