【飞机】飞机拒绝起飞RTO动力学、地面制动距离和车轮载荷分布进行数值模拟【含Matlab源码 16147期】

最新推荐文章于 2026-11-07 18:14:40 发布

原创最新推荐文章于 2026-11-07 18:14:40 发布 · 122 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

Matlab物理应用（进阶版）

本文基于MATLAB实现F-16战斗机中断起飞（RTO）过程的数值模拟，重点建模地面动力学、制动距离计算与车轮载荷分布分析。通过参数化质量扫描（10500–13500 kg），结合气动模型、推力响应延迟、防滑刹车摩擦及上坡跑道环境，求解速度-位移-加速度时程，并基于能量守恒分解峰值动能、势能增量与热摩擦耗散。程序输出出版级三联可视化图表，支撑跑道安全评估、刹车系统热设计与起飞性能包线构建。

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
在这里插入图片描述
🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab物理应用仿真内容点击👇
①Matlab物理应用（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、飞机拒绝起飞RTO动力学、地面制动距离和车轮载荷分布进行数值模拟

1、总体功能定位
本脚本是一段基于 MATLAB 平台编写的数值仿真程序，用于对 F-16 级别战斗机在 “中断起飞”（Rejected Takeoff，简称 RTO）场景下的地面动力学过程进行完整建模、参数化敏感性分析与可视化评估。其核心任务是回答工程设计中的关键问题：当飞机总质量（起飞质量）发生改变时，其地面加速、减速与能量耗散特性如何响应，从而为跑道长度校核、刹车系统选型与飞行包线安全边界评估提供量化依据。程序采用 “基线机型参数定义 + 环境设定 + 多质量工况循环仿真” 的结构化框架，将飞行动力学方程、能量守恒分析与数据可视化集成为一条可复现、可扩展的分析流水线，工程人员只需调整输入数组即可批量扫描不同工况。
2、输入参数建模（基线机型与跑道环境）
程序开篇以结构体 ac_base 定义 F-16 级飞机的基本气动、几何与质量布局参数。气动方面包括：机翼参考面积 S_ref = 27.87 m²、零升升力系数 CL0 = 0.08、升力线斜率 CL_alpha = 3.44 1/rad、零升阻力系数 CD0 = 0.022、诱导阻力因子 k = 0.16，以及最大可用升力系数 CL_max = 1.60。上述参数共同构成经典的抛物线极曲线阻力模型：CD = CD0 + k・CL²，以及线性升力模型：CL = CL0 + CL_alpha・α，其中 α 为地面姿态迎角。推力系统定义了静态最大干推力 T_st = 76000 N、慢车推力 T_idle = 2000 N，以及慢车推力建立时间常数 τ_thrust = 1.0 s，用以模拟发动机收油门减速时的响应滞后。几何布局部分给出重心位置 X_cg、前起落架站位 X_nose、主起落架站位 X_main、重心高度 Z_cg 及气动参考点坐标 X_ref、Z_ref，为后续俯仰力矩与地面支承载荷计算提供基础。
环境与跑道结构 env 定义了海平面大气密度 ρ = 1.225 kg/m³、重力加速度 g = 9.81 m/s²、滚转摩擦系数 μ_roll = 0.035、防滑刹车摩擦系数 μ_brake = 0.42，以及跑道坡度 γ = 2°（上坡）。这些参数共同决定飞机在地面滚动阶段的纵向受力平衡：沿跑道方向的合力由发动机推力、气动阻力、摩擦阻力与重力沿坡面的分量共同构成。
3、核心仿真模型（中断起飞地面动力学）
程序通过自定义函数 simulate_rto_dynamics 对地面运动进行数值积分。在加速起飞阶段，飞机在剩余推力驱动下沿跑道持续加速，速度逐渐接近并达到失速速度 V_stall 与中断判定速度 V_abort；在中断点，飞行员执行 RTO 操作，发动机推力阶跃衰减至慢车值，并计入时间常数 τ_thrust 的过渡过程，同时刹车系统以 μ_brake 提供制动力，使飞机在有限的可用跑道长度内减速至完全静止。仿真输出三维遥测数据：沿跑道位移 x、地面速度 v、纵向加速度 a，并据此计算失速速度、中断起飞速度、最终停止距离与总耗时，全面刻画 “加速 — 中断 — 减速 — 停止” 的完整时间历程。
能量分析模块基于能量守恒定律对减速过程进行分解，输出三个关键分量：①峰值动能 E_kin_peak，即飞机在中断瞬间携带的最大平动动能（E_kin = ½・m・V_abort²）；②势能增量 E_pot_gain，即沿上坡道抬升所转化的重力势能（E_pot = m・g・Δh）；③热摩擦耗散 E_thermal，即刹车系统与轮胎通过摩擦将机械能转化为热量的部分。三者之和满足能量守恒关系，共同验证了刹车系统的热负荷与跑道停止距离计算的合理性，为刹车装置的热管理设计提供数据支撑。
4、参数化质量敏感性分析
程序以质量数组 mass_scenarios = [10500, 12000, 13500] kg 三档作为参数化变量，通过循环逐一构建飞机对象，并复用同一套基线气动与跑道参数执行仿真，从而隔离单一变量（起飞质量）对性能的影响。这种 “单变量扫描 + 控制变量” 的设计，使不同质量档之间的性能差异可直接归因于质量变化本身，具有清晰的可解释性。控制台以格式化表格逐行打印每档质量对应的失速速度、中断起飞速度、停止距离与减速耗时，便于工程人员快速横向对比与录入报告。
5、出版级可视化输出
脚本最后生成一张 1200 × 420 像素的三联排布出版级图表，包含三个子图：左侧为 “速度 — 跑道距离” 剖面，展示不同质量下飞机从加速、中断到停下的完整速度轨迹；中间为 “纵向加速度剖面”，反映加速段的正加速度与刹车段的负加速度（减速度）特性；右侧为 “刹车能量耗散分解” 堆叠柱状图，将峰值动能、势能增量与热摩擦耗散以不同颜色分块展示，直观对比不同质量下的能量分配格局。各曲线采用差异化配色与图例标注，画面清晰、可直接用于工程报告与学术发表。
6、应用价值与扩展性
本脚本可作为 F-16 级机型跑道安全评估、RTO 性能包线建立、刹车热管理设计，以及质量增长（如外挂、副油箱配置）对起飞性能影响评估的快速仿真工具。其模块化结构允许通过修改 mass_scenarios 数组实现任意质量档位的批量扫描，也可通过调整气动、推力与跑道参数适配其他机型。程序遵循 “基线定义 — 循环仿真 — 数据汇总 — 可视化” 的清晰流程，输出结果可复现，适合作为工程设计迭代与教学演示的基础平台。

