[发明专利]一种基于BP人工神经网络的推进剂力学性能预测方法

说明书

本发明公开了一种基于BP人工神经网络的推进剂力学性能预测方法，具体步骤如下：步骤一，将采集的推进剂相关数据，数据经归一化预处理后得到训练样本集；步骤二，通过设计输入层、隐含层和输出层构建BP神经网络模型，并选择传递函数、训练函数和学习函数；步骤三，使用训练样本集对BP神经网络进行迭代训练并建立预测模型；步骤四，将变量输入至最佳的预测网络模型进行预测，即可得到推进剂在不同键合剂、不同固化参数、不同测试温度条件下的力学性能。本发明的方法根据已有的数据条件，建立合适的BP神经网络模型，可对复合固体推进剂任意配方不同键合剂含量、固化参数和测试条件下的力学性能进行预测，达到提高效率降低生产成本的目的。

技术领域

本发明涉及复合固体推进剂领域，具体是一种基于BP人工神经网络的推进剂力学性能预测方法。

背景技术

复合推进剂是由高分子粘结剂、固体粉末氧化剂、粉末金属燃料和其他附加组分混合组成的一类推进剂，通常按高分子粘结剂的种类分为聚硫橡胶复合推进剂、聚氨酯复合推进剂、端羟基聚丁二烯复合推进剂和端羧基聚丁二烯复合推进剂等。当复合推进剂中加入多种工艺助剂时，多种助剂之间对推进剂的力学性能的影响存在着复杂的非线性关系，但这种关系缺乏数理模型，对于工艺助剂对推进剂力学性能的影响的研究，一直局限于通过实验慢慢调试，这种方法不仅需要大量的推进剂试样，而且研发周期较长，成本较高，难以适应新型的武器研制平台。

由于人工神经网络具有非常强的容错性和自适应性，特别是具有高度的非线性能力，可逼近任意的非线性函数的BP网络的出现为我们解决这些传统的问题提供了一种新的方法，在解决非线性问题上得到广泛应用，目前人们还尚未有将BP网络应用于推进剂力学性能的研究。

发明内容

本发明的目的在于提供一种基于BP人工神经网络的推进剂力学性能预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于BP人工神经网络的推进剂力学性能预测方法，具体步骤如下：

步骤一，将采集的推进剂相关数据，数据经归一化预处理后得到训练样本集；

步骤二，通过设计输入层、隐含层和输出层构建BP神经网络模型，并选择传递函数、训练函数和学习函数；

步骤三，使用训练样本集对BP神经网络进行迭代训练，得到最佳的预测网络模型；

步骤四，将变量输入至最佳的预测网络模型进行预测，变量包括键合剂、固化参数和测试温度，及不同种类键合剂组合后的用量，即可得到推进剂在不同键合剂、不同固化参数、不同测试温度条件下的力学性能。

作为本发明进一步的方案：步骤一中相关数据包括推进剂在不同键合剂、不同固化参数和不同测试温度条件下的抗拉强度和断裂伸长率数据，数据的归一化处理公式为：，式中p_n为归一化后的数据，p为原始样本数据，p_min与p_max分别为原始样本数据的最小值与最大值，训练样本集包括样本的输入和样本的输出。

作为本发明进一步的方案：步骤二中输入层包括括两种键合剂含量、固化参数和三个测试温度共6个节点，通过进行确定一个隐含层神经元数量的范围，在该范围内选择不同的神经元个数进行训练，通过比较每个神经元对应的模型网络收敛精度和收敛速度，确定最优的神经元数量；其中L为隐含层神经元个数，n为输入神经元节点数，m为输出神经元节点数，a为（1，10）之间的常数；传递函数采用线性-正切形式的传递函数，训练函数采用Levenberg-Marguart训练函数，学习函数采用梯度下降动量学习函数learngdm。

作为本发明进一步的方案：确定一个隐含层神经元数量的范围包括预设训练函数trainlm、设定训练目标、设定训练步骤、分别对具有不同隐含层的网络训练、检查网络性能以及根据结果确定最佳的隐含层神经元个数。