改进的五阶WENO-Z+格式

WENO-ZWENO-Z$+\!$格式的性能提升依赖于新增项的作用,该项的作用是在WENO-Z格式的基础上进一步增大欠光滑子模板上的权重. 系数$\lambda$被设置用来调控该项的作用, 以避免负耗散. 本文指出了WENO-Z$+\!$格式的缺陷,其所采用$\lambda $的取值方式既不能充分发挥格式的潜力, 也未完全消除负耗散;提出$\lambda $的值应随当地流场数据变化,方能充分发挥新增项在降低数值耗散、提高分辨率上的潜力. 基于此,本文重新设计了$\lambda $的计算公式,该公式能自适应地调控新增项的作用: 只在欠光滑子模板上的权重容易过度增大的地方削弱该项的作用,以避免负耗散; 在其他地方则充分发挥新增项的作用,最大限度增大欠光滑子模板上的权重, 提高格式的分辨率.将使用该系数公式的新格式命名为WENO-Z++, 并对其数值性能进行了系统的研究.理论分析表明, 新格式在间断处具有基本无振荡(essentially non-oscillatory,ENO)特性和更低的数值耗散. 对近似色散关系(approximate dispersion relation,ADR)的研究表明,新格式有效地避免了因过度增大欠光滑子模板上的权重而带来的负耗散,其频谱特性也得到了显著提升.本文还推导了使新格式在极值点处也能保持最优阶的精度的参数设置.一系列求解Euler方程的数值试验表明,新格式的激波捕捉能力和对复杂流场结构的分辨率都显著优于原WENO-Z$+\!$格式.}     

一种面向激波噪声计算的加权优化紧致格式及非线性效应分析

在超声速流动中, 激波与湍流结构的相互作用会产生高强度的激波噪声. 激波噪声的高保真计算要求激波捕捉格式具有高阶精度、低耗散和低色散特性, 同时还要尽可能地减弱格式的非线性效应. 现有的六阶精度迎风/对称混合型加权非线性紧致格式CCSSR-HW-6在基于对称模板构造网格中心处的数值通量时引入了两级加权, 且两级加权都需要构造非线性的权系数, 因而非线性效应较强. 本文以修正波数的误差积分函数为优化目标函数, 优化了CCSSR-HW-6格式的非线性特性, 建立了加权优化紧致格式WOCS. 精度验证表明WOCS格式的精度高于5阶. 谱特性分析表明, 与原方法相比, WOCS格式的耗散误差和非线性效应显著降低. 典型激波噪声问题数值实验表明: WOCS格式不仅提高了对高频波的分辨能力, 而且显著地消除了数值解中因格式的非线性效应所导致的非物理振荡.      

基于神经网络方法的包装件非线性特性识别的研究

结合模糊集合理论，将结构化神经网络方法用于包装件缓冲垫层非线性特性识别问题．对于两种典型的包装件缓冲垫层材料模型的模拟识别结果表明，据此方法可以较好地获得其非线性特性．模糊自适应技术的引入，提高了网络训练速度，减少了对于训练参数的人为干预，使得结构化神经网络方法更适于实际应用．     

基于动态神经网络非线性结构辨识的研究

利用Ｅｌｍａｎ动态递归神经网络,对非线性结构进行黑箱辨识,建立了它的非线性状态方程;提出了加快网络收敛速度的自适应学习算法。辨识结果表明,动态递归网络模型优于传统辨识模型,适于非线性、不确定结构的辨识。     

尺度无关高阶WCNS格式

高速流场的数值模拟中, 既要保证对小尺度结构的高保真分辨, 又要实现对激波稳定、无振荡地捕捉.当前工程中广泛应用的高精度数值格式虽然都能一定程度地满足上述两种要求, 但仍与理想目标存在较大差距.例如, 模拟雷诺应力模型等小尺度问题时, 高精度格式在间断解附近易产生数值振荡.基于高精度格式所存在的上述问题, 本文引入去尺度函数, 探索了一种更加简单稳定的非线性权重构造方法, 并将其应用于7阶精度加权紧致非线性格式WCNS, 提出了一种尺度无关的7阶WCNS格式.该格式的性能与灵敏度参数和尺度因子的选择无关, 并且在小尺度下仍可以有效捕捉流场激波.同时, 该格式在间断处具有基本无振荡性质, 且在任意尺度函数下保持尺度无关, 并且在极值点处也能保持最优精度.本文还推导了7阶D权函数的形式.最后, 在一维线性对流方程中验证了新格式在流场光滑区能够达到设计精度, 并通过一系列数值实验证明了尺度无关的7阶WCNS格式在激波捕捉能力上具有良好表现, 为WCNS格式改进和解决可压缩湍流等非线性问题提供了一种新途径.      

