CN116306108A - 一种基于自适应机器学习的聚能装药药型罩结构优化方法 - Google Patents
一种基于自适应机器学习的聚能装药药型罩结构优化方法 Download PDFInfo
- Publication number
- CN116306108A CN116306108A CN202310126458.0A CN202310126458A CN116306108A CN 116306108 A CN116306108 A CN 116306108A CN 202310126458 A CN202310126458 A CN 202310126458A CN 116306108 A CN116306108 A CN 116306108A
- Authority
- CN
- China
- Prior art keywords
- liner
- test
- optimal
- model
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000035515 penetration Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000010998 test method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000002360 explosive Substances 0.000 claims description 5
- 241000283153 Cetacea Species 0.000 claims description 3
- 241000544061 Cuculus canorus Species 0.000 claims description 3
- 241000282575 Gorilla Species 0.000 claims description 3
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000272168 Laridae Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应机器学习的聚能装药药型罩结构优化方法，包括以下步骤：建立药型罩有限元模型并标定；采样并得出第一药型罩结构集；基于第一药型罩结构集数据增强，得到第二药型罩结构集；构建药型罩神经网络模型并测试调整，以确定药型罩神经网络模型；构建多模型融合优化算法，依据药型罩神经网络模型对药型罩结构参数优化并输出第一最优结构；基于自适应算法通过有限元方法计算第一最优结构的侵彻深度，将其代入上述模型优化得到第二最优结构，最优结构收敛时输出最终最优结构。本发明通过数据增强使神经网络具有更好的泛化效果与鲁棒性，多模型融合优化算法解决了单模型算法的局部最优解问题，自适应算法保证了最优解的稳定性。
Description
技术领域
本发明涉及聚能装药结构的优化方法，具体为一种基于自适应机器学习的聚能装药药型罩结构优化方法。
背景技术
聚能装药药型罩是一种内嵌于空穴装药中的锥形薄壁结构，当炸药点燃后，产生的巨大化学能将压溃药型罩形成一股高速稳定的金属射流，由于其强大的侵彻性能而被广泛的应用于油井射孔、民用爆破和国防工业等各个领域，鉴于高强度装甲和混凝土防御工事的快速发展和日益广泛的应用，增强聚能装药药型罩的威力势在必行，侵彻破甲深度是评价药型罩威力的首要技术指标，而该指标依赖于药型罩结构。
通过实验优化药型罩结构是主要方法，但是由于侵彻实验成本高昂，通过有限元逐个参数优化工作量庞大，大量算例计算起来十分困难且费时费力，其次，在药型罩优化领域，当前使用的优化方法比如在用遗传算法、粒子群算法等，都存在局部最优解问题，最后药型罩优化过程中，先预测再优化的策略虽能降低模型需求量，但不易保证最优解的稳定性，导致药型罩结构优化较为困难。
因此，现有技术存在以下技术问题：(1)有限元计算针对大量数据逐个进行优化难度高；(2)优化算法存在局部最优解；(3)先预测再优化的策略不易保证最优解的稳定性。
发明内容
为此，本发明提供一种基于自适应机器学习的聚能装药药型罩结构优化方法，有效的解决了现有技术中的有限元计算针对大量数据逐个进行优化难度高、优化算法存在局部最优解、先预测再优化的策略不易保证最优解的稳定性的问题。
为解决上述技术问题，本发明具体提供下述技术方案：一种基于自适应机器学习的聚能装药药型罩结构优化方法，包括以下步骤：
步骤100，建立药型罩有限元模型，并通过聚能装药实验对药型罩有限元模型的准确度进行标定；
步骤200，基于正交试验法、均匀试验法和拉丁超立方抽样法分别对药型罩有限元模型的结构参数进行采样，得出第一药型罩结构集，以对应形成第一药型罩试验方案集；
步骤300，通过数据增强，将对应的第一药型罩结构集成倍扩展至第二药型罩结构集，以对应形成第二药型罩试验方案集；
