期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
p+Si/Au热电堆式气体流量传感器一维模型及其应用 被引量:2
1
作者 王珊珊 王家畴 李昕欣 《传感技术学报》 CAS CSCD 北大核心 2020年第2期161-166,共6页
为了优化热电堆式气体流量传感器的结构参数使其灵敏度达到最佳,建立了一个一维数学模型,此模型能够快速反映当器件关键尺寸变化时传感器输出电压的变化,有限元仿真软件结果证实了此一维模型的有效性。并利用此模型对一系列器件关键参... 为了优化热电堆式气体流量传感器的结构参数使其灵敏度达到最佳,建立了一个一维数学模型,此模型能够快速反映当器件关键尺寸变化时传感器输出电压的变化,有限元仿真软件结果证实了此一维模型的有效性。并利用此模型对一系列器件关键参数进行仿真分析,结合工艺参数得到了一个最优化的器件尺寸。根据这一尺寸制造了一个p+Si/Au热电堆式气体流量传感器以进一步验证一维模型。测试得到的传感器归一化灵敏度为481 [mV/(m/s)]/W。此参数比之前的工作高出数倍。此外,测试所得的输出电压曲线与一维模型仿真的曲线一致性也较好,进一步证明了这一一维模型的正确性。 展开更多
关键词 热电堆式气体流量传感器 1-d数学模型 单面硅微机械加工 p+Si/Au 热电堆
下载PDF
旋转盘腔瞬态响应特性的研究 被引量:8
2
作者 张美华 刘振侠 +1 位作者 胡剑平 张婷婷 《推进技术》 EI CAS CSCD 北大核心 2014年第8期1056-1062,共7页
为保证发动机在飞行包线内正常运转,需研究旋转盘腔的瞬态响应特性。采用1-D模型方法和计算流体力学(CFD方法对旋转盘腔进口压力突升的情况进行非稳态数值计算,所得结果与文献中的结果进行对比,提出1-D模型方法的一些缺点,并证明了CFD... 为保证发动机在飞行包线内正常运转,需研究旋转盘腔的瞬态响应特性。采用1-D模型方法和计算流体力学(CFD方法对旋转盘腔进口压力突升的情况进行非稳态数值计算,所得结果与文献中的结果进行对比,提出1-D模型方法的一些缺点,并证明了CFD计算的正确性。然后用CFD方法并通过用户自定义函数(UDF编程研究了进口压力渐增、正弦变化以及盘腔尺寸对旋转盘腔流动瞬态响应特性的影响。结果表明:1-D模型的计算结果不能显示出CFD模型计算结果的一个高阶震荡;进口压力以不同方式变化,瞬态响应存在不同程度的滞后;进口压力突增和进口压力渐增响应的特征时间比进口压力正弦变化的特征时间分别增加56.0%和106.4%盘腔宽径比由0.2变化到0.39时,腔内均压变高,出口质量流量变低,特征响应时间缩短至40%当宽径比由0.2变化到0.58时,特征响应时间缩短至25%。 展开更多
关键词 旋转盘腔 瞬态响应 1-d模型 计算流体力学 用户自定义函数
下载PDF
带旋转孔容腔瞬态演化与建模方法研究 被引量:3
3
作者 丁水汀 蒲俊宇 +1 位作者 邱天 于航 《北京航空航天大学学报》 EI CAS CSCD 北大核心 2017年第9期1721-1731,共11页
旋转孔与腔组成的孔腔系统为航空发动机空气系统的重要组成部分,其瞬态响应过程可能诱发短时危险过渡态载荷。为研究旋转孔腔的瞬态演化规律,以旋转孔前的容腔为研究重点,建立了带旋转孔的容腔CFD计算模型,分析了孔腔系统的瞬态演化过程... 旋转孔与腔组成的孔腔系统为航空发动机空气系统的重要组成部分,其瞬态响应过程可能诱发短时危险过渡态载荷。为研究旋转孔腔的瞬态演化规律,以旋转孔前的容腔为研究重点,建立了带旋转孔的容腔CFD计算模型,分析了孔腔系统的瞬态演化过程,并基于旋转孔的稳态流动特性建立了带旋转孔容腔的瞬态1-D模型,对瞬态演化过程进行了仿真。通过对比瞬态1-D模型的结果和CFD结果,发现采用前者能基本模拟容腔的瞬态演化过程,基本满足工程需要,并完成了瞬态1-D模型结果产生偏差的原因分析。 展开更多
关键词 空气系统 旋转孔腔 1-d模型 瞬态演化 流量系数
下载PDF
基于密度峰值多起始中心的融合聚类算法 被引量:5
4
作者 梅婕 魏圆圆 许桃胜 《计算机工程与应用》 CSCD 北大核心 2021年第22期78-85,共8页
经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所... 经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇。在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果。实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于K-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果。同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率。 展开更多
关键词 K-MEANS Multi-Prototypes 聚类 1-d高斯混合概率密度模型 非球型数据集
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部