摘要：高速共轴刚性旋翼在前飞状态下会产生复杂的非定常涡干扰流动结构及较强的激波,对高速直升机的气动、噪声及振动特性有着重要的影响,这些流动现象的高分辨率捕捉是高速直升机CFD研究中的难点之一。发展了可在大规模并行计算中实现负载均衡的运动嵌套网格系统,提出了能够在人工边界上保持高阶精度的高效嵌套关系辨识及插值方法;在嵌套网格上应用了发展的谱特性自适应优化的五阶非多项式重构WENO格式(WENO-K)和改进的延迟脱体涡模拟(IDDES)方法,从而提高对非定常多尺度流动结构的空间数值分辨率及时间保持能力。针对简单四桨共轴旋翼及X-2验证机的八桨共轴旋翼,进行了非定常涡流场高精度数值模拟,研究了高速共轴刚性旋翼桨尖涡结构的生成、发展、演化过程及涡干扰机制。计算结果表明,高阶格式结合IDDES方法能够显著降低数值耗散并提高多尺度湍流结构的分辨率,捕捉到了桨尖涡的高速发展演化过程及桨-涡干扰现象,并能够分辨出桨叶后缘生成的马蹄状的精细涡面结构,有利于高速共轴旋翼涡流场干扰机制及气动噪声的深入研究。

摘要：现有的图像超分辨率重建方法都较少考虑真实低分辨率图像中包含的噪声信息,因此会影响图像的重建质量.受真实图像去噪算法的启发,本文引入一个噪声分布收集网络来收集低分辨率图像的噪声分布信息,并采用生成对抗网络的模型设计,提高含噪声图像的重建质量.噪声分布信息会分别输入到超分辨率重建网络和判别网络,在重建过程中去除噪声的同时保证有用高频信息的恢复,另外由于判别网络的能力对整个模型的性能有着重要影响,选择使用U-Net网络来获得更好的梯度信息反馈.与经典图像超分辨率重建算法的对比以及消融实验表明,使用噪声收集网络和U-Net判别网络后,本文模型在噪声低分辨率图像重建任务中获得了更好的性能.

摘要：将深度卷积神经网络引入网格质量评价问题有望代替网格工程师完成繁杂的网格质量评价工作,节省计算流体力学数值模拟的人力成本,但现有方法的准确率和效率仍需要提高.因此,本文提出一种基于卷积注意力网络的网格质量评价方法.首先,本文提出在轻量级卷积神经网络模型中嵌入通道注意力的方式以同时提升准确率和效率;其次,设计了一个神经网络模型CANet用于网格质量评价任务;最后,通过Z-Score标准化对数据进行预处理,解决输入数据分布不一致的问题,以进一步提升准确率.实验结果表明,与现有方法相比,CANet可以达到更优的准确率97.06%,并且在效率上也有至少34.9%的提升.