[發明專利]一種基于機器學習的反問題環形聚能裝藥優化方法

在審

• 申請號: 202010114051.2
• 申請日: 2020-02-24
• 公開（公告）號: CN111291519A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 徐文龍;王成;賈時雨;楊同會;齊方方;劉保華
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/00;G06F111/10
• 代理公司: 北京理工正陽知識產權代理事務所(普通合伙) 11639
• 代理人: 鄔曉楠

本發明涉及一種基于機器學習的反問題環形聚能裝藥優化方法，屬于裝備設計領域。本發明針對環形聚能裝藥關鍵參數相互耦合，單參數逐一優化不能設計出理想的環形藥型罩結構的問題，構建了深度卷積神經網絡模型，通過數值模擬技術生成了深度卷積神經網絡模型訓練及測試數據，通過將理想的環形侵徹體輸入訓練好的深度卷積神經網絡模型，從而設計出最優化的環形聚能裝要結構，解決了環形聚能裝藥多參數耦合設計問題。

技術領域

本發明涉及一種基于機器學習的反問題環形聚能裝藥優化方法，屬于裝備設計領域。

背景技術

環形聚能裝藥能裝藥形成的環形侵徹體在堅硬目標上的侵徹孔徑遠大于聚能射流、聚能桿式侵徹體以及爆炸成型彈丸，在軍事及民用領域均具有重要的價值。在軍事領域，環形聚能裝藥可以應用于串聯戰斗部的前級裝藥，為后級裝藥進入目標內部實現高效破壞打開通道。在民用領域，環形聚能裝藥可以用于水下爆炸切割以及消防員迅速建立火災臨時通道等。藥型罩是環形聚能裝藥的關鍵部件，通過優化設計環形藥型罩結構能夠實現環形聚能裝藥侵徹孔徑與侵徹深度的最佳平衡。然而，由于環形藥型罩結構的復雜性，決定其形成及侵徹性能的關鍵參數通常是相互耦合的，單參數逐一優化不僅工作量大，且無法窮盡所有可能工況，不能設計出理想的環形藥型罩結構。

發明內容

本發明的目的是為了解決現有環形聚能裝藥藥型罩多參數耦合設計工作量大、無法找到最優設計的問題，提供一種環形聚能裝藥藥型罩機器學習優化方法。

本發明的目的是通過下述技術方案實現的。

一種基于機器學習的環形聚能裝藥優化方法，包括如下步驟：

步驟1：構建深度卷積神經網絡(CNN)模型；

步驟1.1：神經網絡基本模型，主要由輸入層神經元、隱藏層神經元、

輸出層神經元組成，層與層之間的神經元由權重(w_ij^(l))和偏置(b_i^(l))連接，上標l代表層數，下標i代表權重所連接的第l層的第i個神經元，下標j代表權重所連接的第(l-1)層的第j個神經元，第l層的第i個神經元輸出的計算方法如下：

其中，h(x)為激活函數，計算方法如下

h(x)＝max(0,x) (2)

當x值小于等于零時，h(x)取值為0，當x值大于零時，h(x)取值為x。

在網絡結構確定的條件下，層數l和每層神經元的個數i已知，此時網絡輸出值為y_c，通過式(1)得到輸出下標c代表第c個輸出值，k為輸出值的維度(個數)，標簽值t_c與輸出值y_c的偏差L由均方差方程(損失函數)得到：

y_c值是由權重和偏置決定的，因此，神經網絡的主要工作是搜索合適的權重(W^*)和偏置(b^*)值，使得損失函數最小。為了簡化公式表示，令W＝w_ij^(l)；b＝b_i^(l)；

權重及偏置采用式(5)更新，

其中η為學習率。

步驟1.2：為了實現對數據空間結構的學習，采用卷積計算及最大池化計算，卷積計算模型如式(6)所示