[发明专利]一种基于机器学习的反问题环形聚能装药优化方法

说明书

本发明涉及一种基于机器学习的反问题环形聚能装药优化方法，属于装备设计领域。本发明针对环形聚能装药关键参数相互耦合，单参数逐一优化不能设计出理想的环形药型罩结构的问题，构建了深度卷积神经网络模型，通过数值模拟技术生成了深度卷积神经网络模型训练及测试数据，通过将理想的环形侵彻体输入训练好的深度卷积神经网络模型，从而设计出最优化的环形聚能装要结构，解决了环形聚能装药多参数耦合设计问题。

技术领域

本发明涉及一种基于机器学习的反问题环形聚能装药优化方法，属于装备设计领域。

背景技术

环形聚能装药能装药形成的环形侵彻体在坚硬目标上的侵彻孔径远大于聚能射流、聚能杆式侵彻体以及爆炸成型弹丸，在军事及民用领域均具有重要的价值。在军事领域，环形聚能装药可以应用于串联战斗部的前级装药，为后级装药进入目标内部实现高效破坏打开通道。在民用领域，环形聚能装药可以用于水下爆炸切割以及消防员迅速建立火灾临时通道等。药型罩是环形聚能装药的关键部件，通过优化设计环形药型罩结构能够实现环形聚能装药侵彻孔径与侵彻深度的最佳平衡。然而，由于环形药型罩结构的复杂性，决定其形成及侵彻性能的关键参数通常是相互耦合的，单参数逐一优化不仅工作量大，且无法穷尽所有可能工况，不能设计出理想的环形药型罩结构。

发明内容

本发明的目的是为了解决现有环形聚能装药药型罩多参数耦合设计工作量大、无法找到最优设计的问题，提供一种环形聚能装药药型罩机器学习优化方法。

本发明的目的是通过下述技术方案实现的。

一种基于机器学习的环形聚能装药优化方法，包括如下步骤：

步骤1：构建深度卷积神经网络(CNN)模型；

步骤1.1：神经网络基本模型，主要由输入层神经元、隐藏层神经元、

输出层神经元组成，层与层之间的神经元由权重(w_ij^(l))和偏置(b_i^(l))连接，上标l代表层数，下标i代表权重所连接的第l层的第i个神经元，下标j代表权重所连接的第(l-1)层的第j个神经元，第l层的第i个神经元输出的计算方法如下：

其中，h(x)为激活函数，计算方法如下

h(x)＝max(0,x) (2)

当x值小于等于零时，h(x)取值为0，当x值大于零时，h(x)取值为x。

在网络结构确定的条件下，层数l和每层神经元的个数i已知，此时网络输出值为y_c，通过式(1)得到输出下标c代表第c个输出值，k为输出值的维度(个数)，标签值t_c与输出值y_c的偏差L由均方差方程(损失函数)得到：

y_c值是由权重和偏置决定的，因此，神经网络的主要工作是搜索合适的权重(W^*)和偏置(b^*)值，使得损失函数最小。为了简化公式表示，令W＝w_ij^(l)；b＝b_i^(l)；

权重及偏置采用式(5)更新，

其中η为学习率。

步骤1.2：为了实现对数据空间结构的学习，采用卷积计算及最大池化计算，卷积计算模型如式(6)所示