航行体垂直出水载荷与空泡溃灭机理分析

针对航行体水下垂直发射出水载荷机理问题, 首先开展了典型工况全过程的数值 模拟, 得到了航行 体肩、尾空泡及表面压力的演化过程, 并与试验结果进行了对比验证. 在此基础上揭示了航 行体肩部空泡溃灭的过程和机制, 进而提出了出水溃灭压力的物理模型, 探索了空泡厚度、 水层厚度、声速等重要参数的影响, 讨论了试验溃灭压力相似律等相关问题.     

单空泡与自由液面相互作用规律研究进展

空化与空泡溃灭现象普遍存在于自然界、标识码械和生物医学等领域.空泡与自由面相互作用会产生瞬态强烈耦合,涉及到空泡非球形溃灭、自由面非线性变形及失标识码象,是流体力学领域重要的前沿与基础问题. 本文围绕这一热点,从空泡非球形演化和自由面变形规律角度出发,概标识码纳近年该领域的研究进展与成果. 对于近自由面空泡的非球形演化,基于表征开尔文冲量的无量纲参数,重点关注了体积振荡、射流生成、水锤效应及溃灭标识码生成等关键过程,介绍了关键参数的理论建模方法,获得了空泡溃灭过程中能量分配机制. 针对自由液面变形演化,根据细射流和粗射流生成和发展,归纳了 4 种典型现象及特点:透明水层及水柱生成、不稳定与稳标识码水裙结构. 进一步总结了开尔文冲量理论、界面凹陷奇点概念和泰勒不稳定性等理论模型的建立和应用,讨论了气泡溃灭过程、液面标识码界面稳定性等主要机制. 此外,本文也概述了空泡脉动对球状、圆柱状等非平面液面变形行为的影响,归纳了曲率对于液面变形的影响机制. 最后,针对目前研究状况提出该领域研究中尚未解决的问题,期望对将来的空泡及空泡群与自由液面相互作用深入研究提供借鉴.      

基于组合神经网络的雷诺平均湍流模型 多次修正方法

求解雷诺平均(Reynolds-averaged Navier-Stokes, RANS)方程依然是工程应用中有效且实用的方法, 但对雷诺应力建模的不确定性会导致该方法的预测精度具有很大差异. 随着人工智能的发展, 湍流闭合模型结合机器学习元素的数据驱动方法被认为是提高RANS模型预测性能的有效手段, 然而这种数据驱动方法的稳定性和预测精度仍有待进一步提高. 本文通过构建一个全连接神经网络对RANS方程中的涡黏系数进行预测以实现雷诺应力的隐式求解,该神经网络记作涡黏系数神经网络(eddy viscosity neural network, EVNN). 此外, 也使用张量基神经网络(tensor basis neural network, TBNN)预测未封闭量与解析量之间的高阶涡黏关系, 并利用基张量保证伽利略不变性. 最后, 采用多次修正的策略实现修正模型对流场预测的精度闭环. 上述方法使用大涡模拟(large eddy simulation, LES)方法产生的高保真数据, 以及RANS模拟获得的基线数据对由EVNN和TBNN组合的神经网络进行训练, 然后用训练好的模型预测新的RANS模拟的流场. 通过与高保真LES结果进行对比, 结果表明, 相比于原始RANS模型, 修正模型对后验速度场、下壁面平均压力系数和摩擦力系数的预测精度均有较大提升. 可以发现对雷诺应力线性部分的隐式处理可以增强数值求解的稳定性, 对雷诺应力非线性部分的修正可以提升模型对流场各向异性特征预测的性能, 并且多次修正后的模型表现出更高的预测精度. 因此, 该算法在数据驱动湍流建模和工程应用中具有很大的应用潜力.      

黏性对内空泡诱导柱状液滴界面不稳定性的影响

Rayleigh-Taylor不稳定性存在于爆炸、液滴形成和液体喷雾等工程应用过程中,是流体力学关注的经典问题之一.内空泡振荡诱导液滴界面演化问题是其研究中基本模型之一,空泡振荡作用下液滴界面发生扰动并发展,其特征形态主要表现为破碎、通气和稳定.液体黏性是影响界面不稳定性发展的重要因素,文章通过建立高精度的数值模拟方法,开展液体黏性对内空泡诱导柱状液滴界面不稳定性的影响研究.在数值模拟中,基于开源OpenFOAM框架的多相可压缩求解器直接求解Navier-Stokes方程,采用isoAdvector的几何流体体积法捕捉界面演化特征.结果表明,液体黏性的增加会减缓空泡的收缩,进而减缓液滴界面扰动的发展,该影响下通气工况液滴通气发生时间增加,而稳定工况最大扰动幅值减小.最大扰动幅值的减小直接影响了液滴的特征形态,基于一系列数值模拟结果归纳得到液滴不稳定性相图.在文章讨论的参数范围内,随着黏性增加,小液滴(R_d0 <2 mm)的形态从破碎转变为通气进而变成稳定;中液滴(2 mm d0 <3 mm)的形态从通气转变为稳定,不出现...     