⛄二、部分源代码和运行步骤

1 部分代码
%% =========================================================================
% Script: Parametric Takeoff Mass Sensitivity on F-16 RTO Performance
%
% =========================================================================

clear; clc; close all;

%% 1. Baseline Aircraft & Runway Definition (F-16 Class)
ac_base.Sref = 27.87; % Wing Reference Area [m^2]
ac_base.T_st = 76000; % Static Max Thrust (Dry Mil-Power) [N]
ac_base.T_idle = 2000; % Flight Idle Thrust [N]
ac_base.alpha = 0; % Ground Attitude AoA [deg]
ac_base.tau_thrust = 1.0; % Spool-down time constant [s]
ac_base.C_mac = 3.45; % Mean Aerodynamic Chord [m]
ac_base.X_nose = -3.80; % Nose Gear Station [m]
ac_base.X_main = -7.60; % Main Gear Station [m]
ac_base.X_cg = -7.15; % CG Location [m]
ac_base.Z_cg = 1.65; % CG Height [m]
ac_base.X_ref = -7.00; % Aerodynamic Reference [m]
ac_base.Z_ref = 1.65; % Aero Reference Z [m]
ac_base.CL0 = 0.08;
ac_base.CL_alpha = 3.44; % [1/rad]
ac_base.CD0 = 0.022;
ac_base.k = 0.16;
ac_base.CL_max = 1.60;
ac_base.Cm0 = 0.02;

% Environmental & Runway Setup
env.rho = 1.225; % Sea-Level Density [kg/m^3]
env.g = 9.81; % Gravity [m/s^2]
env.mu_roll = 0.035; % Rolling Friction
env.mu_brake = 0.42; % Antiskid Braking Friction
env.gamma = deg2rad(2.0); % 2-deg Uphill Runway

%% 2. Execution across Takeoff Mass Variations
mass_scenarios = [10500, 12000, 13500]; % [kg]
sim_data = cell(length(mass_scenarios), 1);
energy_data = zeros(length(mass_scenarios), 3);

fprintf(‘\n’);
fprintf(‘%-12s | %-12s | %-14s | %-18s | %-12s\n’, …
‘Mass [kg]’, ‘V_stall [m/s]’, ‘V_abort [m/s]’, ‘Stop Distance [m]’, ‘Time [s]’);
fprintf('\n’);

for i = 1:length(mass_scenarios)
ac = ac_base;
ac.mass = mass_scenarios(i);

[telem, en]       = simulate_rto_dynamics(ac, env);
sim_data{i}       = telem;
energy_data(i, :) = [en.E_pot_gain, en.E_thermal, en.E_kin_peak] / 1e6; % MJ

fprintf('%-12d | %-12.2f | %-14.2f | %-18.2f | %-12.2f\n', ...
        telem.mass, telem.V_stall, telem.V_abort, telem.x(end), telem.t(end));

end
fprintf(‘====================================================================================\n’);

