+高级检索
 引 en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。

待机状态下机翼结冰的快速计算方法

  • 马金博1

    机 构：

    1. 北京科技大学自动化学院控制科学与工程系,北京 100083

    ×
  • ，付冬梅1

    机 构：

    1. 北京科技大学自动化学院控制科学与工程系,北京 100083

    ×
  • ，王高远1

    机 构：

    1. 北京科技大学自动化学院控制科学与工程系,北京 100083

    ×
  • ，郝莲2

    机 构：

    2. 上海飞机设计研究院,上海 201210

    ×
  • ，王丹2

    机 构：

    2. 上海飞机设计研究院,上海 201210

    ×

1. 北京科技大学自动化学院控制科学与工程系,北京 100083；
2. 上海飞机设计研究院,上海 201210；

Approximately fast calculation method of aircraft icing under standby conditions

  • MA Jinbo1

    Affiliation：

    1. School of Automation and Electrical Engineering, University of Science & Technology Beijing, Beijing 100083 , China

    ×
  • ，FU Dongmei1

    Affiliation：

    1. School of Automation and Electrical Engineering, University of Science & Technology Beijing, Beijing 100083 , China

    ×
  • ，WANG Gaoyuan1

    Affiliation：

    1. School of Automation and Electrical Engineering, University of Science & Technology Beijing, Beijing 100083 , China

    ×
  • ，HAO Lian2

    Affiliation：

    2. Shanghai Design and Research Institute, Shanghai 201210 , China

    ×
  • ，WANG Dan2

    Affiliation：

    2. Shanghai Design and Research Institute, Shanghai 201210 , China

    ×

1. School of Automation and Electrical Engineering, University of Science & Technology Beijing, Beijing 100083 , China；
2. Shanghai Design and Research Institute, Shanghai 201210 , China；

作者简介:

马金博,男,硕士。主要研究方向:数据挖掘、知识图谱。E-mail:m202120704@xs.ustb.edu.cn;

付冬梅,女,博士,教授,博士生导师。主要研究方向:复杂数据的智能感知和数据库新技术、复杂数据挖掘和图像分析与理解、知识图谱方法与技术等。E-mail:fdm2003@163.com;

王高远,男,硕士。主要研究方向:深度学习。E-mail:eternity_y@outlook.com;

郝莲,女,硕士,研究员。主要研究方向:适航、安全性、可靠性、维修性和测试性技术。E-mail:haolian@comac.cc;

王丹,女,硕士,工程师。主要研究方向:结冰及性能适航技术。E-mail:wangdan2@comac.cc

通讯作者:

