塑性力学
教材:尚福林.塑性力学基础 第2版[M].西安交通大学出版社.2015.pdf
div.row embed{
height: 900px;
}
疲劳力学
教材:杨新华,陈传尧.疲劳与断裂(第二版)[M].华中科技大学出版社.2018.
div.row embed{
height: 900px;
}
流热固耦合强度及疲劳寿命
10.30某型火箭发动机涡轮转子流热固耦合强度及疲劳寿命分析
黄朝晖,袁奇,张弘斌,李浦,王振,黄道琼.某型火箭发动机涡轮转子流热固耦合强度及疲劳寿命分析[J].西安交通大学学报,2022,56(08):73-84.
原文链接:https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2022&filename=XAJT202208008&uniplatform=NZKPT&v=my1nMiUpy50JP8KVPkqv03DhXwcPTBBtda_4NV-W-2djM6lqU-wUc-xF6ZaoHOrz
针对某国产型号液体火箭发动机涡轮泵在试车时转子叶片产生裂纹的问题,采用ANSYS流热固耦合方法,对叶片进行三维有限元仿真计算,提出了叶片顶部加围带的改型设计方案。
计算确定产生裂纹的原因是启动过程中部分进气的气流冲击应力过高,且叶片型底前缘应力集中区域的高周疲劳安全系数过低。针对这个点进行改型优化设计,可以有效降低最大等效应力,提高使用寿命。
双向耦合分析比单向耦 ...
蒙特卡洛方法/灵敏度分析/正态性检验
🖊️蒙特卡洛方法10.26
[1] Laumakis P J, Harlow G. Structural reliability and Monte Carlo simulation[J]. International Journal of Mathematical Education, 2010, May 01(3): 377-387
[2] 王哲君, 强洪夫, 常新龙, 等. 结构可靠性仿真方法研究[J]. 力学与实践, 2014, 36(1):9-22
原文链接:
[1] http://dx.doi.org/10.1080/00207390210125729
[2] DOI: 10.6052/1000-0879-13-117: http://lxsj.cstam.org.cn/CN/Y2014/V36/I1/9
蒙特卡洛 (Monte-Carlo, MC) 法亦称为概率模拟法,有时也称为随机抽样技术或统计试验方法。 它是一种通过随机变量的统计试验、随机模拟来求解数学物理、工程技术问题近似解的数值方法。 也是最直观、精确、对高度非线性问题最有效的结构可靠性分析方法。
基本MC ...
液体火箭发动机结构可靠性仿真及评估方法
[1] 张晟,液体火箭发动机结构可靠性仿真及评估方法[D],北京航空航天大学,2018.
原文链接: 无
总思路
液体火箭发动机在航天运载器中故障多发,其能否可靠工作是航天运载发射任务能否成功的关键。液体火箭发动机的可靠性评估指标可以分为结构可靠性、性能可靠性和贮存可靠性,而结构可靠性的要求是最高的,对其进行评估也是最受重视的。
第二章
考虑强度、寿命、应力等的随机分布来评估结构可靠性是第二章一直贯彻的思想。例如在处理应力强度时,传统安全系数法不考虑结构强度、应力的分散性和随机性,对于图7中三个子图会给出相同的安全系数,但它们实际的可靠性的情况是不尽相同的。
传统方法无法识别这一差异,因此在实际使用中只是一味地采用较高的安全系数来保证高可靠性,这会使结构重量较大造成浪费。换言之,传统方法其实不能准确地回答可靠性到底是多少的问题,而本章的理论解决了这一点。
总的来说,第二章把失效物理模型成功转化成了可靠性模型,为后续可靠性仿真试验研究提供了评估及计算依据。
第三章
第三章是推力室身部再生冷却通道结构可靠性仿真试验。本文选取的研究对象为某型氢氧燃气发生器循环发动机,内壁为锆无氧铜 ...
基于模糊故障树的发动机失效模式分析
侯金丽,基于模糊故障树的可重复使用火箭发动机失效模式分析[D],北京航空航天大学,2012.
原文链接: 无
文章思路
🔺Chapter 1-2
故障树分析法就是在系统设计过程中,通过对可能造成系统故障的各种因素(包括硬件、软件、环境、人为因素等)进行分析,画出逻辑框图(即故障树),从而确定系统故障原因的各种可能组合及其发生概率,以计算系统故障概率,采取相应的纠正措施,提高系统可靠性的一种设计分析方法。
模糊故障树分析(Fuzzy Fault Tree Analysis,简称 FFTA)针对故障树分析法中底事件和顶事件发生概率的不确定性问题,采用模糊概率取代传统可靠性分析中精确的概率值,并根据模糊数学中的扩张原理,将系统中每一个底事件的失效模糊概率用梯形模糊数来描述,模糊数之间的乘积运算采用近似处理,然后在传统重要度的基础上定义一个函数来刻画每一底事件对顶事件发生的贡献,从而确定底事件的模糊重要程度。
故障树的分析步骤:
选择顶事件,理清故障结果和故障原因之间的关系;
明确各个底事件的精确概率,没有精确概率的采用模糊概率;
概率值转化为三角/梯形模糊数;
定性分析得到最小割集; ...
