基于动态响应预测的水介质爆炸容器可靠性分析

发布时间：2021-11-19 16:38

　　水介质爆炸容器是一种内部填充水介质,通过加载不同静水压来模拟不同水深环境,基于相似原理,利用小药量进行水下爆炸理论和工程技术研究的重要试验设备。为了确保容器安全使用,同时又能够充分发挥效能,有必要对其进行可靠性分析。由于容器在水下爆炸冲击波和加载静水压耦合作用下的响应规律很难得到解析形式,而采用数值模拟方法又无法动态体现容器的服役状态,因此本文提出了一种基于动态响应智能预测的随机-区间混合可靠性模型,对实际水介质爆炸容器进行可靠性分析。首先,通过数据特征分析、异常值检测以及平滑处理,实现了水介质爆炸容器动态响应测试样本数据预处理,在此基础上分别建立支持向量机回归预测模型、XGBoost预测模型、卷积神经网络预测模型和遗传算法优化BP神经网络预测模型,预测结果对比分析显示,BP神经网络模型的预测性能最佳,可为容器可靠性分析提供依据。然后,基于容器动态响应预测模型,获得容器最大应变区间变量。由于预测模型以容器服役期间的所有动态测试数据作为训练样本,使得所预测的容器在设计载荷下的最大响应区间具有自适应性,能反映当前容器的服役状态。结合考虑容器强度的随机特性,建立水介质爆炸容器的随机-区间可靠... 

【文章来源】：武汉科技大学湖北省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

箱线图

武汉科技大学硕士学位论文11②池化层主要对上一层的卷积结果进行特征映射。一般的方法有最大池化法，另一种是平均池化法。经过池化层之后可以对卷积的结果降维，从而减少参数个数，减小模型的复杂度。池化操作如图2.2所示。图2.2池化操作③全连接层主要是将经过卷积和池化过程后的结果进行结合，最后将结果输出。全连接层的计算公式为:niiiiifbxWy1(2-16)其中，xf是激活函数，常用的激活函数有prelusigmoidrelutanh,,,等。2.2.4BP神经网络（1）基本原理数据的输入层、隐藏层以及数据最后的输出层构成了BP神经网络的3层网络结构。图2.3所示是一个包含两层隐藏层的BP神经网络结构。图2.3两层隐藏层的BP神经网络（2）计算过程假设jx表示输入层到第j个节点的输入，Mj;,...,1ijw表示隐含层第i个节点

池化操作

【参考文献】：
期刊论文
[1]基于异常值检测的港口集装箱吞吐量预测模型[J]. 郭战坤,金永威,梁小珍,杨明歌,汪寿阳.  数学的实践与认识. 2019(17)
[2]随机-非概率模型下的船体结构屈服强度可靠性分析[J]. 滑林,吴梵,牟金磊.  国防科技大学学报. 2018(06)
[3]基于GRNN的水下爆炸容器动态响应预测[J]. 李琳娜,李甜,钟冬望,涂圣武,刘洋.  爆破. 2018(04)
[4]非随机过程的地震激励下埋地压力管道的非概率可靠性分析[J]. 张鹏,王艺环,秦国晋.  中国安全生产科学技术. 2018(06)
[5]遗传算法优化BP神经网络的交通流参数预测[J]. 车国鹏,刘永红.  综合运输. 2018(06)
[6]导波强化裂变聚合概率模型损伤监测方法[J]. 邱雷,房芳,袁慎芳,梅寒飞.  振动.测试与诊断. 2018(03)
[7]改进移动最小二乘法及其在结构可靠性分析中的应用[J]. 韦益夫,KAWAMURA Yasumi,王德禹.  上海交通大学学报. 2018(04)
[8]考虑真实时变环境应力的系统可靠性评估[J]. 兰杰,袁宏杰,袁铭,夏静.  北京航空航天大学学报. 2018(02)
[9]基于时变区间和穿阈模型的机械时变可靠性分析方法[J]. 王丕东,张建国,阚琳洁,杨乐昌.  机械工程学报. 2017(11)
[10]基于BP神经网络-SOSM的结构可靠性分析[J]. 张亮,赵娜.  自动化技术与应用. 2016(03)

博士论文
[1]非随机不确定结构的可靠性方法和优化设计研究[D]. 郭书祥.西北工业大学 2002

硕士论文
[1]基于贝叶斯理论的公路桥梁可靠性评估方法研究[D]. 徐波建.重庆交通大学 2017
[2]混合可靠性优化方法研究[D]. 柳国印.哈尔滨工程大学 2017
[3]基于概率—非概率的结构混合可靠性分析研究[D]. 吴钰龙.湖南大学 2013
[4]基于概率与非概率凸集的混合可靠性分析方法研究[D]. 刘丽新.湖南大学 2012
[5]基于BP神经网络和遗传算法的城市供水系统优化调度模型研究[D]. 陆健.河海大学 2007



本文编号：3505441