付冬梅,E-mail:fdm2003@163.com

中图分类号:V211.3

文献标识码:A

DOI:10.19416/j.cnki.1674-9804.2022.02.011

参考文献 1
POTAPCZUK M G.Aircraft icing research at NASA Glenn research center[J].Journal of Aerospace Engineering,2013,26(2):260-276.
查找原文
参考文献 2
王桥.过冷大水滴动力学特性的温度影响实验研究[D].绵阳:中国空气动力研究与发展中心,2015.
查找原文
参考文献 3
汪磊,梁妍.全球民航事故调查数据统计与分析[J].综合运输,2021,43(3):7-12.
查找原文
参考文献 4
CAO Y H,TAN W Y,WU Z L.Aircraft icing:an ongoing threat to aviation safety[J].Aerospace science and technology,2018,75:353-385.
查找原文
参考文献 5
CAO Y H,WU Z L,SU Y,et al.Aircraft flight characteristics in icing conditions[J].Progress in Aerospace Sciences,2015,74:62-80.
查找原文
参考文献 6
WRIGHT W B.User manual for the NASA Glenn ice accretion code LEWICE[M].USA:National Aeronautics and Space Administration,Glenn Research Center,2002.
查找原文
参考文献 7
ANSYS,Inc.ANSYS releases new versions of spaceclaim and FENSAP-ICE[J].Journal of Engineering,2015.
查找原文
参考文献 8
OGRETIM E,HUEBSCH W W,SHINN A.Aircraft ice accretion prediction based on neural networks[J].Journal of Aircraft,2006,43(1):233-240.
查找原文
参考文献 9
潘环,艾剑良.飞机结冰冰形预测的建模与仿真[J].系统仿真学报,2014,26(1):221-224,229.
查找原文
参考文献 10
CAO Y H,YUAN K G,LI G.Effects of ice geometry on airfoil performance using neural networks prediction[J].Journal of Beijing University of Aeronautics & Astronautics,2011,83(5):266-274.
查找原文
参考文献 11
FOSSATI M,HABASHI W G.Multiparameter analysis of aero-icing problems using proper orthogonal decomposition and multidimensional interpolation[J].Aiaa Journal,2013,51(4):946-960.
查找原文
参考文献 12
符澄,宋文萍,彭强,等.结冰风洞过冷大水滴结冰条件模拟能力综述[J].实验流体力学,2017,31(4):1-7.
查找原文
参考文献 13
ZHANG C,LIU H.Effect of drop size on the impact thermodynamics for supercooled large droplet in aircraft icing[J].Physics of Fluids,2016,28(6):062107.
查找原文
参考文献 14
RAO L K,RAHMAN M Z U,ROHINI P.Image pattern recognition:fundamentals and applications[M].USA:CRC Press,2021.
查找原文
参考文献 15
FOLASADE O I,ABIODUN G A,OLAYINKA A J.Segmentation of medical X-ray bone image using different image processing techniques[J].International Journal of Image,Graphics and Signal Processing,2021,13(5).
查找原文
参考文献 16
ZHOU H K,GU M D.Application of neural network and computer in intelligent robot[J].Journal of Physics:Conference Series,2021,1881(3).
查找原文
参考文献 17
易贤,王强,柴聪聪,等.基于深度神经网络的飞机结冰冰形预测模型(英文)[J].Transactions of Nanjing University of Aeronautics and Astronautics,2021,38(4):535-544.
查找原文
参考文献 18
DAI K,YUASA S.The application of convolutional neural network to stem cell biology[J].Inflammation and Regeneration,2019,39(14).
查找原文
目录contents

    摘要

    飞机在飞行过程中遭遇结冰气象,尤其是过冷大水滴结冰条件所导致的机翼结冰,将严重影响飞机的气动性能与操纵品质,从而导致飞行故障或飞行事故,是飞机飞行安全的重要影响因素,是飞机研制中必须重点解决的难题。虽然针对结冰已建立有多种计算仿真程序,但快速获得结冰模拟冰形,包括过冷大水滴条件下的结冰模型是工程师们一直追求的解决方案。利用前向多层神经网络,尝试建立了一种针对待机状态下的机翼结冰模型。此方法基于坐标转换原理,将获取的采用直角坐标表达的标准翼型的机翼结冰数据转换为对应的极坐标表达的数据,以飞行参数、气象参数和极坐标角度作为输入,极坐标模值作为输出训练构建出此种机翼结冰模型。使用所建立的模型,仿真预测结果表明该计算方法具备快速性和精确性,其计算精度可满足实际要求。

    Abstract

    The aircraft encounters icing weather during flight, especially the wing icing caused by the icing conditions of supercooled large water droplets, which will seriously affect the aerodynamic performance and handling quality of the aircraft, resulting in flight faults or flight accidents. It is an important factor for the flight safety of the aircraft and a difficult problem that must be solved in the development of the aircraft. Although a variety of calculation and simulation programs have been established for icing, it is a solution that engineers have been pursuing to quickly obtain the simulated icing shape, including the icing model under the condition of supercooled large water droplets. This paper attempts to establish a wing icing model in standby mode by using forward multilayer neural network. Based on the coordinate transformation principle, this method converts the obtained wing icing data of the standard airfoil expressed in rectangular coordinates into the data expressed in corresponding polar coordinates. The wing icing model is constructed with flight parameters, meteorological parameters and polar coordinate angles as inputs and polar coordinate modulus as output training. Using the established model, the simulation and prediction results show that the method is fast and accurate, and its calculation accuracy can satisfy the actual requirements.