步骤400，基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型；
步骤500，构建多模型融合优化算法，并通过多模型融合优化算法，根据药型罩神经网络模型构建的映射关系，对药型罩结构参数进行优化，以输出第一最优结构；
步骤600，基于自适应算法通过有限元方法计算第一最优结构的侵彻深度，将其作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构。
进一步地，所述药型罩有限元模型包括空气、炸药、药型罩、靶板；
所述药型罩有限元模型的结构参数包含有药型罩的直径、锥角、壁厚与炸高。
进一步地，步骤200中分别采取正交试验法、均匀试验法和拉丁超立方抽样法对药型罩的直径、锥角、壁厚与炸高进行采样，对应采样得出的所述第一药型罩结构集内结构数量比值为5:1:6。
进一步地，所述正交试验法为在所述药型罩的直径、锥角、壁厚与炸高中每个参数取5个位级，并通过L25(54)正交表，得出第一试验方案。
进一步地，所述均匀试验法采用均匀设计，得出第二试验方案，若所述第二试验方案与所述第一试验方案有重叠，则重新抽样，直至所述第二试验方案和所述第一试验方案不重叠。
进一步地，所述拉丁超立方抽样法从多元参数分布中进行分层抽样，以得出第三试验方案；
所述第一试验方案、所述第二试验方案和所述第三试验方案综合形成所述第一药型罩试验方案集。
进一步地，所述基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型，包括：
步骤401，数据初始化；
对数据进行归一化，其中80％作为训练集，20％作为测试集；
步骤402，网络初始化；
根据输入数据，确定输入层节点数为4，隐含层节点数为5，输出层节点数为1，初始化输入层、隐含层和输出层神经元之间的连接权值、隐含层阈值、输出层阈值，给定学习速率和神经元激励函数；
步骤403，计算网络预测误差；
根据训练集数据、输入层和隐含层间的连接权值及隐含层阈值，计算隐含层输出，然后，根据输出层的连接权值与隐含层阈值，计算预测输出值，根据预测输出值与期望输出计算网络预测误差；
步骤404，权值更新；
根据网络预测误差更新连接权值与隐含层阈值、输出层阈值，之后返回步骤403计算网络预测误差，当误差收敛则停止更新，形成药型罩神经网络模型；
步骤405，模型泛化误差；
利用步骤404训练好的药型罩神经网络模型对测试集进行测试，得到药型罩神经网络模型的泛化误差；
步骤406，隐含层节点数的自适应调整；
测试隐含层节点从5～30的测试集的泛化误差，从中选出误差最小时的隐含层节点作为模型隐含层节点，以确定泛化误差最小的药型罩神经网络模型。
进一步地，所述多模型融合优化算法的构建方法包括以下步骤：
步骤501，初始化：初始化十个算法，每个算法随机生成十个单独的Pi(i＝1，……，10)，迭代次数为40；
步骤502，个体优化：十种算法分别搜索最优解，获得各自的最优解Ti和最优个体Pi；
步骤503，信息共享：将十个算法的最优值Ti和最优个体Pi汇总到T集合和P集合，将10个最优个体作为十个算法的初始值，返回第二步；
步骤504，终止条件：当协商次数L达到5次时，如果最优值增量
则输出T集合中的最优值Tmax和相应个体；如果最优值增量ΔTi≤-1％(i≥2)，L＝L+1，返回第二步。
进一步地，步骤501中的十个算法包括原子搜索优化(ASO)、蚁狮优化(ALO)、鼠群优化(RSO)、布谷鸟搜索(CS)、海鸥优化算法(SOA)、秃鹰搜索(BES)、灰狼优化(GWO)、大猩猩优化(GTO)，鲸鱼优化算法(WOA)，人工生态系统优化(AEO)。
进一步地，步骤600中，若第一最优结构和第二最优结构不相等，则继续迭代，直到二者相等，输出对应最终最优结构。
本发明与现有技术相比较具有如下有益效果：
(1)本发明通过数据增强技术，对数据进行增强，创造出更多的数据，使得神经网络在小样本学习中具有更好的泛化效果与鲁棒性；
(2)本发明提出的多模型融合优化算法，多模型融合优化算法可以找到这十个函数的最优解，标准偏差小于1％，表明多模型融合优化算法解决了单模型算法中的局部最优解问题，另外，多模型融合优化算法增加了优化路径和个体生成模式，可以提高算法的优化性能和稳定性；
(3)本发明提出了自适应算法，将第一最优结构代入经过标定的药型罩有限元模型求出对应侵彻深度，并将该数据作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构，保证了最优解的稳定性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的一种基于自适应机器学习的聚能装药药型罩结构优化方法的流程图；
图2为本发明实施例中的药型罩有限元模型的示意图；
图3为本发明实施例中的实验装置的示意图；
图4为本发明实施例中的试验结果的示意图；
图5为本发明实施例中的有限元模拟结果的示意图；
图6为本发明实施例中的多模型融合优化算法的构建方法的流程图；
