基于Adaboost的填充式防护结构超高速撞击损伤预测

填充式防护结构的显式弹道极限方程在对弹丸进行超高速撞击损伤预测时,由于填充材料、填充方式的不同,会导致预测结果与实测数据存在一定偏差。对此,采用机器学习方式将该问题转化为二分类问题,以碰撞过程中的弹丸撞击参数、防护结构参数作为分类特征,构建了基于Adaboost的填充式防护结构超高速撞击损伤预测模型。该模型以分类回归树(CART)作为弱分类器,通过对一系列弱分类器的加权组合生成强分类器,并通过对训练样本的循环使用,实现了小样本集下的撞击损伤预测。实验结果表明,建立的Adaboost预测模型对填充式防护结构的超高速撞击损伤具有良好的预测效果,总体预测率与安全预测率相比于NASA的弹道极限方程均提高了14. 3%,具有更强的通用性。通过不同训练样本规模下的交叉检验,证明了该模型具有良好的鲁棒性与准确性。

填充式防护结构弹道极限方程的多指标寻优

为获得适用于国内填充式防护结构超高速撞击的弹道极限方程,采用多指标寻优的方法,对NASA填充式防护结构的弹道极限方程以国内实验数据为依据进行修正.结果发现:采用第1类指标(总体预测率和安全预测率)和第2类指标(预测误差平方和)联合对方程的系数进行修正,可获得预测效果更好的修正方程.通过对方程低速段和高速段的整体系数进行修正,最终获得单填充组、单一材料的双填充组以及两种材料的双填充组防护结构弹道极限方程的总体预测率分别为93.3%,90%和88.9%,而安全预测率全部高达100%,可很好满足工程的需求.可见,基于不同填充式防护结构的实验数据分别进行弹道极限方程的修正,可获得相应结构预测能力较优的方程.

Whipple防护结构弹道极限方程的多指标修正

为获得适用于国内情况的Whipple防护结构超高速弹道极限方程,研究了指标寻优方法,对国外的Christiansen改进型方程,以国内实验数据为依据进行多指标修正。结果发现:以预测概率型指标(包括总体预测率、安全预测率)和预测误差型指标(如:预测误差平方和)联合进行方程系数的逐级修正,可获得预测效果更好的修正方程。通过对低速段和高速段方程的整体系数进行修正,最终得到的新方程在国内107个实验数据上的总体预测率达到了89.7%,安全预测率则高达100%,分别较修正前的相应指标提高了10.3%和2.8%。

填充式防护结构弹道极限方程的差异演化优化

综合建模形式弹道极限方程中存在11个待定参数,从理论上讲,采用穷举法可以获得其数值大小,但需要的计算时间过长,储存空间巨大,不宜实现,为解决此问题,改用差异演化算法。基于填充式实验数据,采用差异演化算法对综合建模形式弹道极限方程的11个待定参数进行了多目标优化计算。结果显示,方程的总体预测率为82.35%,安全预测率为100%,平均相对误差平方和为0.001 3。该方程对其他来源的49个实验数据的预测结果显示,总体预测率提升了1.32%,安全预测率降低了4.08%,平均相对误差平方和增加了0.007 3,表明差异演化算法适用于解决多参数多目标的弹道极限方程建模问题。