  • 0 引言

  • 飞机在飞行过程中如果出现结冰情况,将对飞行安全造成极大伤害[1]。而过冷大水滴是一类独特的结冰气象条件[2],一旦飞机在飞行过程中遭遇过冷大水滴环境,飞机就被置于危险的飞行环境中,甚至有可能造成极其严重的灾难性后果[3],所以飞机在飞行过程中包括过冷大水滴的结冰情况一直是重点研究的问题[4]。

  • 研究机翼表面结冰的一般方法主要分为三种[5]:飞行试验、风洞试验和数值模拟。飞行试验获取的试验数据真实可靠,但其耗资巨大,试验风险高;风洞试验相对飞行试验较方便,试验结果比较可靠,但其成本依旧很高;软件数值模拟成本低、安全性高,是现在比较通用的方法。目前已有许多结冰仿真软件,如美国的LEWICE[6]、英国的DRA、法国的ONERA、意大利的CIR-AMIL以及加拿大的FENSAP-ICE[7]。目前国内采用的LEWICE和FENSAP-ICE等国外开发的仿真商业软件,由于版权限制等多种原因,存在一定的困难,如计算时间较长,无法实时获取在一定飞行参数和结冰气象条件下的结冰状态等。近年来,以神经网络为代表的相关研究在机翼结冰预测方面得到了一些应用,Ogretim、潘环等人[8-9]提出基于傅里叶级数和神经网络训练的方法预测冰形,CAO Yihua等人[10]使用MATLAB神经网络工具箱来确定冰的几何形状和机翼空气动力系数之间的关系,Fossati等人[11]提出了一种降阶建模方法用来结冰模拟。这些方法虽然成本低,计算速度快,但仍需要通过繁杂的数学方法对冰形转换,实现起来较为复杂,并且繁杂的数学方法需占用过高的计算资源而导致计算周期长。

  • 综上所述,如何获得一种成本低、模型建立简单、计算速度快、达到甚至超越真实结冰速度的计算结冰模型值得认真研究。据此,本文利用人工神经网络构建了一种待机状态的结冰气象条件下机翼结冰的智能化模型,采用标准翼型作为基础获取机翼结冰数据,对获取的数据进行筛选和预处理建立神经网络模型,并对结冰过程做预测然后对预测结果进行分析。

  • 1 结冰气象及人工神经网络简述

  • 1.1 结冰气象

  • 航空业发展初期面临飞机结冰问题时,开始研究防除冰设备,而防除冰系统设计首先需要知道结冰气象条件参数,于是,从1940年起,美国国家航空航天局(NACA)、美国气象局(WB)、美国空军(USAF)等陆续对大气中飞行器的结冰条件开展了研究。基于1945年至1950年冬天在美国上空6km( 20 000ft)处5560km(3 000n mile)飞行距离内对过冷云层的探测研究及其他相应的研究结果,美国联邦航空局FAA颁布了适航规章FAR 25部《运输类飞机适航标准》附录C。附录C的第I部分给出了飞机结冰的气象条件,分为连续最大结冰条件和间断最大结冰条件,采用LWC (Liquid Water Content,单位为g/m3)液态水含量、MVD (Medium Volume Diameter)水滴中值体积直径(指云层中LWC分布中点的液滴尺寸)、标准距离17.4n mile(32.2km)下的温度等参数定义出飞机的结冰条件。

  • 过冷大水滴是一类独特的结冰气象条件,指云层中平均直径超过100 μm的过冷水滴,其区别于小水滴的主要特征是具有明显变形、破碎、飞溅等动力学行为,这类水滴的结冰会使大多数的防除冰系统无法实现完全除冰,造成飞机气动性能的急剧下降,一旦飞机在飞行过程中遭遇过冷大水滴环境,飞机就被置于极端危险的飞行环境中。由于过冷大水滴结冰条件具有更高的结冰速率及水滴收集效率,结冰位置也更靠后,因此对飞机的升、阻力特性及失速特性有严重影响,对飞机防冰装置的设计也带来重大的影响[12]。在过去的数年间,其引发了多起严重的飞行事故,造成极其严重的灾难性后果,成为国际航空界高度重视和广泛关注的影响航空器飞行安全的关键问题[13]。

  • 1.2 人工神经网络

  • 近年来,以人工神经网络为代表的人工智能技术逐渐普及,在模式识别[14]、图像处理[15]、智能机器人[16]、预测估计[17]、生物医学[18]等领域取得了广泛成功。在预估建模领域,人工神经网络具有巨大优势,尤为适用于规模大、结构复杂、信息不明确的系统。仿真结冰过程属于这类系统,因此可以采用神经网络来解决结冰过程建模问题。