求解浅水波方程的并行物理信息神经网络算法

双曲守恒律方程是一类比较特殊的偏微分方程,其数值求解方法的研究一直是一个热点问题,一个显著特性是即使初始条件是光滑的,其解也可能会发展成间断。浅水波方程作为非线性双曲守恒律方程,由于间断解的存在,其精确求解存在很大困难。针对浅水波方程数值求解问题,本文基于PINN(Physics informed neural networks)反问题网络结构构造新的网络,构造的网络结构包括两个并行的神经网络,其中一个网络与已知状态数据(熵稳定格式加密求出)相关,另一个网络与方程本身相关。利用已知速度数据结合浅水波方程本身求解未知水深,最终通过一些数值算例验证网络的可行性。结果表明,新的网络结构可用于浅水波方程求解,利用速度数据可以较为精确地推算出水深。     

神经网络在非线性随机分析中的应用

用改进的ＢＰ算法结合改进的点估计法来进行结构非线性随机分析的概率特性计算。在加权残值法计算的基础上，进行了两端刚固的闭合圆柱壳失稳的可靠性计算，表明了该方法的有效性。     

基于物理信息神经网络的薄壁结构屈曲分析

基于物理信息神经网络(PINN)建立了一种求解薄壁结构屈曲非线性控制方程组的方法.薄壁结构的非线性控制方程可由挠度和应力函数表示成复杂的4阶非线性偏微分方程组,使用物理信息神经网络(PINN)解法可以克服传统数值方法对求解域网格的依赖性.文中建立的神经网络模型根据基于加权的均方误差的损失函数更新网络参数,并用弧长法迭代的思想进行外层迭代控制以应对屈曲问题的迭代特性.将弧长法,硬边界条件,基于预训练的权重调整策略,以及自适应激活函数策略融合进网络优化的过程中使得PINN能够更为高效地求解线性与非线性屈曲问题.文章对两种典型的薄壁结构进行了屈曲模态和带有缺陷的非线性后屈曲问题求解,并将神经网络获得的解和有限元结果进行了对比.结果分析表明,物理信息神经网络方法能够在不需要标签数据的前提下对薄壁结构的屈曲问题进行有效分析,并且给予的额外标签数据能够提高此方法的求解效率.该方法虽较成熟的有限元解法收敛速度较慢,但不需要对求解域进行人为的前处理,有一定工程应用可行性.     

基于改进径向基神经网络的MEMS惯导系统误差抑制方法

由微机电惯性导航系统和全球定位系统构成的组合导航系统在卫导信号失锁的情况下,纯惯导定位误差将迅速发散。为了抑制惯导系统误差发散,提出了改进的径向基神经网络与自适应卡尔曼滤波算法,并提出了新的网络训练模型,采用自适应量子粒子群算法改进径向基神经网络的结构设计与参数。在卫导信号可用时用组合导航数据训练神经网络,当卫导信号失锁时,由改进的径向基神经网络预测自适应卡尔曼滤波的量测,使滤波器继续为系统提供速度与位置修正值。实验结果表明,转弯行驶状态下,卫星失锁15 s时,相比较原算法,水平定位精度提高了62%,有效抑制了惯导误差。     

一种改进的基于小波神经网络的SINS快速初始对准方法

捷联惯性导航系统静基座初始对准的可观测度低,采用卡尔曼滤波等最优滤波方法进行SINS初始对准时,方位失准角收敛慢且存在滤波器实时性较差的问题。对此提出了一种改进的基于小波神经网络的SINS静基座快速初始对准方法。该方法采用一个小波神经网络替代卡尔曼滤波器,利用该小波神经网络估计出两个水平失准角等SINS误差,然后利用两水平失准角快速收敛的估计结果,通过另一个小波神经网络对方位失准角直接进行快速估计。初始对准试验结果表明,该方法在保证对准精度的情况下大幅度地提高了SINS静基座初始对准的速度,同时也大大提高了系统状态估值运算的实时性。     

基于BP神经网络的条纹级数插值方法

数据采集是光测力学数据处理自动化的关键和难点，特别是对条纹稀疏和低级数区．针对上述困难，本文利用ＢＰ神经网络能对函数进行逼近的特征，对条纹插值进行了探讨；经研究改进后的算法，其收敛速度明显提高．作为例子，给出了一幅光弹性等差线条纹图的插值实验，获得了令人满意的结果．     

基于神经网络的隐式显化方法在结构可靠度分析中的应用

针对结构可靠度分析中极限状态方程不能明确表达的情况,结合神经网络技术,提出了隐式极限状态方程转换为显式表达式的方法.该方法利用神经网络的非线性映射能力,构造出显式表达的极限状态方程,从而可以很方便的引入一次二阶矩等其他基本求解方法进行结构可靠度分析.实例数值结果表明,基于神经网络将隐式函数转化为明确表达的极限状态方程是可行的,同时该方法具有较高的精度,为结构可靠度计算提供了新的有效思路和手段.     