图7为本发明实施例中的多模型融合优化算法和单模型算法对十个常用测试函数进行十轮最小值优化测试的结果的平均值和标准差的示意图；
图8为本发明实施例中的十个常用测试函数的自变量范围、自变量数量及函数的最小值的表格；
图9为本发明实施例中的十个常用测试函数的表达式的表格。
图中的标号分别表示如下：
1-起爆点；2-B炸药；3-药型罩；4-空气；5-靶板。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于自适应机器学习的聚能装药药型罩结构优化方法，包括以下步骤：
步骤100，建立药型罩有限元模型，并通过聚能装药实验对药型罩有限元模型的准确度进行标定；
步骤200，基于正交试验法、均匀试验法和拉丁超立方抽样法分别对药型罩有限元模型的结构参数进行采样，得出第一药型罩结构集，以对应形成第一药型罩试验方案集；
步骤300，通过数据增强，将对应的第一药型罩结构集成倍扩展至第二药型罩结构集，以对应形成第二药型罩试验方案集；
步骤400，基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型；
步骤500，构建多模型融合优化算法，并通过多模型融合优化算法，根据药型罩神经网络模型构建的映射关系，对药型罩结构参数进行优化，以输出第一最优结构；
步骤600，基于自适应算法通过有限元方法计算第一最优结构的侵彻深度，将其作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构。
本发明通过数据增强技术，对数据进行增强，创造出更多的数据，使得神经网络在小样本学习中具有更好的泛化效果与鲁棒性；另外多模型融合优化算法可以找到这十个函数的最优解，标准偏差小于1％，表明多模型融合优化算法解决了单模型算法中的局部最优解问题，另外，多模型融合优化算法增加了优化路径和个体生成模式，可以提高算法的优化性能和稳定性；还提出了自适应算法，将第一最优结构代入经过标定的药型罩有限元模型求出对应侵彻深度，并将该数据作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构，保证了最优解的稳定性。
本发明中的药型罩有限元模型包括空气、炸药、药型罩、靶板，其中靶板采用45#钢靶，另外，为了探究不同药型罩的侵彻性能，需要设置可调节的药型罩有限元模型的结构参数，药型罩有限元模型的结构参数包含有药型罩的直径、锥角、壁厚与炸高。
本发明中药型罩有限元模型的建立过程为：
1.网格划分(网格的概念：由结点、单元、结点连线构成的集合叫做网格)步骤：
(1)将实际物体简化为二维轴对称模型；
(2)把二维轴对称模型划分为有限个单元组成的离散体；
(3)单元之间通过单元节点相连接；
2.单元分析：确定不同单位的结点位置与节点力间的关系式。把单位的节点位置视为基本变量。其进行单元研究步骤为：
(1)对单位内的位置定义一种近似表达式；
(2)求单位的应变、应力；
(3)确定单位的节点；
3.整体分析：
(1)对各个单元组成的整体进行分析；
(2)建立节点外载荷与结点位移的关系；
(3)解出结点位移。
其中，建立完成的药型罩有限元模型如图2所示，Ht表示靶板长度，Dt表示靶板直径，S表示炸高，2α表示药型罩的锥角，t表示药型罩的壁厚，D表示药型罩的直径，H表示起爆点与药型罩的距离。
通过实验装置进行聚能装药实验，其中实验装置如图3所示，其中试验装置的相关参数为：Ht＝400mm，Dt＝100mm，S＝200mm，2α＝60°，t＝2mm，D＝60mm，H＝28mm。
之后按照实验的参数进行有限元模拟，即是对药型罩有限元模型的准确度进行检测，结果如图4和图5所示，其中图4代表的是实验结果，侵彻深度为260mm，图5代表的是模拟结果，侵彻深度为259mm，模拟结果与实验结果的误差低于1％，说明本发明建立的药型罩有限元模型具有较好的可靠性和准确度。
本发明步骤200中采取正交试验法、均匀试验法和拉丁超立方抽样法这三种采样方法对药型罩结构的结构参数进行采样，药型罩侵彻实验成本高昂，通过有限元逐个参数优化工作量庞大，因此，本专利融合了三种采样方法共同设计了多种第一药型罩结构，综合成第一药型罩结构集，增加了采样的多样性与分散性，有助于后续机器学习的进行。
另外，为了进一步增强采样的分散性，步骤200中分别采取正交试验法、均匀试验法和拉丁超立方抽样法对药型罩的直径、锥角、壁厚与炸高进行采样，对应采样得出的第一药型罩结构集内结构数量比值为5:1:6。
其中，正交试验法为在药型罩的直径、锥角、壁厚与炸高中每个参数取5个位级，并通过L25(54)正交表，设计出25种第一试验方案，正交试验法具有均匀分散性和整齐可比性的特点，显著降低了试验次数，大大减少了工作量。
均匀试验法采用均匀设计，均匀设计是只考虑试验点在试验范围内均匀散布的一种试验设计方法，采用均匀设计，每个因素的每个水平可以仅做一次试验，根据比值对应地确定5种第二试验方案，若第二试验方案与第一试验方案有重叠，则重新抽样，直至第二试验方案和第一试验方案不重叠为止。
