[發明專利]一種破片初速確定方法和裝置及電子設備

有效

• 申請號: 202010529361.0
• 申請日: 2020-06-11
• 公開（公告）號: CN111814387B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 孫勇;范開軍;李軍;易華輝;田建輝;郭志明;陳巖;王珣;張天賜;劉強;曹俊卿
• 申請（專利權）人: 中國兵器科學研究院
• 主分類號: G06F30/27
• 分類號: G06F30/27
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 常曉

1.一種破片初速確定方法，應用于處理終端中，其特征在于，包括：

基于目標彈丸的標識信息和屬性參數的第一對應關系，根據接收到的目標彈丸的標識信息獲取目標彈丸的屬性參數；所述屬性參數包括以下至少一個因素：殼體密度、殼體屈服極限、殼體厚度、殼體質量、殼體長徑比、殼體底蓋質量、殼體端蓋質量、炸藥密度、炸藥半徑、炸藥長度、炸藥爆速、炸藥質量、起爆點位置；

將所述目標彈丸的屬性參數及預設的待預測軸向位置輸入到訓練后的預測模型中，預測得到所述待預測軸向位置對應的破片初速；所述預測模型是神經網絡模型；

基于所述目標彈丸的破片初速及破片質量確定所述目標彈丸的爆破能力；

根據所述爆破能力劃分安全區域范圍，并在位置坐標圖上以目標彈丸的爆破點為中心進行標記顯示。

2.根據權利要求1所述的方法，其特征在于，所述預測模型通過以下方式生成：

獲取包括多組試驗彈丸的屬性參數、多個預設軸向位置及對應的原始破片初速的樣本集，并基于所述樣本集對初始預測模型進行多組訓練，獲得訓練后的預測模型，其中，每組訓練過程包括如下步驟：

從所述樣本集中選取一組試驗彈丸的屬性參數、多個預設軸向位置和原始破片初速作為樣本；

分別將所述樣本中的試驗彈丸的屬性參數、預設軸向位置及原始破片初速輸入到初始預測模型中，以得到所述原始破片初速為目標對初始預測模型進行訓練。

3.根據權利要求1所述的方法，其特征在于，基于目標彈丸的標識信息和屬性參數的第一對應關系，根據接收到的目標彈丸的標識信息獲取目標彈丸的屬性參數之前，還包括：

從已建立的實際彈丸的標識信息和實際彈丸的安全區域范圍的第二對應關系中，未查找到所述目標彈丸的標識信息。

4.根據權利要求1或3所述的方法，其特征在于，得到所述目標彈丸對應的安全區域范圍后，還包括：

建立所述目標彈丸的標識信息與所述目標彈丸的安全區域范圍的第三對應關系，并加入到所述第二對應關系中。

5.根據權利要求1所述的方法，其特征在于，還包括：

判斷所述劃分的安全范圍區域與預設安全范圍區域的重疊區域占預設安全范圍區域的比例不大于預設閾值時，進行安全預警。

6.一種破片初速確定裝置，其特征在于，該裝置包括：

獲取模塊，被配置為執行基于目標彈丸的標識信息和屬性參數的第一對應關系，根據接收到的目標彈丸的標識信息獲取目標彈丸的屬性參數；所述屬性參數包括以下至少一個因素：殼體密度、殼體屈服極限、殼體厚度、殼體質量、殼體長徑比、殼體底蓋質量、殼體端蓋質量、炸藥密度、炸藥半徑、炸藥長度、炸藥爆速、炸藥質量、起爆點位置；

預測模塊，被配置為執行將所述目標彈丸的屬性參數及預設的待預測軸向位置輸入到訓練后的預測模型中，預測得到所述待預測軸向位置對應的破片初速；所述預測模型是神經網絡模型；

確定模塊，被配置為執行基于所述目標彈丸的破片初速及破片質量確定所述目標彈丸的爆破能力；

劃分模塊，被配置為執行根據所述爆破能力劃分安全區域范圍，并在位置坐標圖上以目標彈丸的爆破點為中心進行標記顯示。

7.根據權利要求6所述的裝置，其特征在于，所述預測模型通過以下方式生成：

獲取包括多組試驗彈丸的屬性參數、多個預設軸向位置及對應的原始破片初速的樣本集，并基于所述樣本集對初始預測模型進行多組訓練，獲得訓練后的預測模型，其中，每組訓練過程包括如下步驟：

從所述樣本集中選取一組試驗彈丸的屬性參數、多個預設軸向位置和原始破片初速作為樣本；

分別將所述樣本中的試驗彈丸的屬性參數、預設軸向位置及原始破片初速輸入到初始預測模型中，以得到所述原始破片初速為目標對初始預測模型進行訓練。

8.根據權利要求6所述的裝置，其特征在于，還包括：

對應模塊，被配置為執行從已建立的實際彈丸的標識信息和實際彈丸的安全區域范圍的第二對應關系中，未查找到所述目標彈丸的標識信息。