液体火箭发动机燃烧室液膜冷却数值研究

对液体火箭发动机燃烧室中的液膜冷却进行了数值模拟．采用有限容积法对燃气和液膜控制方程同时进行求解，对燃气和液膜分别采用标准k-ε模型和修正的Van Driest模型描述其湍流流动．燃气的辐射传热采用热流模型计算，同时对液膜干涸点下游的流动与传热进行了模拟．详细研究了气液界面上质量、动量和热量的传输特性，发现当壁面绝热时，燃气对流传热和液膜蒸发所吸收的汽化潜热在界面热量传递中起主导作用，但燃气的辐射传热和液膜显热不能被忽略．同时，分析了各种因素对液膜长度的影响，计算结果与实验符合良好，对工程实践有指导意义．     

何为“绿色GDP”

绿色GDP，指用以衡量各国扣除自然资产损失后新创造的真实国民财富的总量核算指标。简单地讲，就是从现行统计的GDP中，扣除由于环境污染、自然资源退化、教育低下、人口数量失控、管理不善等因素引起的经济损失成本，从而得出真实的国民财富总量。     

零方程湍流模型在列车车厢内气流数值模拟中的应用

采用k-ε湍流模型对列车车厢内气流进行数值模拟需要消耗大量的计算时间，为此，提出了采用零方程湍流模型对列车车厢内的气流组织进行数值模拟；分别采用零方程湍流模型与k-ε湍流模型对列车车厢内的空气流动及传热进行了数值计算，经分析比较可知，该两种湍流模型的数值计算结果吻合程度较好，采用零方程湍流模型可大大缩短计算时间，利用其简单、快捷的特点，可以为列车空调系统的工程设计提供简便的数值模拟方法。     

旋流燃烧室中NO排放的数值计算

采用数值模拟的方法研究了旋流燃烧室中旋流数对NO排放的影响，其中湍流采用修正的k-ε模型，燃烧采用EBU-Arrhenius模型，NO的生成包括热力NO和瞬发NO，采用设定的PDF模型．计算结果表明，随着入口旋流数的增加，旋流燃烧室中的高温区移向入口，火焰长度缩短，宽度增大；NO排放量先增加，后减小．因此，适当调整燃烧室的旋流数可以降低NO排放。     

离心泵叶轮内部清水湍流的动态大涡模拟

提出旋转坐标下的单相液体湍流的二阶双系数动态亚格子应力大涡模拟模型并加以验证。考虑亚格子应力的对称性和量纲一致性 ,在基于应变率张量和旋转率张量的不可约量及 Smagorinsky模型和亥姆霍兹定理的基础上 ,提出亚格子应力应表示为可解的应变率张量和旋转率张量的函数。在贴体坐标系下 ,利用交错网格系统和有限体积法离散湍流控制方程 ,采用 SIMPL EC方法求解方程。水泵叶轮中湍流的流速分布规律和压力分布等计算结果都与试验结果基本吻合 ,从而证明了此模型的可行性 ,以及计算方法和程序的可靠性     

一种改进的旋转湍流亚格子尺度模型及其应用

基于数学物理分析, 发展了一种新型的满足旋转湍流建模规则(即模型的渐近物性坐标不变性条件)的动力学亚格子尺度应力模型, 并针对展向旋转槽道湍流问题, 计算验证了该模型的正确性. 文中采用大涡模拟方法和该动力学亚格子尺度模型, 进一步研究了展向旋转槽道湍流的统计量和大涡Reynolds应力输运方程主要项的变化特性, 分析了旋转槽道近壁区的湍流拟序结构.     

对流边界层顶部夹卷速度参数化的分析研究

应用 1979年 7月美国CIRCE试验边界层观测资料对两个夹卷速度参数化方案进行了对比验证 ,结果表明 :基于简单夹卷层结构模型的参数化方案we/w =A·Ri- 1 只适用于自由对流边界层 ,当对流边界层中存在较强机械湍流时 ,该方案变得不再适用 ;而基于“侵吞模型”的参数化方案we/w =B·θ /(Γzi)则不仅适用于自由对流边界层 ,对于含有较强机械湍流的对流边界层也能较好地符合 ,因而具有较强的适用性 .当对流边界层受机械湍流和浮力湍流共同驱动时 ,仅以浮力对流速度w 表征混合层垂直湍流速度尺度是不恰当的 ,还应该包含机械湍流的贡献 .对比验证表明 ,这一改进非常有效 ,不仅使物理意义更加合理 ,也使夹卷速度参数化方案与实际大气状况符合得更好     

采用高级调制格式相干接收的FSO系统性能研究

基于描述FSO系统接收端光强分布的Gamma-Gamma信道模型,研究大气湍流强度和信号传输距离对高级调制格式-相干接收系统的影响。在分析Gamma-Gamma信道下,采用MPSK(M=2,4,8)和MQAM(M=8,16,32)调制-相干接收FSO系统的误符率与湍流强度、传输距离之间的关系,利用特殊函数代换推导其闭合表达式。根据计算结果,仿真研究M值、湍流强度和传输距离等因素对误符率的影响。     

机器学习在湍流燃烧及发动机中的应用与展望

随着燃烧科学的发展，数值仿真与实验测量产生了大量数据，这些数据隐含许多有效的物理信息。传统研究方法对此类信息主要利用基于物理规则的模型去处理，但随着数据量的增加，基于数据驱动的方法开始受到重视。机器学习(machine learning, ML)技术由于在数据分析和处理方面取得了巨大成功，为处理燃烧领域的大量数据提供了一种新的范式。该文简要介绍了ML在湍流燃烧中的应用，主要包括化学反应、燃烧建模、发动机性能预测与优化、燃烧不稳定性预测与控制等4个方面，讨论了机器学习在燃烧研究中面临的挑战，并对未来应用进行了展望。