拉丁超立方抽样是一种从多元参数分布中近似随机抽样的方法，拉丁超立方抽样法从多元参数分布中进行分层抽样，根据比值对应得出30种第三试验方案，第三试验方案和第一试验方案、第二试验方案均不相同。
上述实施例中，第一试验方案、第二试验方案和第三试验方案综合形成步骤200中的第一药型罩试验方案集。
步骤300中，对数据进行增强，创造出更多的数据，使得神经网络具有更好的泛化效果，本发明的数据增强方法是将自变量乘以(0.999～1.001)中的随机数作为新数据，将经过第一药型罩试验方案集内的60种不同第一药型罩结构成倍扩展至6000组第二药型罩结构，以对应形成第二药型罩试验方案集。
步骤400中，基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型，包括：
步骤401，数据初始化；
对数据进行归一化，其中80％作为训练集，20％作为测试集；
步骤402，网络初始化；
根据输入数据，确定输入层节点数为4，隐含层节点数为5，输出层节点数为1，初始化输入层、隐含层和输出层神经元之间的连接权值、隐含层阈值、输出层阈值，给定学习速率和神经元激励函数；
步骤403，计算网络预测误差；
根据训练集数据、输入层和隐含层间的连接权值及隐含层阈值，计算隐含层输出，然后，根据输出层的连接权值与隐含层阈值，计算预测输出值，根据预测输出值与期望输出计算网络预测误差；
步骤404，权值更新；
根据网络预测误差更新连接权值与隐含层阈值、输出层阈值，之后返回步骤403计算网络预测误差，当误差收敛则停止更新，形成药型罩神经网络模型；
步骤405，模型泛化误差；
利用步骤404训练好的药型罩神经网络模型对测试集进行测试，得到药型罩神经网络模型的泛化误差；
步骤406，隐含层节点数的自适应调整；
测试隐含层节点从5～30的测试集的泛化误差，从中选出误差最小时的隐含层节点作为模型隐含层节点，以确定泛化误差最小的药型罩神经网络模型，上述步骤402-404为药型罩神经网络模型的构建过程，步骤405-406为对对应的药型罩神经网络模型进行测试，以形成更优化的药型罩神经网络模型。
步骤500中，如图6所示，多模型融合优化算法的构建方法包括以下步骤：
步骤501，初始化：初始化十个算法，每个算法随机生成十个单独的Pi(i＝1，……，10)，迭代次数为40；
步骤502，个体优化：十种算法分别搜索最优解，获得各自的最优解Ti和最优个体Pi；
步骤503，信息共享：将十个算法的最优值Ti和最优个体Pi汇总到T集合和P集合，将10个最优个体作为十个算法的初始值，返回第二步；
步骤504，终止条件：当协商次数L达到5次时，如果最优值增量
则输出T集合中的最优值Tmax和相应个体；如果最优值增量ΔTi≤-1％(i≥2)，L＝L+1，返回第二步。
其中，L的初值为5。
上述实施例中，步骤501中的十个算法包括原子搜索优化(ASO)、蚁狮优化(ALO)、鼠群优化(RSO)、布谷鸟搜索(CS)、海鸥优化算法(SOA)、秃鹰搜索(BES)、灰狼优化(GWO)、大猩猩优化(GTO)，鲸鱼优化算法(WOA)，人工生态系统优化(AEO)。
通过对多个测试函数进行多轮优化测试来测试优化算法的性能是一种常见的方法，本发明可通过MFO(多模型融合优化算法Multi-model Fusion Optimizer)和单模型算法对十个常用测试函数(如图8和图9所示)进行十轮最小值优化测试，图8内记录了常用测试函数的名称、自变量范围、自变量数量及函数的最小值，其中函数的最小值均为0，图9记录了对应常用测试函数的表达式，结果的平均值用于反映算法的优化性能，结果的标准差用于反映算法稳定性。
图7中a为多模型融合优化算法和单模型算法对十个常用测试函数进行十轮最小值优化测试的结果的平均值，图7中b为多模型融合优化算法和单模型算法对十个常用测试函数进行十轮最小值优化测试的结果的标准差，从图7可以看出，组成MFO的十个单模型算法在优化某些函数时，存在局部最优解的问题，MFO可以找到这十个函数的最优解，标准偏差小于1％，表明MFO解决了单模型算法中的局部最优解问题，研究还表明，多模型融合算法增加了优化路径和个体生成模式，可以提高算法的优化性能和稳定性，从而使算法在求解高维复杂问题时能够稳定地给出最优解。
除上述外，本发明还设置了自适应算法(对应步骤600)，基于自适应算法通过有限元方法计算第一最优结构的侵彻深度，将其作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构，若第一最优结构和第二最优结构不相等，则继续迭代，直到二者相等，输出对应最终最优结构，保证了最优解的稳定性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，包括以下步骤：
步骤100，建立药型罩有限元模型，并通过聚能装药实验对药型罩有限元模型的准确度进行标定；