  • 通常用于预估建模的神经网络主要包括自适应线性神经元(Adaline)、径向基(RBF)神经网络、前向多层神经网络(FMNN)等。Adaline模型要求输入输出为线性关系;RBF模型是一种局部逼近网络,其网络结构是三层,对于高维复杂非线性数据的建模能力还在进一步研究;FMNN模型训练容易,隐层深度和各层神经元选择灵活,对高维非线性数据拟合能力强,基于结冰过程参数多维与非线性特征,故本文拟采用FMNN模型方法。

  • 2 建模数据的获取及其分析说明

  • 本文建模数据通过LEWICE仿真软件输入气象参数(云层液态水含量(LWC)、云层水滴平均有效直径(MVD)、环境温度(T)),飞行参数(飞行高度(H)、速度(V)、攻角(θ)、时间(t))和NACA0012机翼外形参数获取原始冰形数据,各参数的取值范围取自中国民用航空局发布的《运输类飞机适航标准》附录C中的结冰条件参数变化相关的关系表,如图1所示。

  • 图1 结冰条件参数变化相关的关系表

  • 本文研究中,采用LEWICE软件获取了计算出的冰型原始数据量约70GB。经过分析筛选,确定出用于训练神经网络的原始数据共21 120条,其数据构架和各参数取值范围如表1所示。

  • 表1 原始数据取值范围及输出形式

  • 3 模型的建立及其仿真

  • 3.1 建模

  • 采用LEWICE软件仿真计算得到的原始冰形数据采用直角坐标表达,如图2(a)所示,坐标原点在翼型前缘端点处,其中翼型坐标和结冰前缘坐标已知。从图2(a)可见,结冰前缘某点到被冰覆盖的机翼的某点的距离是冰的厚度(简称冰厚),在直角坐标系下,结冰前缘点和机翼上的点难以用某个统一方便的数学形式表示,如l1和l2虽都表示了冰厚,但显然都是有失偏颇的。

  • 如果将直角坐标系转换为极坐标系,转换表达式为:

  • x=rcos⁡αy=rsin⁡α
    (1)

  • 式中,α为极坐标角度;r为对应的极坐标模长;x、y为对应的直角坐标转换值;则可得到如图2(b)所示的结果。图2(b)中,极坐标原点设在翼型的最前端,如此,图2(a)中角度α1和α2对应的模长r1和r2即是一种易于表征的不同位置的冰厚值。但是,当坐标原点定于翼型的最前端时,会出现一种情况,即对于角度α3来说,极坐标射线会与冰形曲线交于两个点a和b,此时冰厚的计算仍然无法表达。如果在机翼轴线上重新选取极坐标原点位置,如图2(c)所示,在一定程度上避免了上述困难的出现,r1、r2、r3均可表征不同位置的冰厚值。经过多次仿真实验最终将原点确定在机翼轴线靠近前端的10%位置。

  • 图2 冰形图的两种坐标表示

  • 在设计网络结构时,将极坐标角度、飞行参数和气象参数一同作为网络的输入,冰厚值作为输出,模型结构如图3所示,这样通过模型便能预测出各个极坐标角度下的冰厚值,最后将每个角度的预测值做光滑曲线连接绘图即为预测的冰形图。

  • 图3 模型结构图

  • 3.2 模型仿真

  • 将全部原始数据进行坐标转换,再采取归一化处理后,将数据集按80%和20%的比例随机划分为训练集和测试集送入神经网络训练,在训练过程中神经网络学习到了机翼的结冰情况,如图4所示,但是图中实际不结冰的地方有结冰,有结冰的地方冰形发生变形,致使预测不准确,尝试改变模型网络结构,但无论怎么改变,模型的学习精度都无法提高。对全部数据重新进行分析,结合分析附录C中给出的结冰气象条件,研究发现无论在哪种飞行条件下,机翼结冰最多在机翼前缘10%处,并且冰厚和弦长在量级上差距太大,冰厚数据被大量翼型数据淹没其中,送入神经网络后冰厚数据被当做误差处理掉了。于是对全部数据进行重新筛选,确定选取机翼前10%的坐标数据,对应极坐标角度范围在90°~270°。

  • 图4 全部数据仿真图

  • 把筛选后的数据集分为训练集和测试集重新训练,发现模型学习精度显著提高,经过训练最终将模型结构确定为8×50×128×50×10×1,如图5所示,激活函数选用ReLU函数。仿真预测输入输出表如表2所示,仿真结果如图6所示。

