基于改进神经网络的玻璃纤维增强复合材料防弹性能预测模型研究

玻璃纤维增强复合材料是一种在兵器防护领域较为常用的材料,其防弹性能是评价材料特性最重要的指标之一。传统材料防弹性能的评估方法为人工实验对比数据,存在着工作量大、实验方法复杂且成本较高,检测效率低等缺陷,且评估结果容易产生较大偏差。BP神经网络(back propagation neural network,BPNN)能够通过训练自主学习规则,减少输出误差。针对传统材料性能评估方法存在的问题,研究提出了采用BPNN对玻璃纤维增强复合材料的防弹性能进行预测,减少工作量,提高材料防弹性能评估效率。针对BPNN中存在的缺陷,研究采用烟花算法(fireworks algorithm,FWA)对其权值和阈值进行优化。最终,基于改进BPNN模型,构建防弹性能预测模型。实验结果显示,FWA-BPNN模型的预测精度超过了99.5%,而PSO-BPNN模型、GA-BPNN模型、BPNN模型的预测准确率分别为99.00%、98.50%、98.06%。实验结果表明:研究提出的FWA-BPNN模型能够高效率、高精度地完成玻璃纤维增强复合材料防弹性能预测,对我国兵器装备防护领域的发展有着积极意义,可以缩减材料的性能评估时间,提升材料性能的评估精度,为兵器装备的材料选择提供数据支撑。