当前位置:主页 > 科技论文 > 军工论文 >

SVM算法在自适应随机试验设计与PBX应力应变关系规律挖掘中的应用研究

发布时间:2020-08-08 08:37
【摘要】:高聚物粘结炸药(PBX)是一种被广泛应用于武器弹药领域的高能材料,具有相对较高的爆轰性能和较低的感度。在生产、运输以及贮存过程中,因受外界刺激,结构件发生意外变形/破坏的情形时有发生,影响武器系统的服役安全性和使用可靠性,因此研究PBX的变形与破坏规律意义重大。本课题针对PBX变形与破坏规律研究中,试验设计与试验数据规律挖掘两个层面中现存的两个问题,开展了相关研究。一是以正交试验法为代表的传统试验设计方法,无法依据未知的试验规律合理分配试验资源和无法得到具有量化标准的模型;二是由于PBX存在着明显的拉压非对称性和温度相关性,其拉伸压缩同时考虑的应力应变关系难以描述。本研究提出了自适应随机试验方法(ARED)。该算法以模型的实时误差作为自适应条件,可在自动选择测试用例的基础上,输出符合误差量化标准的模型。为验证算法的有效性,利用ARED方法与单因素试验(SFE)在双峰高斯函数,与析因试验(FE)在双峰曲面函数,peaks函数上分别选取数量相近的测试用例,定性评价选点位置与极值点的关系。同时,分别利用支持向量机(SVM)算法对所选测试用例构建模型,并对验证曲面(或曲线)进行预测,在适用性与精度两个层面进行定量分析。结果表明,自适应随机试验法可适用于多种因素水平的试验,与SFE、FE方法相比,精度更高,能适用于多种因素水平。PBX单轴准静态下的拉伸-压缩应力应变关系作为本构模型建立的基础,对结构件力学响应预测具有重要意义。通过采集TATB基PBX炸药16个温度点下的单轴拉压应力-应变测试数据,从实用的角度提出采用SVM算法构建该材料的非线性应力应变关系。通过分析PBX材料应力应变关系的影响因素,将温度与应变两指标作为自变量,将应力作为因变量,利用网格搜索法(GS)与交叉验证法(CV)寻找最优参数,建立了基于SVM算法的可同时描述所有温度点PBX炸药力学行为的非线性应力应变关系。与试验数据进行对比,可得基于SVM关系式的平均绝对百分误差(MAPE)最高为7.768%,平均绝对误差(MAE)最大为0.8476,描述精度处于较高水平。在一套参数下,相关系数(R)均优于0.9987,表现出了良好的适用性。对TATB基PBX炸药进行了3种不同温度,每个温度下进行了3种不同初始应力水平的单轴拉伸蠕变试验与单轴压缩蠕变试验,并利用试验数据构建测试集。将温度、应力水平和时间作为自变量,应变作为因变量,基于SVM算法建立了蠕变应力应变关系式。同时,提出一种描述材料分散性的方法——误差带。误差分析结果表明,在一套参数下,SVM关系式的最小相关系数为0.99903,模型曲线的拟合度较好,误差带具有基本描述材料分散性的能力。
【学位授予单位】:中北大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TQ560.1
【图文】:

实验力学,炸药,试验设计,范畴


中北大学学位论文1 绪论义药(polymer bonded explosive,PBX)是一种高质药的一种,相对于其它炸药具有优良的爆轰性能以统之中[1],某种 PBX 的图片见图 1.1。战斗部中,需要考虑其爆温、爆压以及感度等性能指标,还需需承受的力学载荷[2]。而结构件的破坏与否与整个],因此,对 PBX 变形与破坏规律的研究具有重大意

曲线,聚苯乙烯,曲线,温度范围


a.连续测量 b.间隔测量图 1.2 聚苯乙烯 α-θ 曲线由图 1.2 可知,在 0~60℃的温度范围内,曲线变化平稳,使用少量数据点便可对曲线趋势进行较为精确的描述。而在 70~100℃的温度范围内,曲线变化剧烈,需更多数据点。在运用正交试验法时,会使试验点平均分布到整个温度范围内,造成试验点分配不合理。综上,设计一种可应对多种因素水平,能够在进行较少轮次的试验时,输出具有量化标准的模型是必要的。

结构图,模型构建,结构图,应力应变关系


间序列(t)和蠕变应变(c)4 个变量。无论是非线性应力应变关系的应力-应变曲线,亦或是考虑时间呈现出了较高的非线性特征。因此,可认为以上应力应变关系的多元非线性回归问题。将自变量作为输入样本。输入,包含所有的独立变量,ρ1~ρN为输出。用核函数将该样本映射至高维空间并得出结果,如图 1.5 所示。乘子,b 为偏置。如此便可将应力应变关系描述中的非线性不可空间的线性可分问题:权重系数,b 为偏置。 , , 1,2,..., , ,ni i i ix i n x R Ry f x w x b

【相似文献】

相关期刊论文 前10条

1 张展睿;;基于SVM算法的英文识别工具[J];通讯世界;2018年09期

2 徐建忠;朱俊;赵瑞;张亮;何亮;李娇娇;;基于SVM算法的航天微博情感分析[J];信息安全研究;2017年12期

3 郭婷;王杰;刘全明;梁吉业;;基于识别关键样本点的非平衡数据核SVM算法[J];模式识别与人工智能;2019年06期

4 孔尧;曹曦文;张育华;曾洁;宋雪桦;;基于SVM算法对车辆加速踏板舒适性的研究与实现[J];信息技术;2018年06期

5 彭晓冰;朱玉全;;基于特征内相关和互信息的加权SVM算法[J];计算机科学;2018年12期

6 孙振宇;彭苏萍;邹冠贵;;基于SVM算法的地震小断层自动识别[J];煤炭学报;2017年11期

7 徐慧;张华成;;基于特征选择和改进SVM算法的卷烟感官质量预测[J];桂林电子科技大学学报;2018年04期

8 张麟琛;;教学环境下的头部姿态检测系统[J];电子制作;2018年19期

9 张家城;朱艳辉;;基于SVM的商品评分系统[J];电脑知识与技术;2018年30期

10 王瑞;向新;肖冰松;;聚簇的分布式SVM算法优化[J];空军工程大学学报(自然科学版);2018年02期

相关博士学位论文 前1条

1 黄静华;支持向量机算法研究及在气象数据挖掘中的应用[D];中国矿业大学(北京);2011年

相关硕士学位论文 前10条

1 段晓畅;SVM算法在自适应随机试验设计与PBX应力应变关系规律挖掘中的应用研究[D];中北大学;2019年

2 陈罗春;基于决策粗糙集和SVM算法的网络入侵检测应用研究[D];南昌大学;2018年

3 王梓诺;基于SVM算法的文本分类的研究[D];吉林大学;2017年

4 周渐;基于SVM算法的多因子选股模型实证研究[D];浙江工商大学;2017年

5 赛金辰;基于Spark的SVM算法优化及其应用[D];北京邮电大学;2017年

6 周冉;基于Spark的并行SVM算法研究[D];辽宁工程技术大学;2017年

7 王越;Hadoop平台参数寻优的分布式SVM算法研究[D];西安理工大学;2016年

8 吕千千;多核SVM算法在Android恶意软件检测中的应用研究[D];重庆师范大学;2017年

9 孙苗苗;基于图像处理的输电线故障巡检技术研究[D];安徽理工大学;2017年

10 舒敏;动车组轴箱轴承健康状态评估与趋势分析[D];北京交通大学;2018年



本文编号:2785324

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jingguansheji/2785324.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户085e9***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com