一种基于机器学习的超高速碰撞碎片云快速模拟方法技术

本发明专利技术涉及计算机相关技术领域，尤其涉及一种基于机器学习的超高速碰撞碎片云快速模拟方法，包括以下步骤，S10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。该发明专利技术通过特征工程方法，提取碎片云分布特征；然后基于变分自编码器网络结构建立碎片云快速模拟模型，并将碎片云分布特征和碰撞参数作为输入数据；同时设计损失函数，指导神经网络的层次性结构实现输入数据与输出数据之间的复杂函数逼近，进而建立碰撞参数与高维度的碎片云分布特征之间的非线性关系；为了评估所获得碎片云快速生成模型的准确性，建立了模型误差评估方法，通过计算模型输出结果与模型训练数据之间的多种误差标准。

【技术实现步骤摘要】
一种基于机器学习的超高速碰撞碎片云快速模拟方法
本专利技术涉及计算机相关
，尤其涉及一种基于机器学习的超高速碰撞碎片云快速模拟方法。
技术介绍
碎片云是指超高速碰撞过程中，弹丸在一定碰撞参数下，高速碰撞靶板后，破碎的弹丸和靶板碎片所形成的，由碎块、熔化物、汽化物所组成的高速运动物质，宏观上形如云团；所谓碎片云模型，是指描述弹丸超高速碰撞靶板所产生的碎片云的数学物理模型；碰撞参数是指碰撞前弹丸和靶材的相关参数，包括：弹丸入射速度、弹丸入射角度、弹丸与靶材碰撞坐标、弹丸和靶板的材质与形状等；碎片云分布特征包括：质量分布：指碎片云中的材料质量在空间中的分布，以质量的空间密度表示；速度分布：指碎片云上任意点的速度在空间中的分布；碎片云中的碎片尺寸特性：指碎片的平均尺寸、尺寸分布等；由于理论尚未成熟，超高速碰撞产生碎片云问题主要采取实验与数值模拟两种方法作为定量研究手段；超高速碰撞实验需要使用大型实现装置，而碰撞实验成本较高，同时实验准备、数据采集和结果处理都需要较长时间，所以单次实验所需时间通常以天为单位；因此数值模拟方法，以其成本低廉的优势，作为实验方法的一种有效补充而广泛使用；光滑粒子方法(SPH，SmoothedParticleHydrodynamics)，作为一种无网格方法，采用数量众多离散粒子从几何上离散弹丸和靶板，因此可以模拟物体的大变形和破碎现象，此方法常用于超高速碰撞模拟；但是光滑粒子方法也需要循环遍历离散粒子，执行大量数值计算，同时伴随所使用离散粒子数目的增加，计算时间也呈指数增加；通常，单个工况的超高速碰撞模拟所需时间以小时为单位；在工程和实验设计中，常常需要快速探视多个指定碰撞参数下的碎片云分布特征，而实验和数值模拟方法都存在时间周期长的问题。
技术实现思路
本专利技术的目的在于提供一种基于机器学习的超高速碰撞碎片云快速模拟方法，以解决上述
技术介绍
中提出的现有的工程和实验设计中，常常需要快速探视多个指定碰撞参数下的碎片云分布特征，而实验和数值模拟方法都存在时间周期长的问题。为了实现以上目的，本专利技术采用的技术方案为：一种基于机器学习的超高速碰撞碎片云快速模拟方法，包括以下步骤，S10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。进一步的，所述S10、碎片云关键特征提取方法包括，通过分析光滑粒子方法生成的历史结果，将其中按碎片描述的结果文件转换为按空间分布描述的碎片云关键特征文件，通过将可能存在碎片分布的所有空间区域进行结构化网格划分，并在每个六面体网格中统计以下物理量：碎片数目、碎片总质量、碎片在X方向平均速度、碎片在Y方向平均速度、碎片在Z方向平均速度、碎片动量和、碎片动能和，构建按空间分布描述的碎片云关键特征。进一步的，所述S20、碎片云快速模拟模型构建方法包括，该方法基于变分自编码器网络结构构建碎片云快速模拟模型，其中以按空间分布描述的碎片云关键特征作为输入层，以模拟结果和输入层数据的均方差作为损失函数，控制模型优化方向，使得模型输出结果逐渐逼近输入层数据，从而使得碎片云快速模拟模型获得碎片云空间分布特征。进一步的，所述S30、模型中碰撞条件施加策略，该方法将碰撞条件作为附加数据添加到输入层数据中，并通过碎片云快速模拟模型输出预测结果，并将预测结果和输入碰撞条件的均方差添加到损失函数中，以达通过碰撞条件控制碎片云生成的目的，同时，为了提升碰撞条件的控制效果，增加碰撞条件在损失函数中所占的权重，其权重系数等于与对碎片云空间区域进行结构化网格划分时各个方向的网格数目的平均值。进一步的，所述S40、模型准确性评估方法，所述方法通过计算模型训练过程中使用的训练集数据与模型输出结果之间的不同误差标准，综合评估模型的准确性和可靠性，误差标准包括：碎片云总质量误差比例、碎片云质量分布图像的结构相似度、碎片云平均速度分布的图像结构相似度、碎片云沿X轴无量纲化质量对比曲线。本专利技术的有益效果为：该方法通过特征工程方法，提取碎片云分布特征；然后基于变分自编码器网络结构建立碎片云快速模拟模型，并将碎片云分布特征和碰撞参数作为输入数据；同时设计损失函数，指导神经网络的层次性结构实现输入数据与输出数据之间的复杂函数逼近，进而建立碰撞参数与高维度的碎片云分布特征之间的非线性关系；为了评估所获得碎片云快速生成模型的准确性，建立了模型误差评估方法，通过计算模型输出结果与模型训练数据之间的多种误差标准，综合评估模型的准确性和可靠性。附图说明图1为一种基于机器学习的超高速碰撞碎片云快速模拟方法的条件变分自编码器网络结构图。图2为一种基于机器学习的超高速碰撞碎片云快速模拟方法的碎片云关键特征提取算法流程图。图3为一种基于机器学习的超高速碰撞碎片云快速模拟方法的碎片云快速生成模型网络结构示意图。图4为一种基于机器学习的超高速碰撞碎片云快速模拟方法的模型训练与准确性评估中样本使用情况图。具体实施方式为了使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术进行详细描述，本部分的描述仅是示范性和解释性，不应对本专利技术的保护范围有任何的限制作用。如图1-图4所示，本专利技术的具体结构为：一种基于机器学习的超高速碰撞碎片云快速模拟方法，包括以下步骤，S10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。优选的，所述S10、碎片云关键特征提取方法包括，通过分析光滑粒子方法生成的历史结果，将其中按碎片描述的结果文件转换为按空间分布描述的碎片云关键特征文件，通过将可能存在碎片分布的所有空间区域进行结构化网格划分，并在每个六面体网格中统计以下物理量：碎片数目、碎片总质量、碎片在X方向平均速度、碎片在Y方向平均速度、碎片在Z方向平均速度、碎片动量和、碎片动能和，构建按空间分布描述的碎片云关键特征。具体的，碎片云快速生成模型的训练数据和测试数据，来源于使用光滑粒子方法进行超高速碰撞模拟输出的数值模拟结果。数值模拟结果采用表格形式储存，以碎片编号为纵轴，以碎片的质量、空间坐标、各轴向速度、各轴向特征尺寸等物理信息作为横轴；以圆形弹丸高速碰撞薄壁圆筒形状的靶板为例，弹丸破碎并穿透圆筒，然后在入射速度方向生成纺锤状入射碎片云，同时在碰撞点上方生成反溅碎片云；在数值模拟结果中中，根据碰撞参数不同，碎片云尺寸、碎片云包含的碎片数目差异较大，且碎片间质量差异常高达3个数量级；同时碰撞产生的碎片数目众多，直接使用全部碎片数据作为快速生成模型的输入将导致问题维度过大，不利于快速求解；因此较快的求解策略是，以碎片云整体作为研究对象，将碎片云的描述方式从以碎片为单位转化为按空间分布描述；算法逻辑如下：1.根据经验公式，预估高速碰撞后碎片云可能分布的空间区域，作为碎片云空间；2.将碎片云空间进行结构化网格划分，考虑到通常作为模型训练数据的数本文档来自技高网...