步骤200，基于正交试验法、均匀试验法和拉丁超立方抽样法分别对药型罩有限元模型的结构参数进行采样，得出若干种第一药型罩结构集，以对应形成第一药型罩试验方案集；
步骤300，通过数据增强，将对应的第一药型罩结构集成倍扩展至第二药型罩结构集，以对应形成第二药型罩试验方案集；
步骤400，基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型；
步骤500，构建多模型融合优化算法，并通过多模型融合优化算法，根据药型罩神经网络模型构建的映射关系，对药型罩结构参数进行优化，并输出第一最优结构；
步骤600，基于自适应算法通过有限元方法计算第一最优结构的侵彻深度，将其作为训练集经过训练和优化，得到第二最优结构，在第一最优结构和第二最优结构相等情况下，输出对应最终最优结构。
2.根据权利要求1所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述药型罩有限元模型包括空气、炸药、药型罩、靶板；
所述药型罩有限元模型的结构参数包含有药型罩的直径、锥角、壁厚与炸高。
3.根据权利要求2所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，步骤200中分别采取正交试验法、均匀试验法和拉丁超立方抽样法对药型罩的直径、锥角、壁厚与炸高进行采样，对应采样得出的所述第一药型罩结构集内结构数量比值为5:1:6。
4.根据权利要求3所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述正交试验法为在所述药型罩的直径、锥角、壁厚与炸高中每个参数取5个位级，并通过L25(54)正交表，得出第一试验方案。
5.根据权利要求4所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述均匀试验法采用均匀设计，得出第二试验方案，若所述第二试验方案与所述第一试验方案有重叠，则重新抽样，直至所述第二试验方案和所述第一试验方案不重叠。
6.根据权利要求5所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述拉丁超立方抽样法从多元参数分布中进行分层抽样，以得出第三试验方案；
所述第一试验方案、所述第二试验方案和所述第三试验方案综合形成所述第一药型罩试验方案集。
7.根据权利要求6所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述基于第二药型罩试验方案集内试验数据进行归一化，构建药型罩神经网络模型，训练并对训练好的药型罩神经网络模型的泛化误差进行测试，以确定泛化误差最小的药型罩神经网络模型，包括：
步骤401，数据初始化；
对数据进行归一化，其中80％作为训练集，20％作为测试集；
步骤402，网络初始化；
根据输入数据，确定输入层节点数为4，隐含层节点数为5，输出层节点数为1，初始化输入层、隐含层和输出层神经元之间的连接权值、隐含层阈值、输出层阈值，给定学习速率和神经元激励函数；
步骤403，计算网络预测误差；
根据训练集数据、输入层和隐含层间的连接权值及隐含层阈值，计算隐含层输出，然后，根据输出层的连接权值与隐含层阈值，计算预测输出值，根据预测输出值与期望输出计算网络预测误差；
步骤404，权值更新；
根据网络预测误差更新连接权值与隐含层阈值、输出层阈值，之后返回步骤403计算网络预测误差，当误差收敛则停止更新，形成药型罩神经网络模型；
步骤405，模型泛化误差；
利用步骤404训练好的药型罩神经网络模型对测试集进行测试，得到药型罩神经网络模型的泛化误差；
步骤406，隐含层节点数的自适应调整；
测试隐含层节点从5～30的测试集的泛化误差，从中选出误差最小时的隐含层节点作为模型隐含层节点，以确定泛化误差最小的药型罩神经网络模型。
8.根据权利要求7所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，所述多模型融合优化算法的构建方法包括以下步骤：
步骤501，初始化：初始化十个算法，每个算法随机生成十个单独的Pi(i＝1，……，10)，迭代次数为40；
步骤502，个体优化：十种算法分别搜索最优解，获得各自的最优解Ti和最优个体Pi；
步骤503，信息共享：将十个算法的最优值Ti和最优个体Pi汇总到T集合和P集合，将10个最优个体作为十个算法的初始值，返回第二步；
步骤504，终止条件：当协商次数L达到5次时，如果最优值增量
则输出T集合中的最优值Tmax和相应个体；如果最优值增量ΔTi≤-1％(i≥2)，L＝L+1，返回第二步。
9.根据权利要求8所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，步骤501中的十个算法包括原子搜索优化(ASO)、蚁狮优化(ALO)、鼠群优化(RSO)、布谷鸟搜索(CS)、海鸥优化算法(SOA)、秃鹰搜索(BES)、灰狼优化(GWO)、大猩猩优化(GTO)，鲸鱼优化算法(WOA)，人工生态系统优化(AEO)。
