-
Patent Agency Ranking
公开(公告)号：CN108983228A
公开(公告)日：2018-12-11
申请号：CN201810752556.4
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开一种基于深度神经网络的RCS近远场变换方法，一、根据近场测量的雷达回波数据选取神经网络：若雷达回波数据为单频点数据，则选取前馈神经网络；若雷达回波数据为多频点数据，则选取卷积神经网络；二、获取近场RCS数据及相对应的远场RCS数据作为训练样本，近场RCS数据作为神经网络的输入，输出的期望结果与产生的远场RCS数据做比较，通过误差逆传播算法训练神经网络，通过调整神经网络控制参数得到符合误差要求的神经网络；三、实际变换时，将近场测量的RCS数据输入训练好的神经网络，即可得到变换之后的远场RCS数据；本发明减少了传统算法由于实现需采用离散而带来的数值误差，是一种全新角度的RCS近远场变换方法。
-
公开(公告)号：CN118427999B
公开(公告)日：2025-04-29
申请号：CN202410537871.0
申请日：2024-04-30
Applicant: 北京理工大学
Abstract: 本发明涉及一种适用于宽工况范围的高负荷涡轮损失修正模型的构建方法，包括以下步骤：SS1，基于叶型参数，构建叶栅KO模型；SS2，将KO模型的叶型损失和尾缘损失合并成总叶型损失，建立修正模型来预测总叶型损失；SS3，获取KO模型中的攻角因子；SS4，定义偏差系数＝实验值/KO模型预测值,以偏差系数对攻角进行线性回归计算；SS5，计算负攻角的耦合因子；SS6，计算正攻角的耦合因子；SS7，得到总的攻角系数。本发明适用于高负荷宽工况涡轮叶型损失修正模型，可以在宽雷诺数宽攻角的情况下更精确预测涡轮的损失，从而更好的预测涡轮的气动性能，为低维仿真、优化和设计提供重要指导。
-
公开(公告)号：CN118427999A
公开(公告)日：2024-08-02
申请号：CN202410537871.0
申请日：2024-04-30
Applicant: 北京理工大学
Abstract: 本发明涉及一种适用于宽工况范围的高负荷涡轮损失修正模型的构建方法，包括以下步骤：SS1，基于叶型参数，构建叶栅KO模型；SS2，将KO模型的叶型损失和尾缘损失合并成总叶型损失，建立修正模型来预测总叶型损失；SS3，获取KO模型中的攻角因子；SS4，定义偏差系数＝实验值/KO模型预测值,以偏差系数对攻角进行线性回归计算；SS5，计算负攻角的耦合因子；SS6，计算正攻角的耦合因子；SS7，得到总的攻角系数。本发明适用于高负荷宽工况涡轮叶型损失修正模型，可以在宽雷诺数宽攻角的情况下更精确预测涡轮的损失，从而更好的预测涡轮的气动性能，为低维仿真、优化和设计提供重要指导。
-
公开(公告)号：CN119572317A
公开(公告)日：2025-03-07
申请号：CN202411826120.7
申请日：2024-12-12
Applicant: 北京理工大学
Abstract: 本发明公共了一种变循环航空发动机宽适应性变几何涡轮及其流量调节结构，该结构中的涡轮导向器整体设置在涡轮转子的上游位置，具有多个导向器叶片，每个叶片上设置前腔体和后腔体，腔体通过引气接口与压气机末级连接，导入高压气流。吸力面前部气流喷嘴和压力面尾部气流喷嘴用于将气流喷射至主流通道，形成局部流速降低的气动堵塞效应，调节导向器的喉道面积和气流角特性。气流调节装置包括流量调节阀和压力调节阀，控制气流的流量和压力，精确调节气流喷射特性，优化涡轮流量和效率。该发明能够有效提升涡轮流量调节精度、降低机械复杂性、提高涡轮效率和发动机寿命，并适应不同飞行工况下的需求，具有重要的应用价值。
-
公开(公告)号：CN108983228B
公开(公告)日：2022-06-24
申请号：CN201810752556.4
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开一种基于深度神经网络的RCS近远场变换方法，一、根据近场测量的雷达回波数据选取神经网络：若雷达回波数据为单频点数据，则选取前馈神经网络；若雷达回波数据为多频点数据，则选取卷积神经网络；二、获取近场RCS数据及相对应的远场RCS数据作为训练样本，近场RCS数据作为神经网络的输入，输出的期望结果与产生的远场RCS数据做比较，通过误差逆传播算法训练神经网络，通过调整神经网络控制参数得到符合误差要求的神经网络；三、实际变换时，将近场测量的RCS数据输入训练好的神经网络，即可得到变换之后的远场RCS数据；本发明减少了传统算法由于实现需采用离散而带来的数值误差，是一种全新角度的RCS近远场变换方法。
-
-
-
-
Search Results
5
records
(took 0.03 seconds)
