北京空间飞行器总体设计部张龙等认为随着人类航天活动范围的不断扩大,复杂航天任务对于结构轻量化技术提出了更高的要求。在传统的结构形式基础上,单纯通过应用高性能材料等手段已经无法满足后续航天任务对于航天器载荷支撑结构轻量化的要求。提出一种封闭蒙皮包裹三维点阵层级结构的设备支撑结构形式,建立设备支撑结构的拓扑优化设计模型,并对优化后的结构进行封闭蒙皮包裹三维点阵化设计。运用激光选区熔化方法制备了支撑结构实物,并进行了振动力学试验验证,试验结果表明设备支撑结构比采用传统设计及制造方法的结构减重46.4%,实物已应用于某型号卫星载荷支撑任务。提出的封闭蒙皮包裹三维点阵的结构形式可以有效提高支架类结构的设计效率,在航天器结构轻量化方面具有推广应用前景。
5
北京科技大学新材料技术研究院李祺祺等针对梯度功能材料是由两种或多种材料复合且成分呈连续梯度变化的一种新型复合材料,在当今飞速发展的工程领域受到了广泛的关注。但传统的梯度功能材料制备技术无法满足航空、医疗、军事等工业领域的需要。而增材制造作为一种新兴技术,提供了一种全新的思路来解决梯度功能材料的制备问题。系统总结了增材制造制备梯度功能合金的主要方法,讨论了利用激光熔覆与选区激光熔化技术制备钛基、铁基及金属-陶瓷等梯度合金的研究现状及在相应领域的重要应用,并结合现有工作论述利用选区激光熔化制备连续梯度功能合金的原理与研究进展,最后阐述了利用增材制造技术制备梯度功能合金的挑战和机遇,并展望了本领域的未来发展方向。
4
西南交通大学力学与工程学院王姝予等指出CrMnFeCoNi高熵合金的优异力学性能使其具有广阔的工程应用前景。材料力学行为的本构描述对其工程服役行为的安全评估至关重要,但是描述CrMnFeCoNi高熵合金拉伸断裂行为的本构模型少见报道。基于晶体塑性本构模型,利用Cohesive单元在多晶代表性体积单元内部植入含损伤破坏机制的晶界,模拟了CrMnFeCoNi高熵合金在单轴拉伸下的晶间断裂过程。模拟结果与试验所得的应力-应变曲线吻合较好,且能准确描述断裂发生时的应力下降过程,说明采用晶体塑性本构模型与Cohesive本构模型可以有效描述材料的宏观响应行为和断裂失效行为。进一步分析表明:裂纹从应力集中处开始萌生;随着应变的持续增加,裂纹沿着晶界扩展,最终造成断裂;晶粒随机取向对裂纹萌生位置与扩展路径有显著影响,但对宏观拉伸应力-应变曲线几乎没有影响。
探花
西南交通大学牵引动力国家重点实验室吴圣川等认为金属增材制造过程中不可避免地会产生气孔和未熔合缺陷。尽管采取参数优化和后热处理能够在一定程度上降低缺陷水平,但至今尚无有效方法予以完全消除。这些缺陷作为典型的应力集中源,会诱导疲劳裂纹形核,从而大幅降低材料的疲劳强度和寿命,被视为增材构件可靠性服役的"顽疾"。从静态缺陷表征、动态缺陷演化、缺陷分级、缺陷-疲劳强度设计方法以及缺陷-疲劳寿命评估技术等五个方面论述增材制造缺陷与疲劳行为的研究进展。重点介绍借助X射线成像技术开展缺陷特征及演化的三维、无损、可视化表征与定量统计方法;进一步地,论述基于同步辐射光源的原位力学和疲劳测试系统及表征方法及其在原位、无损、实时、动态追踪缺陷或者裂纹演化机制方面中的应用;增材缺陷具有全域分布、形态多样、尺寸跨度大等特征,总结六种缺陷等级判断方法;在缺陷容限和损伤容限框架内,建立基于材料表面/亚表面/内部缺陷特征的疲劳强度和寿命评价方法。最后,指出借助数据驱动的高通量试验平台和机器学习算法、多尺度多物理场数值模拟是实现增材制造材料工艺设计-缺陷表征-性能评价一体化研究的重要研究课题。
榜眼
西安交通大学航空发动机研究所付洋等为解决航空发动机涡轮盘剩余寿命在线预测难题,提出一种数字孪生驱动的涡轮盘剩余寿命预测方法。在建立数字孪生模型的过程中,首先,分析涡轮盘疲劳裂纹损伤机理,构建性能退化指标,建立涡轮盘性能退化过程的共性表征模型;其次,分析多种不确定性因素,采用状态空间模型建立涡轮盘性能退化过程的个性表征模型;然后,通过动态贝叶斯网络描述状态空间模型随时间的演化规律,建立涡轮盘性能退化过程的动态演化模型;最后,采用粒子滤波算法实现涡轮盘退化状态追踪和剩余寿命预测,从而完成涡轮盘性能退化数字孪生模型的建立。融合涡轮盘实时传感数据,通过贝叶斯推理实现对该数字孪生模型的动态更新。通过某型涡轮盘试验数据对该方法进行验证,结果表明该数字孪生模型能够较好地解决涡轮盘剩余寿命在线预测问题。
状元
重庆大学汽车工程学院唐小林等以研究智能混合动力汽车控制技术与深度强化学习算法为目标,首先,在两辆混合动力汽车的跟驰环境中,针对领航车提出一种基于深度值网络算法的能量管理策略,实现深度强化学习对发动机与机械式无级变速器的多目标协同控制;其次,针对跟随车建立基于深度强化学习的分层控制模型,实现面向智能混合动力汽车的上层跟车控制与下层能量管理;最后,仿真验证分层控制模型的有效性。结果表明,基于深度强化学习的跟车控制策略具有理想的跟踪性能;同时,基于深度强化学习的能量管理策略在领航车与跟随车中均实现了较好的燃油经济性;此外,基于深度强化学习的能量管理策略输出每组控制动作的平均时间为1.66 ms,保证了实时应用的潜力。
对以上文章感兴趣的读者可以在文后点击“阅读原文”下载浏览全文或学报官网浏览。
编辑：金程 校对：张彤
JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。
欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！
寻觅合作伙伴
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
热门推荐