10.根据权利要求9所述的一种基于自适应机器学习的聚能装药药型罩结构优化方法，其特征在于，步骤600中，若第一最优结构和第二最优结构不相等，则继续迭代，直到二者相等，输出对应最终最优结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310126458.0A CN116306108B (zh) | 2023-02-16 | 2023-02-16 | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310126458.0A CN116306108B (zh) | 2023-02-16 | 2023-02-16 | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306108A true CN116306108A (zh) | 2023-06-23 |
| CN116306108B CN116306108B (zh) | 2023-10-27 |
Family
ID=86814129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310126458.0A Active CN116306108B (zh) | 2023-02-16 | 2023-02-16 | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306108B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828790A (zh) * | 2024-01-08 | 2024-04-05 | 中国兵器装备集团西南技术工程研究所 | 耦合数值计算与机器学习的收口筒体结构优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568353A (zh) * | 2016-10-27 | 2017-04-19 | 北京航天长征飞行器研究所 | 一种大开孔双药型罩聚能装药结构 |
| US20190170486A1 (en) * | 2017-12-06 | 2019-06-06 | No.59 Research Institute Of China Ordnance Industry | Preparation Method of Uniform Low Stress Cone Shaped Charge Liner |
| CN112184909A (zh) * | 2020-09-16 | 2021-01-05 | 中国科学院力学研究所 | 一种基于有限元网格的力学等效仿真骨的制造方法 |
| CN115310319A (zh) * | 2022-07-25 | 2022-11-08 | 川南航天能源科技有限公司 | 模拟地层条件下射孔完井的仿真方法 |
-
2023
- 2023-02-16 CN CN202310126458.0A patent/CN116306108B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106568353A (zh) * | 2016-10-27 | 2017-04-19 | 北京航天长征飞行器研究所 | 一种大开孔双药型罩聚能装药结构 |
| US20190170486A1 (en) * | 2017-12-06 | 2019-06-06 | No.59 Research Institute Of China Ordnance Industry | Preparation Method of Uniform Low Stress Cone Shaped Charge Liner |
| CN112184909A (zh) * | 2020-09-16 | 2021-01-05 | 中国科学院力学研究所 | 一种基于有限元网格的力学等效仿真骨的制造方法 |
| CN115310319A (zh) * | 2022-07-25 | 2022-11-08 | 川南航天能源科技有限公司 | 模拟地层条件下射孔完井的仿真方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭浩然;季茂荣;郭涛;武双章;: "基于BP神经网络遗传算法的药型罩优化", 中国矿业, no. 04 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828790A (zh) * | 2024-01-08 | 2024-04-05 | 中国兵器装备集团西南技术工程研究所 | 耦合数值计算与机器学习的收口筒体结构优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306108B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116306108B (zh) | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 | |
| CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
| CN113297686B (zh) | 固体火箭发动机数据融合设计方法、装置、设备及介质 | |
| CN113177356B (zh) | 一种基于深度学习的目标电磁散射特性快速预测方法 | |
| CN110348046B (zh) | 一种基于模糊综合评价的钻进轨迹多目标优化方法 | |
| CN114912195B (zh) | 一种商用车空气动力学序列优化方法 | |
| CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
| CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
| CN110826714B (zh) | 一种岩质基坑爆破参数动态调控方法 | |
| CN115221801B (zh) | 基于动态近似建模的飞行器不确定性传播分析方法和装置 | |
| Fang et al. | Fatigue crack growth prediction method based on machine learning model correction | |
| Kim et al. | Shape optimization of a hyperloop pod’s head and tail using a multi-resolution morphing method | |
| Botticelli et al. | Application of machine learning to gasoline direct injection systems: Towards a data-driven development | |
| Huang et al. | Prediction of mean and RMS wind pressure coefficients for low-rise buildings using deep neural networks | |
| CN117272868A (zh) | 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 | |
| WO2023246244A1 (zh) | 一种降低车轮风阻的轮辐开口轮廓形状的方法 | |
| Cheng et al. | Physics-informed neural network for modeling force and torque fluctuations in a random array of bidisperse spheres | |
| CN115962692A (zh) | 一种应用于露天爆破工程的爆破参数优化方法 | |
| CN114021492B (zh) | 一种基于神经网络的超临界翼型抖振优化方法 | |
| CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
| Xiao et al. | Prediction model of wax deposition rate based on WOA-BPNN algorithm | |
| CN114595577A (zh) | 基于克里金代理模型的分阶段高效约束优化方法和装置 | |
| Yao et al. | Efficient global multi-objective aerodynamic optimization using combined multi-point infilling strategy and surrogate models | |
| Li et al. | Design optimization of a 3d parameterized vane cascade with non-axisymmetric endwall based on a modified EGO algorithm and data mining techniques | |
| Sun et al. | Performance prediction and multi-objective optimization for the Atkinson cycle engine using eXtreme Gradient Boosting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |