【技术实现步骤摘要】
本专利技术涉及推进剂安全性能预测，具体的说，是一种rdx改性双基推进剂的安全性能预测方法。
技术介绍
1、由于配方中含有大量高敏感的硝铵炸药、硝化棉、硝化甘油等含能材料，推进剂在生产、贮存、运输和使用过程中极易受到撞击、摩擦、热等外界能量作用而引发快速化学反应，从而导致燃烧甚至爆炸等意外事故的发生。推进剂的安全性能是表征其在受到热、火焰、机械作用(摩擦和撞击)、静电火花等一定外界条件刺激下发生激烈反应的难易程度，根据不同的外界激发能源可采用不同的感度来衡量推进剂的安全性程度。机械作用是推进剂在生命周期中可能遇到的主要外界激源之一，因此，机械感度(摩擦感度和撞击感度)是表征推进剂安全性能的关键指标，对其进行量化评估有利于确定推进剂的使用范围和可靠性，对固体火箭动力技术的发展起着至关重要的作用。
2、目前我国普遍采用wl-1型立式落锤仪测定推进剂的撞击感度，表示方法主要有特性落高法、爆炸百分数表示法和50％爆发临界落高表示法；摩擦感度则普遍使用wm-1型摆式摩擦仪进行测定，以爆炸百分数法表示。尽管通过实验获取推进剂机械感度是可信度最高的方式，但仍然存在耗费时间长、测试成本高、危险性高以及实验重复性差等问题，导致其实施性低，这在一定程度上阻碍了推进剂的研发进程。如果能在推进剂配方设计阶段预先了解推进剂的安全性能，就可以避免后续实验的盲目性，缩短时间，降低经济成本。由此可见，发展一种高效快速的预测方法显得尤为重要。
3、现有技术中感度预测理论，主要集中在单质炸药的机械感度尤其是撞击感度的预测上，运用的方法主要包括
4、综上所述，针对推进剂成分复杂、影响因素繁多、样本量稀缺的特点开发一种快速准确的安全性能预测方法是极有必要的，可为推进剂的安全使用提供理论依据，进而指导配方优化。
技术实现思路
1、本专利技术的目的在于提供一种rdx改性双基推进剂的安全性能预测方法，用于解决现有技术中尚没有一种能够快速准确预测推进剂安全性能的方法的问题。
2、本专利技术通过下述技术方案解决上述问题：
3、一种rdx改性双基推进剂的安全性能预测方法，包括：
4、步骤s100、分析推进剂样本数据，使用组分配比信息和粒度信息对样本进行表征，并构建原始数据集d0；
5、步骤s200、采用数据增强技术对原始数据集d0进行多次扩增，得到对应的增强数据集d1、d2、d3和d4；
6、步骤s300、采用标准化器对扩增得到的数据集中的数据进行z-score标准化处理，得到标准化数据；
7、步骤s400、利用机器学习算法对标准化数据进行建模预测，通过十折交叉验证结合网格寻参得到机器学习算法的最优超参数，每种机器学习算法在最优超参数下执行十折交叉验证，选择最优机器学习模型和最优增强数据集，基于最优增强数据集和最优机器学习模型构建rbf核rdx摩擦感度预测的rbf核svr模型和撞击感度预测的ann模型；
8、步骤s500、使用外部样本对svr模型和ann模型进行验证，预测误差均在设定阈值以内，则保存标准化器、svr模型和ann模型；
9、步骤s600、在svr模型、ann模型分别输入推进剂组分配比和粒度信息，得到摩擦感度和撞击感度的预测值。
10、进一步地，所述步骤s100具体包括：
11、步骤s110、对推进剂不同配方的组分取并集实现特征统一，最终包含13个组分，每个组分均对应一个特征，使用质量百分比来表示组分配比，如果原配方中不含有某种组分，则以0表示；
12、步骤s120、取粒度的对数值作为特征值添加到特征向量中；
13、步骤s130、每组样本均使用摩擦感度和撞击感度表示其安全性能，经过处理，每个样本均被表征为14维的特征向量，包含13维组分配比和1维粒度信息，对应摩擦感度和撞击感度两个标签值，将该原始数据集记作d0。
14、进一步地，所述步骤s200具体包括：
15、步骤s210、使用原始的数据集d0构建代理模型cf,0和ci,0，cf,0为摩擦感度的预测模型，ci,0为撞击感度的预测模型；
16、步骤s220、随机运行n次mixup混合差值法，生成n个新数据，构成待挑选样本池u0；
17、步骤s230、利用cf,0和ci,0对待挑选样本池u0进行预测并计算每个待挑选样本的期望提升值ei，对每个待挑选样本的ei值降序排序，选取排名前m的样本添加到原始的数据集d0中构成增强数据集d1，剩n-m个待挑选样本作为样本池u1，n，m为整数，且m小于n；
18、步骤s240、利用增强数据集d1重新训练得到更新的代理模型cf,1和ci,1，使用cf,1和ci,1对样本池u1进行预测并计算期望提升值ei，降序排序后选取排名前m的样本添加到数据集d1中构成增强数据集d2，还剩n-2*m个待挑选样本作为样本池u2；
19、步骤s250、利用增强数据集d2重新训练得到更新的代理模型cf,2和ci,2，并对样本池u2进行预测并计算期望提升值ei，降序排序后选取排名前m的样本添加到增强数据集d2中构成增强数据集d3，剩n-3*m个待挑选样本作为样本池u3；
20、步骤s260、利用增强数据集d3重新训练得到更新的代理模型cf,3和ci,3并对样本池u3进行预测并计算期望提升值ei，降序排序后选取排名前m的样本添加到增强数据集d3中构成增强数据集d4，剩n-4*m个待挑选样本。
21、进一步地，所述步骤s400具体包括：
22、步骤s410、确定十种机器学习算法的参数优化空间；机器学习算法分别为多元线性回归mlr、偏最小二乘回归plsr、核岭回归krr、套索算法lasso、k最近邻回归knn、支持向量回归svr、随机森林rf、极限梯度提升xgb、轻量级梯度提升lgb和人工神经网络a本文档来自技高网...
【技术保护点】
1.一种RDX改性双基推进剂的安全性能预测方法，其特征在于，包括：
2.根据权利要求1所述的一种RDX改性双基推进剂的安全性能预测方法，其特征在于，所述步骤S100具体包括：
3.根据权利要求2所述的一种RDX改性双基推进剂的安全性能预测方法，其特征在于，所述步骤S200具体包括：
4.根据权利要求3所述的一种RDX改性双基推进剂的安全性能预测方法，其特征在于，所述步骤S400具体包括：
5.根据权利要求4所述的一种RDX改性双基推进剂的安全性能预测方法，其特征在于，所述步骤S500具体包括：
【技术特征摘要】
1.一种rdx改性双基推进剂的安全性能预测方法，其特征在于，包括：
2.根据权利要求1所述的一种rdx改性双基推进剂的安全性能预测方法，其特征在于，所述步骤s100具体包括：
3.根据权利要求2所述的一种rdx改性双基推进剂的安全性能预测方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。