基于复数神经网络的粘弹性材料动态模量拟合方法

固体火箭发动机药柱粘弹性材料除具有弹塑性特性,还具有粘滞性,这一特性使得材料变形具有明显的时间效应,本构关系复杂,进行动态力学分析时,动态模量难以有效拟合．本文提出了一种基于(Levenberg-Marquardt, L-M)算法的复数神经网络拟合粘弹性材料动态模量的方法．通过广义Maxwell模型推导得到材料的动态模量表达式,以此构造未定网络参数为复数的神经网络,从而提供了一种输入、输出样本均为复数的神经网络解决方法．将实数L-M训练算法进行改进,衍生到复数领域,提出复数L-M训练算法．通过粘弹性材料实验,将实验数据时温等效转换,获得复数神经网络的训练及测试样本．通过对神经网络进行训练,实现粘弹性材料动态模量的高精度拟合．数值算例表明,与传统神经网络拟合方法相比,所提方法在训练速度和泛化能力方面都有其优越性．     

确定裂纹尖塑性区的神经网络方法

通过构造反向传播神经网络，对裂纹尖端的应力场进行学习，进而实现对裂纹尖端应力场函数的逼近。经过学习的网格具有相当的联想、记忆能力和一定的稳定性，并且可以快速、准确地计算实际情况中带裂纹构件的裂纹尖端应力场，确定裂纹尖端的塑性区。便于分析带裂纹构件裂纹的扩展。     

基于神经网络的界面裂纹尖端场分析

通过构造反向传播神经网络,对裂纹尖端的应力场进行模拟,进而实现对裂纹尖端应力场甬数的逼近。得到的网络具有较高的联想、记忆能力和相当的稳定性,并且可以快速、准确地得到带裂纹构件的裂纹尖端应力场,从而确定裂纹尖端的塑性区和分析裂纹的扩展。数值计算给出了LY12-CZ材料裂纹扩展方向的计算结果,与实验结果吻合较好,还给出了两相材料含界面裂纹在复合型载荷作用下的塑性区形状的变化情况,并对两相材料含界面裂纹在复合型载荷作用下裂纹的扩展方向进行了预测。     

基于神经网络的组合导航系统状态估计

在干扰大的外界环境中,传统滤波法对组合导航系统进行状态估计的精度难以满足要求,为此提出了引入Elman神经网络。描述了它的状态估计的设计方法,对如何获取训练样本及网络的训练算法给予了详细的介绍,并把优化后的算法与原有方法进行仿真对比。最后以INS/GPS组合导航系统为例,分别用传统滤波法与Elman神经网络法进行状态估计。仿真结果证明了该法的有效性和实用性。     

基于神经网络和遗传算法的光塑性图像处理

本文论述了神经网络、遗传算法结合起来在光塑性图像处理中的应用 ,以楔横轧工序的光塑性图像处理为例 ,三次投射时光塑性图像中各点都有对应的等差线条纹级数和等倾线角度 ,首先利用神经网络建立起图像参数与等效应变之间关系的数学模型 ,然后用遗传算法对图像参数进行优化 ,优化结果与实际情况吻合良好。由此证明神经网络、遗传算法完全可以较好地优化光塑性图像参数 ,并应用于光塑性图像处理领域     

基于模糊神经网络的惯性导航系统预热控制

针对惯性导航系统预热中存在的非线性问题,采用了基于模糊神经网络的控制系统。讨论了模糊系统与神经网络的优缺点,给出了适于非线性时滞、基于BP网络的控制方案,并通过仿真说明方案的可行性。     

GPS误差模型参数估计的Hopfield神经网络方法

本文首先建立了ＧＰＳ误差模型。然后，利用Ｈｏｐｆｉｅｌｄ神经网络（ＨＮＮ）方法对误差模型参数进行了估计，并给出了其硬件实现方法。将估计结果与传统的最小二乘（ＬＳ）估计进行比较，证明了神经网络方法的有效性。     

基于视觉测量与神经网络的工业机器人位姿补偿

为提高六轴工业机器人的绝对定位精度,本文提出了一种利用视觉测量数据通过ELM(Extreme Learning Machine)神经网络实现机器人位姿补偿的新方法．利用固定在机器人末端的手眼相机获取机器人的末端位姿,并借助ELM实现机器人末端执行器从目标位姿到预测指令位姿之间映射,用修正转角代替原转角使机器人末端执行器运行至修正位姿,实现补偿．特别的是,对于使用的ELM,以网络预测均方误差为指标定量选取了网络的最佳参数．相比之前的方法,本文提出的算法具有能够同时高精度补偿姿态角及位置误差的显著优点．为验证该位姿误差补偿方法的有效性,本文进行了实验验证．结果表明,相比较于未补偿前的机器人末端位姿误差,经该方法补偿后的位姿误差被稳定控制在较低水平,平均位置误差降低89.1 %;平均姿态角误差降低96.8 %．除此以外,位置误差与姿态角误差的标准差也分别降低了85.66 %和93.24 %．