%% 3. Publication-Quality Dashboard Figure
fig = figure(‘Name’, ‘F-16 RTO Dynamics Analysis’, ‘Color’, ‘w’, ‘Position’, [100, 100, 1200, 420]);
colors = {‘#1f77b4’, ‘#ff7f0e’, ‘#2ca02c’};

% Subplot 1: Velocity vs Runway Distance
subplot(1, 3, 1);
hold on;
grid on;
box on;

for i = 1:length(mass_scenarios)
plot(sim_data{i}.x, sim_data{i}.v, ‘Color’, colors{i}, ‘LineWidth’, 1.8,‘DisplayName’, sprintf(‘%d kg’, sim_data{i}.mass));
end

xlabel(‘Runway Distance [m]’, ‘FontSize’, 10);
ylabel(‘Ground Velocity [m/s]’, ‘FontSize’, 10);
title(‘Velocity Profile (V vs Distance)’, ‘FontSize’, 11);
legend(‘Location’, ‘southwest’, ‘FontSize’, 9);

% Subplot 2: Acceleration Profile
subplot(1, 3, 2);
hold on;
grid on;
box on;

for i = 1:length(mass_scenarios)
plot(sim_data{i}.x, sim_data{i}.a, ‘Color’, colors{i}, ‘LineWidth’, 1.8, …
‘DisplayName’, sprintf(‘%d kg’, sim_data{i}.mass));
end

xlabel(‘Runway Distance [m]’, ‘FontSize’, 10);
ylabel(‘Acceleration [m/s^2]’, ‘FontSize’, 10);
title(‘Longitudinal Acceleration Profile’, ‘FontSize’, 11);
legend(‘Location’, ‘southeast’, ‘FontSize’, 9);

% Subplot 3: Energy Dissipation Breakdown
subplot(1, 3, 3);
hold on;
grid on;
box on;

x_bar = 1:length(mass_scenarios);
width = 0.35;

b1 = bar(x_bar - width/2, energy_data(:, 3), width, ‘FaceColor’, ‘#1f77b4’);
b2 = bar(x_bar + width/2, energy_data(:, 1:2), width, ‘stacked’);

b2(1).FaceColor = ‘#2ca02c’;
b2(2).FaceColor = ‘#d62728’;

set(gca, ‘XTick’, x_bar, ‘XTickLabel’, {‘10.5t’, ‘12.0t’, ‘13.5t’});
ylabel(‘Energy [MJ]’, ‘FontSize’, 10);
title(‘Braking Energy Dissipation’, ‘FontSize’, 11);
legend([b1, b2(1), b2(2)], {‘Peak Kinetic’, ‘Potential Gain’, ‘Thermal Friction’}, …
‘Location’, ‘northwest’, ‘FontSize’, 8);

2 通用运行步骤
（1）直接运行main.m即可一键出图

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本

2019b

2 参考文献

[1] 门云阁.MATLAB物理计算与可视化[M].清华大学出版社，2013.

3 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除

⛄五、仿真咨询与程序定制

1 各类智能优化算法改进及应用

1.1 PID优化

1.2 VMD优化

1.3 配电网重构

1.4 三维装箱

1.5 微电网优化

1.6 优化布局

1.7 优化参数

1.8 优化成本

1.9 优化充电

1.10 优化调度

1.11 优化电价

1.12 优化发车

1.13 优化分配

1.14 优化覆盖

1.15 优化控制

1.16 优化库存

1.17 优化路由

1.18 优化设计

1.19 优化位置

1.20 优化吸波

1.21 优化选址

1.22 优化运行

1.23 优化指派

1.24 优化组合

1.25 车间调度

1.26 生产调度

1.27 经济调度

1.28 装配线调度

1.29 水库调度

1.30 货位优化

1.31 公交排班优化

1.32 集装箱船配载优化

1.33 水泵组合优化

1.34 医疗资源分配优化

1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测

2.1 机器学习和深度学习分类

2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测

2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面

3.1 图像边缘检测

3.2 图像处理

3.3 图像分割

3.4 图像分类

3.5 图像跟踪

3.6 图像加密解密

3.7 图像检索

3.8 图像配准

3.9 图像拼接

3.10 图像评价

3.11 图像去噪

3.12 图像融合

3.13 图像识别

3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复

3.15 图像压缩

3.16 图像隐写

3.17 图像增强

3.18 图像重建

4 路径规划方面

4.1 旅行商问题（TSP）

4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）

4.2 车辆路径问题（VRP）

4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 带时间窗的车辆路径问题（TWVRP）

4.3 多式联运运输问题

4.4 机器人路径规划

4.4.1 避障路径规划
4.4.2 机器人轨迹跟踪
4.4.3 机器人编队
4.4.4 机器人导航
4.4.5 机器人定位
4.4.6 机器人控制
4.4.7 机器人路径规划
4.4.8 机器人任务分配
4.4.9 机器人搜索
4.4.10 机器人运输
4.4.11 迷宫路径规划
4.4.12 水下机器人路径规划
4.4.13 栅格地图路径规划