水下发射水动力的多尺度预测网络研究

空泡的演化和水动力特征的预测在航行体发射的设计中有非常重要的意义. 人工智能技术已经成为了参数预测的重要手段.为了能够快速预测航行体水下发射过程的尾部压力的复杂变化, 提出了一种多尺度深度学习网络.该网络模型以一维卷积网络(1DCNN)为基础,构建了一种编码-解码型网络结构,通过不同的采样频率将原始数据分解为光滑部分和脉动部分,进而训练低保真度的大尺度网络和高保真度的小尺度网络.从而实现对不同物理过程的响应和捕捉.首先,通过数值模拟获得了不同发射条件下的尾部压力曲线,并结合空泡的理论机理构建了具有物理性的输入数据集.其次,将数据集进行分解处理,分别训练了两个尺度的深度学习网络. 最终将两组输出数据整合在一起,建立了底部压力预测模型.并通过测试和验证说明本文提出的多尺度网络对于多种常见的发射条件,能够实现航行体受力特征的快速准确的预测,光滑曲线、压力突变、震荡的频率和幅值都和数值模拟的结果吻合.证明本文的方法能够为运动和弹道的预测提供依据.      

超声速流场条件下激光辐照耦合效应数值模拟

激光辐照结构物包含复杂的多物理场耦合问题,其存在流、热、固多种机制的耦合效应。结合计算流体力学(CFD)和有限元方法,对超声速条件下的激光辐照平板问题进行了热流固耦合分析。采用CFD方法得到平板附近流场分布,利用有限元方法计算平板的温度分布,并将二者结合起来实现流体和固体间的数据交互。理论分析确定了流场效应的最主要影响参数为来流马赫数与攻角。对于不同马赫数,激光区域在6 Ma条件下存在温度的谷值,小于等于6 Ma条件下主要体现为冷却效应,而6 Ma以上主要体现为气动加热效应。攻角增大会导致激光区流体质量流量的增加,使冷却效应更加明显。最后综合分析了流场气动加热和冷却两种效应的产生机制。     

改进的物理融合神经网络在瑞利?泰勒不稳定性问题中的应用

基于相场法的物理融合神经网络PF-PINNs被成功用于两相流动的建模, 为两相流动的高精度直接数值模拟提供了全新的技术手段. 相场法作为一种新兴的界面捕捉方法, 其引入确保了界面的质量守恒, 显著提高了相界面的捕捉精度; 但是相场法中高阶导数的存在也降低了神经网络的训练速度. 为了提升计算训练过程的效率, 本文在PF-PINNS框架下, 参考深度混合残差方法MIM, 将化学能作为辅助变量以及神经网络的输出之一, 并修改了物理约束项的形式, 使辅助变量与相分数的关系式由硬约束转为了软约束. 上述两点改进显著降低了自动微分过程中计算图的规模, 节约了求导过程中的计算开销. 同时, 为了评估建立的PF-PINNS在雷诺数较高、计算量较大的场景中的建模能力, 本文将瑞利?泰勒RT不稳定性问题作为验证算例. 与高精度谱元法的定性与定量对比结果表明, 改进PF-PINNs有能力捕捉到两相界面的强非线性演化过程, 且计算精度接近传统算法, 计算结果符合物理规律. 改进前后的对比结果表明, 深度混合残差方法能够显著降低PF-PINNS的训练用时. 本文所述方法是进一步提升神经网络训练速度的重要参考资料, 并为探索高精度智能建模方法提供了全新的见解.      

高速航行体水下发射水动力学研究进展

高速航行体水下发射水动力学研究,是具有重大工程应用背景的前沿基础问题.与之紧密相关的非定常空化流动,特别是空泡稳定性、溃灭等问题,是影响发射载荷及安全性的关键.本文首先简述了这一领域的主要科学问题,归纳了主要控制参数和影响方式;之后针对非定常空化流动问题,综述了已有的实验观测手段及数值模拟方法;总结了空泡发展、稳定性、溃灭及流动控制等重要物理机制、模型及各因素相互作用规律;最后展望了该领域仍存在的主要科学问题与未来发展趋势.     

强激光水下爆炸推进的物理机制

对激光水下聚焦爆炸推进的作用机理开展了实验测量和数值模拟研究. 实验观察到激光水下聚焦爆炸推进分为两个物理过程: (1) 强激光与铝膜相互作用诱导等离子体演化, 产生短脉冲、高幅值的等离子体压力, 并对航行体做功; (2) 激光爆炸产物气泡脉动, 对航行体继续提供推力. 另外, 实验还对不同介质中的激光推进效率以及气泡与约束壁面/自由水面相互作用的物理机制进行了研究. 发现在高阻抗环境介质、气泡受约束脉动以及近自由水面条件下, 激光爆炸推进的效率更高. 在实验的基础上, 建立了激光水下聚焦爆炸推进的物理模型, 发展了相应的耦合数值计算方法. 计算得到的气泡脉动规律及航行体运动规律与实验测量结果一致, 验证了计算的模型和方法, 为强激光水下聚焦爆炸推进机理的研究提供了一种有效的方法.      

翼型多目标气动优化设计方法

将数值优化软件modeFRONTIER同计算流体力学(CFD)软件相结合,对NACA0012翼型的气动性能进行优化.计算采用N-S方程作为主控方程以计算翼型气动性能,分别采用多目标遗传算法(MOGA)和多目标模拟退火算法(MOSA)作为翼型的气动性能优化算法.计算结果表明,优化后的翼型相对于优化前的翼型的气动性能有很大提高(升阻比增幅可达182%).