  • 图5 训练后FMNN模型

  • 表2 仿真预测输入输出表

  • 图6 采集数据与模型仿真结果对比图

  • 通过FMNN模型预测结果比较理想,能够较好地反映飞机在不同飞行条件下机翼结冰冰形的具体特点。将LEWICE软件得到的曲线与FMNN模型预测得到的曲线进行对比可以发现,该模型的预测效果与LEWICE计算结果相差无几,在预测时间上,FMNN模型仿真一次的时间约6s~7s,LEWICE软件仿真一次的时间约2min,两者相比,FMNN模型计算速度提高了约二十倍,说明了该方法的可行性和实时性。

  • 3.3 误差分析

  • 平均误差模型如式(2)所示:

  • η=1n∑i=1n xi-xi*2+yi-yi*2
    (2)

  • 式中,n为全部数据数量;(xi, yi)为xy坐标真实值;( xi*, yi*)为xy坐标预测值。经过运算求得训练集平均误差约为0.263 8mm,测试集平均误差约为0.265 9mm,将误差限制在了毫米级,符合精度要求。参考最后仿真出的冰形曲线,冰形的预测结果也比较满意。

  • 4 结论

  • 本文采用人工神经网络作为建模手段,通过极坐标表达方式构建了一种基于FMNN人工神经网络的冰形预测模型。经本研究所用的原始数据训练建立的FMNN人工神经网络的冰形预测模型,其仿真预测结果表明该模型预测的快速性,模型的计算精度达到毫米级,可满足实际要求。本文研究的飞机待机飞行状态下机翼结冰的冰型预测模型,可作为机翼结冰过程进一步深入研究的一种理论支撑。

  • 参考文献

    • [1] POTAPCZUK M G.Aircraft icing research at NASA Glenn research center[J].Journal of Aerospace Engineering,2013,26(2):260-276.

    • [2] 王桥.过冷大水滴动力学特性的温度影响实验研究[D].绵阳:中国空气动力研究与发展中心,2015.

    • [3] 汪磊,梁妍.全球民航事故调查数据统计与分析[J].综合运输,2021,43(3):7-12.

    • [4] CAO Y H,TAN W Y,WU Z L.Aircraft icing:an ongoing threat to aviation safety[J].Aerospace science and technology,2018,75:353-385.

    • [5] CAO Y H,WU Z L,SU Y,et al.Aircraft flight characteristics in icing conditions[J].Progress in Aerospace Sciences,2015,74:62-80.

    • [6] WRIGHT W B.User manual for the NASA Glenn ice accretion code LEWICE[M].USA:National Aeronautics and Space Administration,Glenn Research Center,2002.

    • [7] ANSYS,Inc.ANSYS releases new versions of spaceclaim and FENSAP-ICE[J].Journal of Engineering,2015.

    • [8] OGRETIM E,HUEBSCH W W,SHINN A.Aircraft ice accretion prediction based on neural networks[J].Journal of Aircraft,2006,43(1):233-240.

    • [9] 潘环,艾剑良.飞机结冰冰形预测的建模与仿真[J].系统仿真学报,2014,26(1):221-224,229.

    • [10] CAO Y H,YUAN K G,LI G.Effects of ice geometry on airfoil performance using neural networks prediction[J].Journal of Beijing University of Aeronautics & Astronautics,2011,83(5):266-274.

    • [11] FOSSATI M,HABASHI W G.Multiparameter analysis of aero-icing problems using proper orthogonal decomposition and multidimensional interpolation[J].Aiaa Journal,2013,51(4):946-960.

    • [12] 符澄,宋文萍,彭强,等.结冰风洞过冷大水滴结冰条件模拟能力综述[J].实验流体力学,2017,31(4):1-7.

    • [13] ZHANG C,LIU H.Effect of drop size on the impact thermodynamics for supercooled large droplet in aircraft icing[J].Physics of Fluids,2016,28(6):062107.

    • [14] RAO L K,RAHMAN M Z U,ROHINI P.Image pattern recognition:fundamentals and applications[M].USA:CRC Press,2021.

    • [15] FOLASADE O I,ABIODUN G A,OLAYINKA A J.Segmentation of medical X-ray bone image using different image processing techniques[J].International Journal of Image,Graphics and Signal Processing,2021,13(5).

    • [16] ZHOU H K,GU M D.Application of neural network and computer in intelligent robot[J].Journal of Physics:Conference Series,2021,1881(3).