夹芯梁寿命预估模型
Dai X, Ray A. Damage-mitigating control of a reusable rocket engine: part I—Life prediction of the main thrust chamber wall[J]. 1996.
可重复使用火箭发动机的损伤缓和控制:第一部分——主推力室壁的寿命预测(即夹芯梁模型的原文)
原文链接: https://doi.org/10.1115/1.2801159
文章思路
原文共有两部分,主思路是要通过结构材料的热力学行为来预测损伤和分析动力学行为(即Part 1本文的内容),然后利用这种预测方法来研究出一种可以帮助决策和控制的算法来降低火箭发动机的损伤(即Part 2的内容)。
这篇文章就是要利用夹芯梁模型和粘塑性理论来模拟横肋(ligament,即冷却液正下方的一小部分内壁)部分鼓起和变薄的现象,最终达到预测损伤(寿命)的目的。
实现过程
公式推导的过程比较复杂,这里简述过程。首先,夹芯梁模型认为,应变是由弹性应变、塑性应变和热膨胀应变三部分组成的,但在中面(mid-plane)上的总应变是由位移导致的 ...
gpu的安装和使用
本文章基于李沐老师的《动手学深度学习》(pytorch版),在此学习观礼膜拜。
课程主页:https://courses.d2l.ai/zh-v2
教材: https://zh-v2.d2l.ai/
课程论坛讨论:https://discuss.d2l.ai/c/16Pytorch
论坛: https://discuss.pytorch.org/
首先为大家贴上关于gpu使用的课程链接:https://www.bilibili.com/video/BV1z5411c7C1?spm_id_from=333.999.0.0
因为前面李沐的课程安装的时候,使用的是cpu版本的pytorch,所以即使你的电脑有独立GPU的时候,也并不能调用GPU进行计算。我自己看攻略摸索弄了蛮久的,在这里为大家贴上我的安装过程,也是基于李沐课程最快捷的方式。
查询你的GPU版本以及python相关包的版本
查询GPU型号和CUDA版本
zilangch/CSDN:conda换源+查看cuda版本+anaconda一步安装torch和cuda
为GPU安装合理的驱动,可以从官网下载。这里也有攻略:Win10 ...
6/6 线性离散系统的分析
离散系统理论与连续系统理论既有本质的区别,又有极大的相似性。本章的内容就是讨论它们的区别和联系的。本章首先讨论离散信号的数学描述,引入Z变换理论及差分方程,建立线性离散控制系统的数学模型,在此基础上分析离散系统稳定性及计算稳态误差,并分析离散系统的动态性能与数字校正设计。
基本概念
采样和数控技术在自动控制领域中得到了广泛的应用,其主要原因是采样系统,特别是数字控制系统较之相应的连续系统具有如下的特点:
(1)由数字计算机构成的数字校正装置,效果比连续式校正装置好,且由软件实现的控制规律易于改变,控制灵活。
(2)采样信号,特别是数字信号的传递可以有效地抑制噪声,从而提高了系统的抗干扰能力。
(3)允许采用高灵敏度的控制元件,以提高系统的控制精度。
(4)可用一台计算机分时控制若干个系统,提高了设备的利用率,经济性好。
(5)对于具有传输延迟,特别是大延迟的控制系统,可以引入采样的方式稳定。
由于在离散系统中存在脉冲或数字信号,若仍然沿用连续系统中的拉普拉斯变换方法来建立系统各个环节的传递函数,则在运算过程中会出现复变量s的超越函数。为了克服这个障碍,需要采用Z变换法建立离散系统的 ...
动手学深度学习2
本文章基于李沐老师的《动手学深度学习》(pytorch版),在此学习观礼膜拜。
课程主页:https://courses.d2l.ai/zh-v2
教材: https://zh-v2.d2l.ai/
课程论坛讨论:https://discuss.d2l.ai/c/16Pytorch
论坛: https://discuss.pytorch.org/
线性回归
介绍一些基本元素:
训练数据集(Training Dataset)、验证数据集(Validation Dataset)、测试数据集(Test Dataset)。这些数据是我们进行线性回归甚至是深度学习的基础。数据集中的每一行数据称作一个样本(sample),里面帮助预测所用到的数据称为特征(feature)或协变量(convariate),标注好的对应的目标称为标签(label)或目标(target)。
由特征x经过网络训练计算可以得到预测结果y^\hat{y}y^,将其与实际的结果y(标签)相对比,就可以得出运算正确与否。w为权重weight,b为偏置bias。
y^=w1x1+⋯+wdxd+b=w⊤x+b\hat{y} = ...