理想班组支援武器系统(OCSW)技术剖析

1 研制目的 目前美军采用了以“非接触”为特征的战术思想,充分利用武器优势,在战场上,通过在远距离上摧毁敌方的火力系统,杀伤敌方的有生力量。这就要求武器的威力、射程、精度等主要性能占绝对压倒优势。为此,美国提出研制理想班组武器,以期武器在性能上有质的提高。美陆军对OCSW提出的要求是:比现役榴弹发射器和大口径机枪射程更远、战术机动性更高、弹头飞行时间更     

枪管结构对固有频率的影响

为了研究枪管结构对枪管固有频率的影响,针对枪管尤其是狙击枪管设计中约束长度、枪管外形、膛口装置以及膛线等不同结构,建立了相应的三维模型。采用以六面体为主的网格对枪管进行了网格划分,采用有限元方法对枪管进行了模态分析。计算获得了不同结构枪管的固有频率; 通过比较,得到了不同枪管结构对固有频率的影响。分析结果表明:枪管尾部螺纹长度越长,枪口振动幅度越低; 相同质量枪管,锥形外形枪管刚度最好; 加装膛口装置对枪管刚度和振动特性有不利影响。     

拓扑优化及其在自动武器减重设计中的应用

目前手持自动武器的减重设计多采用基于经验的结构修改法,盲目性大,费时费力.引入结构拓扑优化方法,解决自动武器零部件减重设计问题.采用有限元法与变密度法,给出了优化方法和步骤.以结构质量为目标函数,建立了某自动武器超重部件枪尾的优化模型,进行了结构拓扑优化.通过枪尾三维实体模型的重建,对比分析了优化前、后枪尾的强度特性.运用有限元法对自动武器零部件进行拓扑优化设计是一种自动武器减重设计的有效方法.     

基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模与预测

机枪枪管初速衰减预测是一个复杂的非线性问题。广义回归神经网络方法被广泛应用于非线性问题的建模,但其平滑因子取值对神经网络的预测性能有较大影响。采用果蝇算法对广义回归神经网络的参数进行优化选取,提出了基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模方法。基于机枪枪管初速衰减试验数据,建立在不同使用环境下随着累计射弹量的增加,以初速降为特征量的机枪枪管初速衰减预测模型,预测结果与试验结果基本一致,证实了所提方法的可行性。通过与未经优化的广义回归神经网络方法和反向传播神经网络方法建立的预测模型进行比较,其性能明显优于另外两种方法,验证了基于果蝇算法优化的广义回归神经网络方法在建立机枪枪管初速衰减模型中的有效性。     

弹药参数及误差对弹头膛内运动的影响研究

为深入了解狙击步枪枪弹参数、误差对弹头膛内运动过程的影响,基于非线性有限元法建立了某型狙击步枪弹/枪相互作用数值计算模型,并通过试验验证了模型的正确性。重点考虑了弹头结构参数与材质、弹/药参数误差对弹头膛内运动的影响,定性、定量地分析了参数及误差对弹头膛内摆动角、轴向受力、膛压及初速的影响规律,揭示了狙击弹参数及误差与弹头膛内运动间的关系,有利于提高对狙击弹设计工作的认知水平。     

基于参数化的枪械外形设计策略

利用面向对象技术 ,对全枪外形以及外形离散件的参数化设计原理进行描述 ,通过 C语言的“类”对全枪外形、离散件外形、结构参数以及关联参数进行封装。对外形参数化研究的内容包括 :枪械外形的离散化 ,参数化模型的建立以及充分利用 CAD集成软件的图形功能对枪械外形参数化模型进行显示。经验证 ,采用这种方法开发的软件系统性能达到原设计指标要求。     

碳纤维布加固修复建筑结构技术研究

为解决建筑结构加固修复问题,本文对当前应用较为广泛的粘贴碳纤维布方法进行深入分析,提出具体的操作方法和要点,以期为相关人员提供参考,保证最终的技术应用效果,使建筑结构得到有效加固修复。     

高速点射浮动新结构无壳弹枪自动机

本文将无壳弹枪的自动机运动机构作为多自由度的多体系统,采用牛顿-欧拉法,建立了考虑浮动体与自动机耦合作用的高速点射浮动新结构无壳弹枪自动机动力学理论模型,基于这个理论模型分析了这类自动机的运动状态、能量传递关系与工作特性,为这类自动机的设计和研究提供了理论依据和分析手段.     

带裂纹厚壁筒的动态应力强度因子研究

研究了动载荷作用下带裂纹厚壁筒的应力强度因子。结果表明动态应力强度因子的最大值在加载时间上有滞后性现象,它的最大值随厚壁筒尺寸增加而增加。同时,发现动态应力强度因子比相应的静态应力强度因子大。     

基于奖励滤波信用分配的多智能体深度强化学习算法

近年来,强化学习方法在游戏博弈、机器人导航等多种应用领域取得了令人瞩目的成果.随着越来越多的现实场景需要多个智能体完成复杂任务,强化学习的研究领域已逐渐从单一智能体转向多智能体.而在多智能体强化学习问题的研究中,让智能体学会协作成为当前的一大研究热点.在这一过程中,多智能体信用分配问题亟待解决.这是因为部分可观测环境会针对智能体产生的联合动作产生奖励强化信号,并将其用于强化学习网络参数的更新.也就是说,当所有智能体共享一个相同的全局奖励时,难以确定系统中的每一个智能体对整体所做出的贡献.除此之外,当某个智能体提前学习好策略并获得较高的回报时,其他智能体可能停止探索,使得整个系统陷入局部最优.针对这些问题,本文提出了一种简单有效的方法,即基于奖励滤波的信用分配算法.将其他智能体引起的非平稳环境影响建模为噪声,获取集中训练过程中的全局奖励信号,经过滤波后得到每个智能体的局部奖励,用于协调多智能体的行为,更好地实现奖励最大化.我们还提出了基于奖励滤波的多智能体深度强化学习(RF-MADRL)框架,并在Open AI提供的合作导航环境中成功地进行了验证.实验结果表明,和基线算法相比,使用基于奖...