【技术保护点】
1.一种基于机器学习的超高速碰撞碎片云快速模拟方法，其特征在于：包括以下步骤，/nS10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。/n

【技术特征摘要】
1.一种基于机器学习的超高速碰撞碎片云快速模拟方法，其特征在于：包括以下步骤，
S10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。


2.根据权利要求1所述的一种基于机器学习的超高速碰撞碎片云快速模拟方法，其特征在于：所述S10、碎片云关键特征提取方法包括，通过分析光滑粒子方法生成的历史结果，将其中按碎片描述的结果文件转换为按空间分布描述的碎片云关键特征文件，通过将可能存在碎片分布的所有空间区域进行结构化网格划分，并在每个六面体网格中统计以下物理量：碎片数目、碎片总质量、碎片在X方向平均速度、碎片在Y方向平均速度、碎片在Z方向平均速度、碎片动量和、碎片动能和，构建按空间分布描述的碎片云关键特征。


3.根据权利要求1所述的一种基于机器学习的超高速碰撞碎片云快速模拟方法，其特征在于：所述S20、碎片云快速模拟模型构建方法包括，该方法基于变分自编码器网络结构构建碎片云快速模拟模型，其中以按空间分布描述的碎片云关键特征作为输入层，以模拟结果和输入层数据...

【专利技术属性】
技术研发人员：文永，张浩，张庆，褚新坤，田志宇，
申请(专利权)人：中国工程物理研究院计算机应用研究所，
类型：发明
国别省市：四川;51