申请/专利权人：四川大学

申请日：2023-12-27

公开（公告）日：2024-03-26

公开（公告）号：CN117766058A

主分类号：G16C20/30

分类号：G16C20/30;G16C20/10;G16C20/70;G06N3/0499;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种RDX改性双基推进剂的安全性能预测方法，基于推进剂样本构建原始数据集；采用数据增强技术对原始数据集进行多次扩增，得到对应的增强数据集，再进行标准化处理；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，在最优超参数下执行十折交叉验证，选择最优摩擦感度预测模型、撞击感度预测模型；对模型进行验证通过后，进行推进剂摩擦感度和撞击感度的预测。本发明解决了推进剂成分复杂、影响因素多、不能使用传统分子结构性质表征的难题；将主动学习和Mixup混合插值技术结合起来，解决了样本量不足的缺陷，实现高质量的数据增强；适用范围广，操作简单，预测快速准确。

主权项：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：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；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；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；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；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；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。

全文数据：

权利要求：

百度查询： 四川大学 一种RDX改性双基推进剂的安全性能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD