НАЧАЛЬНАЯ СТАДИЯ ОБРАЗОВАНИЯ ОБЛАКА
advertisement
УДК 004.942: 52-4 А.С. Зарубкин Московский физико-технический институт (государственный университет) ЭВОЛЮЦИЯ ОБЛАКА "КОСМИЧЕСКОГО МУСОРА" ПРИ НАЛИЧИИ СОПРОТИВЛЕНИЯ ДВИЖЕНИЮ С того времени, когда был запущен первый искусственный спутник Земли, число созданных человеком тел на орбите достигло порядка 10 000. Только 5% спутников, запущенных на орбиту, функционируют в настоящее время. Остальные спутники уже выполнили свою задачу, и многие из них остаются на околоземной орбите. Кроме того, там же находятся использованные ступени ракет, останки развалившихся аппаратов, вылитое горючее и т.п. Так, тел с размером 1 – 10 см в околоземном пространстве находится свыше 20 000, а размером 0.1 – 1 см – около 3.5 миллионов. В данной работе исследуется процесс эволюции облака космического мусора на околоземной орбите после распада объекта - источника частиц. При этом получено характерное время существования облака на орбите. Рассматриваются следующие задачи: 1) описание движения частиц с учетом силы сопротивления земной атмосферы. 2) определение времени, за которое на Землю выпадет половина массы облака. При решении этих задач делаются следующие предположения: 1) влияние земной атмосферы на движение частиц считается слабым (относительное изменение параметров орбиты за один виток << 1); 2) интенсивность разлета осколков не зависит от направления, т.е. обломки разлетаются во все стороны равномерно от разваливающегося спутника и с одинаковыми скоростями V0. 3) движение частиц происходит только под действием силы притяжения Земли (как шара радиуса 6 378 км) и силы сопротивления земной атмосферы; Для описания движения используется цилиндрическая система координат, где координаты r и φ описывают движение в плоскости невозмущенной орбиты, а координата z – движение в направлении, перпендикулярном этой плоскости. Литература 1. Contopoulos G. Problems In Stellar Dynamics // In “Space Mathematics”, Part 1, Amer. Math. Soc., 1966, p.169. 2. Gorelov S.L., Zharov V.A., Khlopkov Y.I. The velocities distribution function for particles in a space “debris” // Proceedings of the 20th Int. Symp. on RGD, 1996, Beijing, China. 3. Эльясберг П.Е. Введение в теорию полета искусственных спутников Земли. – Mосква: Наука, 1965. УДК 519.8 Д.И. Игнатьев, Е.А. Дорофеев Московский физико-технический институт (государственный университет) МАТЕМАТИЧЕСКАЯ МОДЕЛЬ НАДЕЖНОСТИ ЭЛЕКТРИЧЕСКИХ РАСПРЕДЕЛИТЕЛЬНЫХ СЕТЕЙ Стабильное, качественное снабжение энергией населения и промышленности неотъемлемое условие экономического развития страны. Электроэнергетика является одним из основополагающих секторов российской экономики и имеет непосредственное влияние на промышленное развитие страны, а также играет значительную роль в обеспечении социального благополучия населения. Технико-экономические проблемы электроэнергетики выражаются в прогрессирующем процессе устаревания оборудования. Состояние электроэнергетики после длительного периода недоинвестирования характеризуется серьезным износом, как генерирующих мощностей, так и сетевого оборудования. Износ основных фондов за 15 лет увеличился с 40,6 % в 1990 году до 57,8 % в 2004 году. Свертывание с середины 80-х годов программ разработки и освоения новых технологий производства, транспорта и распределения электрической и тепловой энергии привело к растущему отставанию технического уровня российской энергетики. На сегодняшний день отечественное оборудование, составляющее техническую основу электроэнергетики, не только выработало свой парковый ресурс, но и устарело морально и технологически, что приводит к нерациональному использованию ресурсов предприятиями отрасли, характеризующимися низким КПД. В силу ограниченности ресурсов энергопредприятий перед руководством встает задача рационального распределения средств в целях выбора приоритетных участков реконструкции и модернизации оборудования. Принятие решений по данным вопросам должно базироваться на данных о надежности электросетевого хозяйства. Из-за недостаточного развития методов по мониторингу текущего состояния электрических сетей в данной работе предлагается математическая модель надежности электрических распределительных сетей. Распределительная сеть – «сложный» объект, состоящий из различных элементов – трансформаторных станций, кабельных и воздушных линий электропередач и т.д. Надежность такого «сложного» объекта зависит от надежности каждого элемента сети и структурных связей между ними. На надежность оборудования влияют различные параметры. Например, наличие некоторых дефектов на воздушной линий электропередач может с определенной вероятностью привести к отключению линии, или, говоря иначе, – уменьшить вероятность безотказной работы p(t). Для характеристики скорости изменения вероятности безот- казной работы применяется понятие интенсивности отказов λ(t). Так, вероятность безотказной работы в момент времени t определяется: t p (t ) = p0 e ∫ − λ ( t ) dt 0 , где p0 - вероятность безотказной работы при t = 0. В модели каждый объект электросетевого хозяйства представляется набором параметров, а каждому параметру соответствует интенсивность отказов λ(t). Учитывая топологию сети, методику ее технологического обслуживания и особенности расположения потребителей, представленная модель, используя методы статистического моделирования (Монте-Карло), позволяет производить расчет количества вероятных отключений за период времени на каждый узел распределительных сетей и связанный с этими отключениями недоотпуск электроэнергии. Предлагаемая модель позволяет анализировать надежность электрической сети, выявлять ее «узкие места» с точки зрения надежности, корректировать ремонтновосстановительные работы. Литература 1. Розанов Ю.А. Лекции по теории вероятностей – Москва: Наука, 1968. 2. Соболь И.М. Метод Монте-Карло – Москва: Наука, 1968. 3. Указания по учету и анализу в энергосистемах технического состояния распределительных сетей напряжением 0,38-20 кВ с воздушными линиями электропередачи РД 153-34.3-20.573-2001 – Москва: 2001. 4. Фокин Ю.А. Вероятностные методы в расчетах надежности электрических систем – Москва: МЭИ, 1983. УДК 533.6 М.В. Иголкин Московский физико-технический институт (государственный университет) СОЛИТОННЫЕ РЕШЕНИЯ УРАВНЕНИЯ КОРТЕВЕГА ДЕ ФРИЗА Солитоны рассматриваются как средства для изучения математических свойств обширного класса интегрируемых нелинейных эволюционных уравнений; он включает, помимо прочего, уравнение Кортевега де Фриза (КдФ), уравнение sin-Gordon, уравнение Бюргерса, уравнение Бенжамена – Оно. С этой целью вводятся уединенные волны (рис. 1), солитоны, преобразования Бэклунда, сохраняющиеся величины и интегрируемые эволюционные уравнения как полностью интегрируемые гамильтоновы системы. Более того, возможности, представленные нам методом обратной задачи рассеяния для получения точных аналитических решений теперь уже значительного числа физически интересных нелинейных уравнений, вызвали революцию в самом подходе к нелинейной физике. Одним из следствий является то, что теперь тщательно исследуют- ся нелинейные задачи в тех областях, где совсем недавно только линейные теории были способны выдавать приемлемые результаты. Обратные задачи рассеяния обычно встречаются в ситуациях, когда невозможны непосредственные измерения. Типичный пример - исследование состояния стенок артерий с помощью ультразвука. Другим типичным примером такой обратной задачи является анализ сейсмических данных. Он позволяет не только следить за активностью землетрясений в земной коре, но и является мощным инструментом в геофизических исследованиях детальной структуры земной мантии и ядра. Из анализа сейсмических волн, отраженных и преломленных слоями пород, через которые они проходят, может быть получена информация о плотности и других свойствах этих пород. Привлекательной чертой теории солитонов является тесная связь физики и математики. Сама теория, безусловно, развилась из наблюдения физического явления, в основе которого, как нам теперь известно, лежит односолитонное решение уравнения КдФ. Уравнение КдФ описывает любую слабо нелинейную, слабо диспергирующую систему плоских волн. Для уединенной волны нелинейность иих точно уравновешивает дисперсию иххх. ut = 6uu x − u xxx . В работе представлены моделирование и анализ обширного класса интегрируемых нелинейных эволюционных уравнений, помимо прочего, уравнение Кортевега де Фриза (КдФ), уравнение sin-Gordon, уравнения Эйлера, уравнение Бюргерса, уравнение Бенжамена – Оно и прямой метод построения N - солитонных решений (метод Хироты). Численное моделирование выполнено на основе пакета Mathematica 5.0. Работа поддержана грантом РФФИ № 02-01-00526. Литература 1. Новокшенов В.Ю. Введение в теорию солитонов. – Москва - Ижевск: РХД, 2002. 2. Абловиц М., Сигур Х. Солитоны и метод обратной задачи. – М.: Мир, 1987. 3. Лэм Дж.Л. Введение в теорию солитонов. – Москва: Мир, 1990. 4. Ландау Л.Д., Лифшиц Е.М. Теоретическая физика: Т-6.-3-е изд. - Москва: Наука, 1986. 5. Гурбатов С.Н., Малахов А.Н., Саичев А.И. Нелинеиные случайные волны в средах без дисперсии. – Москва: Наука, 1990. 6. Захаров Б.Е., Манаков С.В., Новиков С.П., Питаевский Л.П. Теория солитонов: метод обратной задачи. – Москва: Наука, 1980. 7. Хлопков Ю.И., Жаров В.А., Горелов С.Л. Когерентные структуры в турбулентном пограничном слое. – Москва: МФТИ, 2002. 8. Маханьков В.Г., Рыбаков Ю.П., Санюк В.И. Локализованные нетопологические структуры: простейшие решения и проблемы устойчивости // УФН. Т. 164. № 2. УДК 533.7 Т.В. Курсакова Московский физико-технический институт (государственный университет) ГИПЕРЗВУКОВОЕ ТЕЧЕНИЕ РАЗРЕЖЕННОГО ГАЗА В СЛЕДЕ ЗА ТЕЛОМ Исследованию распределения газодинамических параметров в окрестности тел, обтекаемых потоком разреженного газа при больших числах Кнудсена, посвящено значительное количество работ [1-6]. В большинстве случаев рассматривается возмущение концентрации газа возле тел сравнительно простой формы, причем результаты представляются в квадратурах. В литературе практически отсутствуют расчеты других макроскопических параметров, потребность в которых в последнее время растет в связи с необходимостью понимания физических процессов, происходящих в окрестности космических аппаратов. Рассматривается обтекание круглого диска свободномолекулярным гиперзвуковым потоком разреженного газа. Вычисляются концентрация частиц газа, скорость и температура газа в окрестности диска. Для этого используются методы молекулярнокинетической теории газов в приближении свободномолекулярного течения. С помощью двух подходов получены решения, как в квадратурах, так и в точных и приближенных аналитических выражениях. На основании сравнительного анализа полученных решений сделан вывод о возможности практического использования аналитических выражений. Так же в расчетах учтена возможность вылета в разреженную область абсорбированных на поверхности частиц, а также частиц, возникших за счет испарения материала диска в результате его нагрева солнечным излучением. Показано, что вклад в поле плотности за счет указанных эффектов мал. Анализ результатов расчетов позволяет заключить, что за телом возникает протяженная область высокого вакуума, которая может быть использована для технологических целей. Литература 1. Коган М. Н. Динамика разреженного газа. – Москва: Наука, 1967. 440 с. 2. Берд Г.А. Молекулярная газовая динамика. – Москва: Мир, 1981. 319 с. 3. Девиен М. Течения и теплообмен разреженных газов. – Москва: И.Л., 1962. 187 с. 4. Альперт Я.Л., Гуревич А.В., Питаевский Л.П. Искусственные спутники в разреженной плазме. – Москва: Наука, 1964. 282 с. 5. Баранцев Р.Г. Взаимодействие разреженных газов с обтекаемыми поверхностями. – Москва: Наука, 1975. 343 с 6. Кошмаров Ю.А., Рыжов Ю.А. Прикладная динамика разреженного газа. – Москва: Машиностроение, 1977. 184 с. УДК 519.6:533.5 О.И. Ровенская Московский физико-технический институт (государственный университет) МОДЕЛИРОВАНИЕ ИСПАРЕНИЯ В ВАКУУМ С ПОВЕРХНОСТИ НА ОСНОВЕ ПРЯМОГО ЧИСЛЕННОГО РЕШЕНИЯ УРАВНЕНИЯ БОЛЬЦМАНА Нестационарное испарение в вакуум с плоской поверхности относится к классическим задачам динамики разреженного газа. Для безстолкновительного распространения газа хорошо известно автомодельное аналитическое решение [1]. Проведено достаточно много исследований по решению этой задачи с помощью приближенных подходов и численных методов Монте-Карло [2-4]. Представляет интерес получить решение данной задачи на основе прямого численного решения уравнения Больцмана. Так как рассматриваемый тип течений включает как неравновесные, так и равновесные области, к вычислительному методу предъявляются повышенные требования. В настоящей работе задача решается с помощью метода дискретных скоростей для уравнения Больцмана на фиксированной пространственно - скоростной сетке. Решение полученной системы разностных уравнений находится методом симметричного расщепления на этапы столкновительной релаксации и свободномолекулярного течения. Для вычисления интеграла столкновений Больцмана применяется метод, разработанный Ф.Г. Черемисиным [5]. Для аппроксимации конвективной части уравнения Больцмана применяются явные консервативные по потокам схемы первого и второго порядка точности [6]. При решении кинетического уравнения Больцмана основным является вычисление многомерного интеграла столкновений. Используемый метод обеспечивает строгое выполнение законов сохранения массы, импульса и энергии, а также обращение интеграла столкновения в ноль в условиях термодинамического равновесия. Это позволяет исключить паразитные источники при расчете сильно неравновесных областей течения, а также исключить численную погрешность при вычислении интеграла столкновений от главной части решения вне кнудсеновских слоев и ударных волн, что значительно повышает точность и экономичность метода в целом. Расчетная область представляет собой пространство между испаряющей поверхностью и внешней границей расположенной на достаточном расстоянии L ∼ 103λw, где λw – длина свободного пробега, определяемая условиями на испаряющей поверхности. Испаряющийся газ рассматривается как одноатомный. Для описания взаимодействия атомов используется модель твердых сфер. В начальный момент t = 0 в расчетной области нет частиц и функция распределения равна нулю. Функция распределения испаряющихся с поверхности частиц (x = 0) задана постоянной (независящей от времени) и полумаксвелловской: f (t , x, ξ ) x =0 ⎛ ξ 2x + ξ 2y + ξ 2z ⎞ ne exp ⎜ − = ⎟ , ξx>0. ⎜ (2πRTw )3/ 2 2 RTw ⎟⎠ ⎝ Здесь ne - равновесная концентрация испаряющихся частиц, Tw - температура поверхности, ξx, ξy, ξz -компоненты скорости частиц газа, R - газовая постоянная. Это условие означает, что частицы, вернувшиеся на поверхность, исключаются из процесса моделирования, что соответствует полной конденсации частиц. На внешней границе (x = L) функция распределения полагается равной нулю. В качестве масштаба длины выбирается длина свободного пробега λw, масштаба скорости величина v0 = RTw , масштаба времени τ0 = λw/v0. Вычисления проводились до безразмерного времени t/τ0 = 300 достаточного для развития континуального режима. Результаты численного моделирования позволяют получить информацию о структуре течения. Исследованы распределения параметров потока для различных режимов течения: от свободномолекулярного до континуального. В частности, наибольший интерес представляет уточнение границ областей континуального и свободномолекулярного режимов течения в пространственно-временных и автомодельных координатах. Полученные данные позволяют говорить о хорошем согласии с результатами работы [4]. В настоящей работе проведено уточнение зависимостей, определяющих границы областей с различными режимами течения. Литература 1. Bird G.A., Molecular Gas Dynamics and the Direct Simulation of Gas Flows. – Oxford: Clarendon Press, 1994. 2. Анисимов С.И. // ЖЭТФ. 1968. № 27. С. 182-184. 3. Sibold D. and Urbassek H.M. // Physical Review A 1991. V. 43. P. 6722-6734. 4. Lukyanov G.A. Unsteady Outflow of the Vapour into Vacuum from the Flat Surface // Proc. of 24th International Symposium on Rarefied Gas Dynamics. 2004. P. 638-643. 5. Tcheremissine F. Direct Numerical Solution of the Boltzmann Equation // Proc. of 24th International Symposium on Rarefied Gas Dynamics. 2004. P. 677-685. 6. Куликовский А.Г., Погорелов Н.В., Семенов А.Ю. Математические аспекты численного решения гиперболических систем. – Москва: Физматлит, 2001. УДК 534.2 Т.С. Станко Московский физико-технический институт (государственный университет) О ПРЯМОМ МОДЕЛИРОВАНИИ ВЯЗКИХ ДОЗВУКОВЫХ СТРУЙ ПРИ УМЕРЕННЫХ ЧИСЛАХ РЕЙНОЛЬДСА Большой интерес в настоящее время представляет применение методов прямого численного моделирования (Direct Numerical Simulation, DNS) для изучения газодинамических и акустических характеристик вязких дозвуковых струй. Прямое моделирование подразумевает численное решение нестационарных уравнений Навье-Стокса с полным разрешением всех пространственно-временных масштабов течения и позволяет получать информацию о нестационарном поле течения, включающем вихревые структуры и другие особенности, и, как результат, об источниках звука, не прибегая к дополнительным гипотезам о структуре и свойствах турбулентного движения. Однако метод DNS требует значительных вычислительных ресурсов, в настоящее время доступными являются задачи при умеренных числах Рейнольдса: Re ~ 103 – 104. Диапазон скоростей струи при этом может широко варьироваться: от условий практически несжимаемого течения (M < 0.1) до условий трансзвукового (M = 0.8–0.9) и сверхзвукового (M > 1) течения [1, 2]. В современных исследованиях, посвященных теоретическому, численному и экспериментальному анализу плоских, прямоугольных и круглых струй, делаются попытки выделить акустические источники в струях и получить характеристики ближнего и дальнего звукового поля, а также выделить влияние на интенсивность излучаемого струей звука основных параметров струи и фона возмущений. Нужно отметить, что профиль скорости на срезе сопла зачастую задается, что искажает картину поля течения и звукового поля в окрестности среза сопла. Кроме этого, делается предположение, что механизмы генерации звука в струях при умеренных числах Рейнольдса остаются теми же, что и в реальных струях при существенно больших значениях числа Рейнольдса [1]. В настоящей работе в качестве примера рассматривается плоская струя, истекающая из канала (сопла) в затопленное пространство, при следующих условиях: число Рейнольдса Re = ρj Vj d/μ∞ = 2500, число Маха струи Mj = Vj /c∞ = 0.5, температурное отношение Tj/T∞ = 1.1, степень нерасчетности pj/p∞ = 1.1, показатель адиабаты совершенного газа γ = 1.4, здесь d – ширина сопла, ρj, pj, Tj, Vj – плотность, давление, температура и скорость эжектируемого в сопло газа. Для численного решения задачи в расчетной области с размерами 30d×30d была построена расчетная сетка объемом 1.5 млн. узлов с учетом разрешения всех особенностей поля течения, в первую очередь пограничного слоя и слоев смешения. Для того чтобы обеспечить «естественный» профиль скорости на выходе из сопла, в расчете использовалось плоское сопло длины 5d с тонкими клиновидными границами. Чтобы минимизировать возмущения поля течения, вызванные отражением от границ расчетной области, использовались буферные зоны, содержащие постепенно укрупняющиеся ячейки [2, 3]. Граничные условия были выбраны таким образом, чтобы фиксировать значения потока массы, полных температуры и давления на входе в сопло, а также среднее значение статического давления на внешних границах расчетной области. На стенках сопла задавалось условие прилипания. В качестве начальных условий использовались значения параметров покоящегося невозмущенного газа. Расчет велся по трехэтапной схеме: на первом этапе счет велся по неявной схеме с шагом по времени, основанным на скорости струи и толщине пограничного слоя, затем после формирования течения счет велся с шагом по времени, основанным на скорости звука и толщине пограничного слоя, а далее счет велся по явной схеме. Численное моделирование было выполнено с использованием пакета FLUENT 6.2. После достижения статистически стационарного состояния были проанализированы поля скорости, давления, температуры, завихренности, а также характеристики поля возмущений на расстоянии R = 10d от сопла. В расчете было получено реалистическое нестационарное несимметричное поле течения, включающее ламинарные слои смешения и крупные вихри, образующиеся в результате неустойчивости слоев смешения. Анализ поля возмущений показал, что в ближнем поле помимо акустической составляющей существенна роль возмущений от крупных структур. Полученные результаты моделирования требуют дальнейшего анализа для выявления источников звука и их сопоставления с теорией Лайтхилла [4]. При дальнейшем исследовании необходимо выявить влияние на характеристики излучаемого в дальнее поле звука параметров струи. Существенным для дальнейшего исследования является и учет трехмерности течения. Основным результатом работы на данном этапе является отработка методики прямого моделирования вязких дозвуковых струй. Работа выполнена при поддержке РФФИ, грант № 06-08-01628-а. Литература 1. Freund J.B. Acoustic Sources in a Turbulent Jet: a Direct Numerical Simulation Study // Proceedings of the 5th AIAA/CEAS Aeroacoustics Conference. Paper AIAA-99-1858. 2. Suzuki T., Colonius T. Instability Waves in a Subsonic Round Jet Detected Using a NearField Phased Microphone Array // J. Fluid Mech. 2006. (to appear) 3. Rowley C.W., Colonius T., Basu A.J. On Self-Sustained Oscillations in Two-Dimensional Compressible Flow Over Rectangular Cavities // J. Fluid Mech. 2002. V. 455. P. 315. 4. Lighthill M.J. On Sound Generated Aerodynamically: I. General Theory // Proc. Royal Soc. Lond. A. 1952. V. 211. P. 564. УДК 532.517.4: 533.9 Тун Тун Московский физико-технический институт (государственный университет) МОДЕЛИРОВАНИЕ ЛАМИНАРНО - ТУРБУЛЕНТНОГО ПЕРЕХОДА МЕТОДОМ МОНТЕ-КАРЛО Рассмотрена завершающая стадия ламинарно-турбулентного перехода, когда происходит формирование и взаимодействие турбулентных пятен, слияние которых приводит к окончательной турбулизации пограничного слоя (рис. 1). Рис. 1 Этот процесс можно формализовать с помощью метода Монте-Карло. Предполагается, что точечные пятна влетают с частотой λ, влетают статистически равномерно Рис. 2 Рис. 3 на отрезке (0,1) по оси z. Затем пятна начинают расти (см. рис. 2). Рассматривается область между линией x0 = 0, где пятна рождаются и линией x0 = l, где пятна пересекаются так плотно, что все течение можно считать турбулентным. Эта линия определяется из численного эксперимента. Область течения делится на 10 равных частей. В каждую подобласть насыпаем случайным образом стохастически равномерно распределенные по подобласти точки (рис. 3) и определяем число N spot N full = f(x), где N spot – число точек, попавших внутрь пятна, N full – полное число точек в подобласти. Попадание в пятно, т.е. случай, когда точка (x, y) попадает в область, занятую пятном, определяется с помощью условия: q (t , x, y, s) = y − sy −0.5t + x − sx + ≤ 1 ∪ x − 0.5t − sx ≥ 0 , 0.39t 0.5*0.7t где s = ( sx , s y ) – координаты рождения точечного пятна. Знак “ ∪ ” означает логическое объединение. Теперь условие того, что точка принадлежит хотя бы одному пятну, можно записать в виде: N Q = ∪ q ( t , x, y , s i ) . i =1 Функция f(x), по определению, и является степенью турбулентности течения в пограничном слое. Литература 1. Emmons H.W. The Laminar-Turbulent Transition in a Boundary Layer – Part 1. // Journal of the Aeronautical Science. 1951. V.18(7). P. 490-498. 2. Шлихтинг Г. Теория пограничного слоя. – Москва: «Наука», 1969. 742 с. 3. Дразин Ф. Введение в теорию гидродинамической устойчивости. – Москва: Физматлит, 2005. 288 с. 4. Бойко А.В., Грек Г.Р., Довгаль А.В., Козлов В.В. Физические механизмы перехода к турбулентности в открытых течениях. – Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», Институт компьютерных исследований, 2006. 304 с. 5. Chong T.P., Zhong S. On the Three-Dimensional Structure of Turbulent Spots. // Journal of Turbomachinery. 2005. V.127, P. 545-551. УДК 621.396 Ю.А. Пугачев Московский физико-технический институт (государственный университет) СОВРЕМЕННОЕ СОСТОЯНИЕ И ПРОБЛЕМЫ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ РАДИОЭЛЕКТРОННЫХ ПОКРЫТИЙ ДЛЯ ПЕРСПЕКТИВНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ Проблема построения интеллектуальных покрытий для разработки современных летательных аппаратов (ЛА) чрезвычайно актуальна. В настоящее время усилия ученых и специалистов направлены на разработку первых образцов пока еще лишь некоторых компонентов интеллектуальных покрытий. Концепция интеллектуальной обшивки («smart skins») летательного аппарата, в соответствии с [1], подразумевает глубокую интеграцию авионики в структуру ЛА с целью уменьшения его массы, объема, аэродинамического сопротивления и ЭПР летательного аппарата. По опубликованным данным интеллектуальная обшивка содержит: • антенную подсистему, состоящую из многофункциональных микроволновых антенн, выполненных по технологии производства интегральных схем, • сенсорную подсистему мониторинга состояния ЛА, • подсистему передачи и обработки данных, • подсистему управления конформно интегрированной электроникой, • подсистему управляемого рассеяния и обеспечения электромагнитной совместимости. При разработке интеллектуальных обшивок ЛА решаются три основные задачи: 1. разработка конформно интегрированных микроволновых антенных решеток [3], 2. разработка датчиков для структурного мониторинга полета ЛА [4], 3. проблема обеспечения оперативного обмена данными между всеми подсистемами интеллектуальной обшивки [5]. Решение первой задачи направлено на уменьшение требуемого количества антенн радиолокационных систем, систем связи, систем опознавания «свой - чужой», навигационных систем и систем управления оружием. Для этого множество отдельных антенн заменяется одной интегрированной конформной электродинамической структурой, выполняющей антенные функции всех вышеперечисленных систем. Эта структура должна обладать низкой ЭПР. Она сама себя должна реконфигурировать с учетом старения, ошибок изготовления элементов, боевых повреждений; оптимизировать для выполнения каждой функции и автоматически программировать временную последовательность выполнения своих функций. Вторая задача, возникающая в рамках программы разработки интеллектуальных покрытий, - это задача создания интегрированных в обшивку ЛА матриц электронных датчиков, осуществляющих структурный мониторинг полета. Датчики предназначены для того, чтобы контролировать физические и химические параметры, состояние и движение ЛА, обнаруживать угрозу со стороны противника со всех направлений. Связь между датчиками преимущественно осуществляется посредством ВОЛС. Электронные датчики функционируют подобно нейронной сети мозга человека - они не только реагируют на воздействия, но и принимают ограниченные решения. Получаемая от встроенных датчиков информация не только используется системой управления для автоматической перестройки функций подсистем ЛА, но и передается по каналам связи экипажу ЛА для контроля принятых интеллектуальной обшивкой решений. Особенность третьей задачи, возникающей при разработке интеллектуальных покрытий, а именно обеспечение обмена данными между подсистемами и высокоскоростная обработка данных - возлагается на оптоэлектронную (фотониковую) подсистему и систему световодов, запрессованных в подложку. Технология интеллектуальных покрытий предполагает внедрение распределенных микроволновых и оптических датчиков в обшивку самолета, а также световодов, которые используются для передачи принятого радиолокационного сигнала от антенны к системам обработки. При этом используются оптооэлектронные системы обработки сигналов, для чего микроволновый сигнал от антенны преобразуется в оптический. Подсистема управления рассеянием волн и обеспечения электромагнитной совместимости предназначена для целенаправленного изменения в заданных пределах различных информативных радиолокационных характеристик объекта, она же может выполняет часть функций антенной подсистемы, в частности, функции системы опознавания «свой - чужой». При теоретическом анализе управляемых покрытий используются, главным образом, два подхода: на основе импедансных граничных условий [2] и на основе теории периодических дифракционных решеток. При этом в качестве элементов решеток рассматриваются нагруженные вибраторные, щелевые и полосковые излучатели. Литература 1. Thomas T.L. Development of Robust Hybrids for Smart Skin Avionics Applications // Smart Skins Program Boeing Military Airplanes: Сб. ст. / Boeing Company. – 1989. – P. 131-139. 2. Петров Б.М., Семенихин A.M. Управляемые импедансные покрытия и структуры // Зарубежная радиоэлектроника. 1994. № 6. С. 9-16. 3. Colin J.-M., Renard С., Mangenot С. Phased Array Antennas: Status and New Developments in France // Proc. of the 28-th Moscow Antennas Intern. Conference. – 1998. – P. 47-54. 4. Петров Б.М., Чечетка В.В., Петренко В.В. Приближенные граничные условия структур с периодическими во времени электродинамическими параметрами // Антенны. 1974. вып. 20. С. 48-53. 5. Микроэлектроника: Учеб. пособие для втузов. В 9 кн. / Под ред. Л.А. Коледова. Кн. 7. Микроэлектронные СВЧ-устройства / И.Н. Филатов, О.А. Бакрунов, П.В. Пономаренко. – М.: Высшая школа, 1987. 6. Касьянов А.О., Обуховец В.А. Управление полями рассеяния отражательных антенных решеток // Материалы 9-й международной крымской конференции «СВЧтехника и телекоммуникационные технологии», г. Севастополь, 13-16 сентября 1999 г. – 2000. – С. 9-14. УДК 62-523.8 + 519.685.1 Ю.А. Пугачев Московский физико-технический институт (государственный университет) ИНТЕЛЛЕКТУАЛЬНЫЕ БОРТОВЫЕ СИСТЕМЫ ПЕРСПЕКТИВНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ Одним из ключевых направлений на пути создания будущих самолетов является разработка основ построения бортовых систем управления и поддержки принятия решений. По принятой терминологии это системы, активно использующие знания и опыт экспертов, ориентированные на оперативное вмешательство в работу объекта управления (т.е. ЛА и его подсистем) на основе анализа непрерывно меняющейся модели внешней и внутренней среды. Иначе их называют бортовыми оперативносоветующими экспертными системами (БОСЭС) [1], экспертными системами реального времени (ЭС РВ) или активными экспертными системами [2]. В свою очередь, указанные системы относят к классу систем, основанных на знаниях (knowledge-based systems), или интеллектуальных систем. Интеллектуальной системой управления (ИСУ) считается такая, в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается. В зависимости от характера реализуемых интеллектуальных функций, т.е. от уровня интеллектуальности, различают ИСУ, интеллектуальные «в малом», «в большом» и «в целом» [3, 4, 5]. Управляющие системы, интеллектуальные «в малом», – это такие системы, которые используют в процессе своего функционирования знания (например, в виде правил) как средство преодоления неопределенности входной информации, описания управляемого объекта или его поведения. Управляющие системы, интеллектуальные «в большом», – это системы, организованные и функционирующие в соответствии со следующими принципами. 1. Взаимодействие с реальным внешним миром с использованием информационных каналов связи. 2. Принципиальная открытость системы с целью повышения интеллектуальности и совершенствования собственного поведения. 3. Наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире. 4. Наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот). Управляющие системы, интеллектуальные «в целом», – это такие системы, которые, при использовании знаний на базе качественных понятий и структурных отношений между ними, обеспечивают процесс регулирования объекта и, в необходимых случаях, путем обратных связей с помощью обобщенной оценки качества движения и достижимости поставленной цели осуществляют неоднократный выбор терминальных условий и критериальной базы, определяющих текущую цель управления, а также соот- ветственно проводят реконфигурацию способа регулирования и программы действий, исходя из заданной глобальной цели функционирования системы. Как показано в [1], общая структура алгоритмов многоуровневой иерархической системы управления ЛА должна иметь три глобальных уровня управления: Уровень управления Алгоритм управления III Семиотические S - системы 6. Выбор цели, планирование II Модельные FM - системы 5. Ситуационное управление I 4. Адаптивное управление 3. Идентификационное управление 2. Управление по принципу обратной связи 1. Программное управление Системы с адаптацией FA - системы Простые F - системы Уровень III представляет собой уровень, на котором осуществляется формирование (выбор) текущей цели функционирования ИСУ в процессе полета ЛА. Используемые алгоритмы позволяют на основе наблюдения за внешней и внутренней обстановкой с использованием бортовых источников информации принять решение о сохранении или видоизменении стратегии управления полетом (в интересах выполнения поставленного полетного задания). Уровень управления II – это уровень выбора способа достижения поставленной цели. Алгоритмы управления основаны на активном использовании методов имитационного моделирования в процессе принятия решений. Уровень управления I представляет собой уровень реализации выбранного способа достижения поставленной цели. Алгоритмы управления данного уровня сегодня наиболее разработаны и могут быть представлены как • системы с адаптацией, в которых предусмотрен механизм подстройки алгоритмов формирования управляющих воздействий при изменении условий функционирования объекта, т.е. в структуре алгоритма, кроме априорных, используются апостериорные знания об объекте и его среде; • простые системы, в которых при любой наблюдаемой ситуации заранее определено, как будут формироваться управляющие воздействия и в структуре алгоритмов управления используются только априорные знания об управляемом объекте и среде его функционирования. В последние годы для решения указанных выше задач все шире используются методы теории нейронных сетей (см., например, [6, 7, 8]). Под нейронными сетями (НС) понимаются параллельные вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Нейронные сети обладают способностью приобретения знаний об исследуемой предметной области, обучаясь на примерах. К числу несомненных достоинств нейронных сетей, объясняющих возросший интерес к ним со стороны специалистов, относятся: • возможность воспроизведения достаточно сложных нелинейных зависимостей; • нейронные сети не требуют традиционного программирования; • • • высокое быстродействие (особенно в случае аппаратной реализации с использованием параллельной обработки); потенциально высокая помехо- и отказоустойчивость; универсальность применения, возможность решения плохо формализуемых задач (распознавание изображений и речи, кластерный анализ, идентификация, прогноз и т.п.). Выводы. Сегодня уже созданы или находятся в завершающей стадии проектирования новые типы самолетов, обеспечивающие качественный прорыв в развитии авиации, однако для достижения заложенных в них летно-технических характеристик требуются принципиально новые подходы к организации и функционированию их бортовых систем. Современные тенденции развития бортовых систем управления связаны с их дальнейшей интеллектуализацией, основанной на технологиях обработки знаний для автоматизации функций управления и поддержки действий экипажа как в нормальных, так и в нештатных ситуациях, возникающих в процессе полета. Одним из перспективных направлений в создании интеллектуальных систем управления и принятия решений является применение нейронных сетей и их программно-аппаратной реализации на базе нового поколения ЭВМ – нейрокомпьютеров, превосходящих другие типы вычислительных машин не только по критерию отношения производительность / стоимость, но и по их способности к решению нестандартных, плохо формализованных задач. Литература 1. Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектуальное управление динамическими системами. – М.: Физматлит, 2000. - 352 с. 2. Лохин В.М., Захаров В.Н. Интеллектуальные системы управления: понятия, определения, принципы построения. - В кн.: Интеллектуальные системы автоматического управления / Под ред. И.М. Макарова, В.М. Лохина. - М.: Физматлит, 2001. 576 с. 3. Тимофеев А.В., Юсупов P.M. Интеллектуализация систем автоматического управления // Техническая кибернетика. 1994. № 5. С. 211-224. 4. Алехин Д.А., Буров Ю.Л., Лебедев А.Г., Зарепур Г., Лебедев Г.Н. Интеллектуальные обратные связи в системе управления полетом // Теория и системы управления. 1998. № 4. С. 21-25. 5. Лебедев Г.Н. Интеллектуальные системы управления и их обучение с помощью методов оптимизации: Учебное пособие. - М.: МАИ, 2002. - 112 с. 6. Горбань А.И. Обучение нейронных сетей. - М.: ПараГраф. 1990. - 160 с. 7. Галушкин A.M. Теория нейронных сетей: Учебное пособие. Кн.1. Серия «Нейрокомпьютеры и их применение». - М.: ИПРЖР, 2000. - 416 с. 8. Головко В.А. Нейронные сети: обучение, организация и применение: Учебное пособие. Кн.4. / Под общ. ред. А.И. Галушкина. - М.: ИПРЖР, 2001. - 256 с.