    • [17] 易贤,王强,柴聪聪,等.基于深度神经网络的飞机结冰冰形预测模型(英文)[J].Transactions of Nanjing University of Aeronautics and Astronautics,2021,38(4):535-544.

    • [18] DAI K,YUASA S.The application of convolutional neural network to stem cell biology[J].Inflammation and Regeneration,2019,39(14).

  • 基本信息

    中图分类号: V211.3
    文献标识码: A
    DOI: 10.19416/j.cnki.1674-9804.2022.02.011

    基金信息

    引用信息

    马金博,付冬梅,王高远,等.待机状态下机翼结冰的快速计算方法[J].民用飞机设计与研究,2022(2):67-75.

    MA J B, FU D M, WANG G Y, et al. Approximately fast calculation method of aircraft icing under standby conditions[J].Civil Aircraft Design and Research,2022(2):67-75(in Chinese).

    稿件历史

  • 参考文献

    • [1] POTAPCZUK M G.Aircraft icing research at NASA Glenn research center[J].Journal of Aerospace Engineering,2013,26(2):260-276.

    • [2] 王桥.过冷大水滴动力学特性的温度影响实验研究[D].绵阳:中国空气动力研究与发展中心,2015.

    • [3] 汪磊,梁妍.全球民航事故调查数据统计与分析[J].综合运输,2021,43(3):7-12.

    • [4] CAO Y H,TAN W Y,WU Z L.Aircraft icing:an ongoing threat to aviation safety[J].Aerospace science and technology,2018,75:353-385.

    • [5] CAO Y H,WU Z L,SU Y,et al.Aircraft flight characteristics in icing conditions[J].Progress in Aerospace Sciences,2015,74:62-80.

    • [6] WRIGHT W B.User manual for the NASA Glenn ice accretion code LEWICE[M].USA:National Aeronautics and Space Administration,Glenn Research Center,2002.

    • [7] ANSYS,Inc.ANSYS releases new versions of spaceclaim and FENSAP-ICE[J].Journal of Engineering,2015.

    • [8] OGRETIM E,HUEBSCH W W,SHINN A.Aircraft ice accretion prediction based on neural networks[J].Journal of Aircraft,2006,43(1):233-240.

    • [9] 潘环,艾剑良.飞机结冰冰形预测的建模与仿真[J].系统仿真学报,2014,26(1):221-224,229.

    • [10] CAO Y H,YUAN K G,LI G.Effects of ice geometry on airfoil performance using neural networks prediction[J].Journal of Beijing University of Aeronautics & Astronautics,2011,83(5):266-274.

    • [11] FOSSATI M,HABASHI W G.Multiparameter analysis of aero-icing problems using proper orthogonal decomposition and multidimensional interpolation[J].Aiaa Journal,2013,51(4):946-960.

    • [12] 符澄,宋文萍,彭强,等.结冰风洞过冷大水滴结冰条件模拟能力综述[J].实验流体力学,2017,31(4):1-7.

    • [13] ZHANG C,LIU H.Effect of drop size on the impact thermodynamics for supercooled large droplet in aircraft icing[J].Physics of Fluids,2016,28(6):062107.

    • [14] RAO L K,RAHMAN M Z U,ROHINI P.Image pattern recognition:fundamentals and applications[M].USA:CRC Press,2021.

    • [15] FOLASADE O I,ABIODUN G A,OLAYINKA A J.Segmentation of medical X-ray bone image using different image processing techniques[J].International Journal of Image,Graphics and Signal Processing,2021,13(5).

    • [16] ZHOU H K,GU M D.Application of neural network and computer in intelligent robot[J].Journal of Physics:Conference Series,2021,1881(3).

    • [17] 易贤,王强,柴聪聪,等.基于深度神经网络的飞机结冰冰形预测模型(英文)[J].Transactions of Nanjing University of Aeronautics and Astronautics,2021,38(4):535-544.

    • [18] DAI K,YUASA S.The application of convolutional neural network to stem cell biology[J].Inflammation and Regeneration,2019,39(14).

    • 出版刊物

    微信公众号二维码

    手机版网站二维码

    本日访问次数 您是第位访问者

    民用飞机设计与研究 ® 2024 版权所有
    技术支持：北京勤云科技发展有限公司
    我要投稿 投稿指南 联系我们 二维码
    TOP