4.5 配送路径规划

4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划

4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 卡车无人机
4.6.6 目标搜索
4.6.7 三维路径规划
4.6.8 无人机编队
4.6.9 无人机导航
4.6.10 无人机吊运
4.6.11 无人机对抗
4.6.12 无人机覆盖
4.6.13 无人机检测
4.6.14 无人机控制
4.6.15 无人机求援
4.6.16 无人机位姿估计
4.6.17 无人机系统
4.6.18 无人机侦查
4.6.19 无人机联盟
4.6.20 无人机协同任务
4.6.21 异构无人机

4.7 水下飞行器

4.8 无人车路径规划

4.9 无人艇路径规划

4.10 物流选址

4.11 车辆控制

4.12 多智能体路径规划

4.12.1 多智能体编队
4.12.2 多智能体控制
4.12.3 多智能体路径规划
4.12.4 多智能体协同

5 语音处理

5.1 语音情感识别

5.2 声源定位

5.3 特征提取

5.4 语音编码

5.5 语音处理

5.6 语音分离

5.7 语音分析

5.8 语音合成

5.9 语音加密

5.10 语音去噪

5.11 语音识别

5.12 语音压缩

5.13 语音隐藏

6 元胞自动机方面

6.1 元胞自动机病毒仿真

6.2 元胞自动机城市规划

6.3 元胞自动机交通流

6.4 元胞自动机气体

6.5 元胞自动机人员疏散

6.6 元胞自动机森林火灾

6.7 元胞自动机生命游戏

7 信号处理

7.1 机械振动信号处理

7.1.1 故障信号
7.1.1.1 齿轮损伤识别
7.1.1.2 异步电机转子断条故障诊断
7.1.1.3 滚动体内外圈故障诊断分析
7.1.1.4 电机故障诊断分析
7.1.1.5 轴承故障诊断分析
7.1.1.6 齿轮箱故障诊断分析
7.1.1.7 三相逆变器故障诊断分析
7.1.1.8 柴油机故障诊断
7.1.2 管道泄漏
7.1.3 振动信号

7.2 生物医学信号处理

7.2.1 肌电信号EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 心血管
7.2.7 心脏仿真
7.2.8 血压

7.3 声呐探测信号处理

7.3.1 声呐
7.3.2 水声通信

7.4 通信工程信号处理

7.4.1 超声波信号处理
7.4.2 导航定位
7.4.3 航天航空
7.4.4 空间识别
7.4.5 雷达通信
7.4.5.1 FMCW仿真
7.4.5.2 GPS抗干扰
7.4.5.3 雷达LFM
7.4.5.4 雷达MIMO
7.4.5.5 雷达测角
7.4.5.6 雷达成像
7.4.5.7 雷达定位
7.4.5.8 雷达回波
7.4.5.9 雷达检测
7.4.5.10 雷达数字信号处理
7.4.5.11 雷达通信
7.4.5.12 雷达相控阵
7.4.5.13 雷达信号分析
7.4.5.14 雷达预警
7.4.5.15 雷达脉冲压缩
7.4.5.16 天线方向图
7.4.5.17 雷达杂波仿真
7.4.6 模拟信号处理
7.4.7 时差绘制
7.4.8 数字信道处理
7.4.9 数字信号处理
7.4.10 无线通信
7.4.11 姿态解算
**7.4.12 资源分配 **

7.5 自动测量信号处理

**7.5.1 参数估计 **
**7.5.2 电动汽车动力电池管理 **
**7.5.3 高度预估 **

8 物理应用

8.1 物理学分支力学

8.1.1 材料力学
8.1.2 弹性力学
8.1.3 动力学
8.1.4 分析力学
8.1.5 固体力学
8.1.6 结构力学
8.1.7 静力学
8.1.8 空气动力学
8.1.9 流体力学
8.1.10 塑性力学
8.1.11 运动学

8.2 物理学其他分支

8.2.1 表面物理学
8.2.2 超声学
8.2.3 次声学
8.2.4 电磁学
8.2.5 电动力学
8.2.6 电学
8.2.7 高压物理学
8.2.8 金属物理学
8.2.9 光学
8.2.10 核物理学
8.2.11 金属物理学
8.2.12 量子力学
8.2.13 热力学
8.2.14 热学
8.2.15 声学
8.2.16 水声学