随着航天飞行器面临的力学环境愈发严酷,热与振动环境已成为造成结构损伤和破坏、产品功能下降或失效的关键因素。建立了一种考虑三轴振动与热复合环境的虚拟试验方法,以简化的筒形舱段为对象,分别建立石英灯阵高温加热仿真模型与三轴...随着航天飞行器面临的力学环境愈发严酷,热与振动环境已成为造成结构损伤和破坏、产品功能下降或失效的关键因素。建立了一种考虑三轴振动与热复合环境的虚拟试验方法,以简化的筒形舱段为对象,分别建立石英灯阵高温加热仿真模型与三轴振动仿真模型,并通过实际试验数据得到振动台-夹具传递函数,将三者结合以建立三轴虚拟热振仿真模型。分别通过舱段结构单轴热振试验与三轴热振试验来验证所建模型的准确性,并基于验证后的模型获取三轴振动下结构中央测点随温度时变的传递函数变化情况。由舱段模态试验验证舱段有限元模型的准确性,对比前6阶模态频率误差不超过5%。在单轴热振试验中,仿真模型各测点响应均方根值(root mean square,RMS)与试验加速度响应RMS的误差不超过15%;在三轴向热振试验中RMS误差不超过20%,验证了所建虚拟热振模型的有效性。展开更多
固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,...固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,对不同级配的HTPB推进剂进行拉伸试验,得到不同温度下抗拉强度和伸长率;其次,以拉伸试验结果为样本进行机器学习,分别构建了反向传播(Back Propagation,BP)神经网络、粒子群算法优化的反向传播(Particle Swarm Optimization Back Propagation,PSOBP)神经网络和遗传算法优化的反向传播(Genetic Algorithms Back Propagation,GABP)神经网络对推进剂的力学性能进行预测。结果表明,力学性能与颗粒级配的内在关系较为复杂,并非简单的线性关系。PSOBP和GABP可以用于预测不同级配下HTPB推进剂力学性能,并且GABP神经网络可以更好地预测推进剂的力学性能变化。展开更多
文摘随着航天飞行器面临的力学环境愈发严酷,热与振动环境已成为造成结构损伤和破坏、产品功能下降或失效的关键因素。建立了一种考虑三轴振动与热复合环境的虚拟试验方法,以简化的筒形舱段为对象,分别建立石英灯阵高温加热仿真模型与三轴振动仿真模型,并通过实际试验数据得到振动台-夹具传递函数,将三者结合以建立三轴虚拟热振仿真模型。分别通过舱段结构单轴热振试验与三轴热振试验来验证所建模型的准确性,并基于验证后的模型获取三轴振动下结构中央测点随温度时变的传递函数变化情况。由舱段模态试验验证舱段有限元模型的准确性,对比前6阶模态频率误差不超过5%。在单轴热振试验中,仿真模型各测点响应均方根值(root mean square,RMS)与试验加速度响应RMS的误差不超过15%;在三轴向热振试验中RMS误差不超过20%,验证了所建虚拟热振模型的有效性。
文摘固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,对不同级配的HTPB推进剂进行拉伸试验,得到不同温度下抗拉强度和伸长率;其次,以拉伸试验结果为样本进行机器学习,分别构建了反向传播(Back Propagation,BP)神经网络、粒子群算法优化的反向传播(Particle Swarm Optimization Back Propagation,PSOBP)神经网络和遗传算法优化的反向传播(Genetic Algorithms Back Propagation,GABP)神经网络对推进剂的力学性能进行预测。结果表明,力学性能与颗粒级配的内在关系较为复杂,并非简单的线性关系。PSOBP和GABP可以用于预测不同级配下HTPB推进剂力学性能,并且GABP神经网络可以更好地预测推进剂的力学性能变化。
