[发明专利]多经验公式与BP神经网络模型融合的混凝土侵彻深度预测算法

说明书

本发明涉及一种多经验公式与BP神经网络模型融合的混凝土侵彻深度预测算法，首先对原始样本进行预处理，将原始样本数据利用无量纲方法进行降维，然后根据需要选取一定数量的经验公式，设定并建立经验公式模型和BP神经网络模型，再将经验公式模型和BP神经网络模型融合为多经验公式与BP神经网络融合模型，最后使用该模型对高速弹丸作用于混凝土后的侵彻深度进行预测。本发明采用数据融合思想，将多个经验算法和BP神经网络融合从而构成新的融合模型，使得可以在神经网络预测精度比较低的情况下可以自动使用最佳的经验公式来弥补精度，从而提高整个融合模型的预测精度。

技术领域

本发明涉及高速弹丸作用于混凝土后的侵彻深度预测算法，是一种运用神经网络预测高速弹丸作用于混凝土后的侵彻深度预测算法，具体是一种多经验公式与BP神经网络模型融合的混凝土侵彻深度预测算法。

背景技术

研究弹丸在作用目标后的侵彻、贯穿以及毁伤效果对新型战斗部的研发和打击效果的评估有着非常重要的作用，弹丸侵彻和贯穿靶体的过程极其复杂，涉及到众多的力学行为，并且在侵彻过程中，会发生靶体和弹丸的变形、磨蚀和烧灼等，使得准确预测弹丸对靶体的侵彻和贯穿非常困难。由于混凝土靶标自身结构的复杂性，使得研究弹体对其侵彻和贯穿的过程更加复杂。

传统的研究弹体对混凝土靶标材料的侵彻深度主要有经验公式法、理论分析法和数值模拟法。理论分析法主要通过一些合理的假设和简化，将弹丸的侵彻过程简化为一个易于求解的工程模型做分析。现有的文献中，有运用空穴膨胀理论，合理推导了弹丸在侵彻半无限混凝土靶标时，弹体所受的阻力和侵彻深度的公式。理论分析法考虑了侵彻过程中各物理因素的影响，但是由于在分析过程中涉及到过多的假设与简化，因此其计算的准确度会受到很大的影响。经验公式算法是依靠大量试验数据拟合得到的算法，是对侵彻和贯穿过程的抽象和概括。现有文献中，常见的计算混凝土侵彻深度的经验公式有Young公式、NDRC公式和Forrestal公式等。经验公式形式简单，使用方便，但是其应用范围较窄,而且目前经验公式种类繁多，计算弹体对混凝土的侵彻深度就有20多种。数值模拟法就是利用有限差分法、有限元法，光滑粒子法(SRH)等，结合计算机技术对侵彻过程进行数值模拟，从而对侵彻深度进行计算。国外文献中，有利用有限元方法对长杆弹侵彻问题进行了全面的研究，详细分析了各个参数对侵彻过程的影响。数值模拟法可以对侵彻贯穿的整个过程能够完成比较完整的再现，为研究侵彻贯穿问题提供便利，但是数值模拟由于在计算过程中选定的本构往往不能完全反映其本构特征，因此其可信度不高，而且由于其计算复杂，严重依赖计算机的算力，很难满足实时分析的需求，因此数值模拟只能作为研究的一种辅助方法，他不能完全的代替真实的实验和理论分析。

目前，机器学习算法由于其对输入参数之间非线性关系的自动提取能力而被广泛应用于各种分析中。文献[《人工神经网络在弹体侵彻混凝土深度中的应用》.李建光，李泳池，王玉岚.中国工程科学.2009.9(8):77-81]运用ANN神经网络算法对高速弹丸对铝合金装甲的贯穿效果进行预测。也有文献利用RBF神经网络模型对弹体作用于混凝土靶标的侵彻深度进行预测，并取得了比较好的效果。文献[《基于BP神经网络的动能杆毁伤指标预测模型》王迎春,王洁,杜安利,王锟..系统工程与电子技术,2013,35(9):1898-1902]对BP神经网络进行了改进，从而对动能杆侵彻靶板的毁伤指数进行预测，结果表明，在一定的范围内，预测模型具有可靠性和有效性。文献《数据挖掘技术在混凝土侵彻深度分析中的应用》对之前的一些文献数据进行整理，将KNN和BP神经网络结合，对混凝土侵彻深度进行预测，分析得出在一定的范围内，KNN和BP神经网络相结合的模型在预测精度方面要高于传统的经验公式。但是这些方法所预测的样本数据范围较小，样本的数量也比较少，因此其说服力不够充分。

总而言之，神经网络在混凝土侵彻深度的预测上，过度依赖于样本数量的大小和分布区域，对于样本数量比较大且分布集中的区域，神经网络能取得比较好的精度，但是对于样本比较少且离散和稀疏的区间，其预测的精度会偏离比较大。而经验公式在一定的范围内，预测非常可靠，但是其预测范围比较局限，而且经验公式的种类繁多，每一种的适用范围不同，针对特定的参数，很难确定合适的经验公式。

发明内容