申请/专利权人：北京理工大学

申请日：2024-01-23

公开（公告）日：2024-03-26

公开（公告）号：CN117766062A

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G06F18/24;G06F18/214;G06N3/0464;G06N3/08

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：本发明公开的一种基于神经网络的火炸药相容安定性预测方法，属于含能材料及炸药领域。本发明基于不同火炸药所具有的单质组分种类、单质组分含量及各组分所具有的致爆官能团键能参数特征，参考图片的数据格式，建立每种火炸药的唯一性表征；然后通过文献调研与DSC、VST等实验结合的方式获得火炸药的分解温度、热稳定性等数据，并参照GJB相关标准划分其相容安定性等级，建立火炸药配方及相容安定性等级数据集；最后，基于火炸药的配方表征数据及相容安定性等级数据搭建卷积神经网络预测模型，实现新型火炸药的相容安定性预测，为火炸药的研发、测试提供技术支撑，提高火炸药研制效率，降低研制成本。

主权项：1.一种基于神经网络的火炸药相容安定性预测方法，其特征在于：包括以下步骤：步骤1：火炸药组分统计；获取多种火炸药配方中所包含的所有组分种类；步骤2：火炸药组分表征；以步骤1得到的组分种类为索引，获取火炸药组分中包含的所有致爆官能团种类，利用计算软件获得每种致爆官能团的键能，通过键能实现每种组分的有效表征；步骤3：构建火炸药样本数据集；3.1：以步骤1得到的组分种类为横轴，各组分的含量和步骤2得到的键能种类为纵轴，构建统一的火炸药表征图格式；3.2：根据火炸药配方在3.1得到的火炸药表征图的对应坐标处填入键能数值，其余坐标点数值统一置0；每一个坐标点作为一个像素点，共同组成火炸药特征图，实现每一种配方下的火炸药的唯一性特征，将多种配方下的火炸药特征图汇总，得到火炸药样本数据集；步骤4：火炸药相容安定性数据获取与标签数据集构建；4.1：多种火炸药配方中，查找已有的火炸药相容安定性测试数据；同时利用现有方法对其他无数据的火炸药的相容安定性进行测试；得到多种火炸药配方的全部相容安定性数据；4.2：根据相容安定性数据的测试方法，对4.1获得的全部火炸药的相容安定性数据进行等级划分，划分标准如表1所示；表1：相容安定性等级划分 其中：R为火炸药整体释放的气体体积与火炸药中各组分放出气体总量之差，单位为mL；ΔTp为火炸药中单独体系相对于混合体系分解峰温的改变量，单位为℃；Eα为单独体系的表观活化能，单位为Jmol；ΔE为单独体系相对混合体系表观活化能的改变量；ΔEEα为单独体系相对于混合体系表观活化能的改变率；4.3：基于相容安定性等级划分，为多种火炸药配方创建相容安定性标签，得到所研究火炸药的标签数据集；步骤5：火炸药相容安定性预测卷积神经网络模型构建；5.1：基于步骤3得到的火炸药样本数据集和步骤4得到的标签数据集，设置神经网络的输入维度与分类任务类别数；5.2：针对相容安定性的多分类任务，选取交叉熵损失函数CE作为卷积神经网络模型的损失函数，其计算公式为： 式中，yi为样本真实值，为预测值，C为分类的类别数；步骤6：火炸药样本数据处理；6.1：对步骤3中生成的火炸药样本数据集进行处理，将火炸药样本数据转换为Numpy数组格式数据，并基于卷积神经网络训练需求转换为维度为[m,n,1]格式的数组；6.2：对火炸药样本数据中的键能进行统一归一化，键能归一化公式为： 式中E′为归一化后的键能值，Ei为各官能团键能的原始值，Emin为官能团键能中的最小值，Emax为官能团键能中的最大值；6.3：将火炸药样本数据与对应的标签数据进行数据集划分，分别划分为训练集、验证集与测试集；步骤7：卷积神经网络模型训练；7.1：设置不同的学习率、卷积层层数、卷积核尺寸、优化器对火炸药数据进行训练；7.2：挑选分类精度高且在分类结果稳定的参数组对火炸药数据集进行训练，通过对预测模型在验证集上的预测结果对模型训练过程进行监测，确定模型训练次数；步骤8：卷积神经网络模型测试；利用7.2训练好的预测模型对测试集数据进行预测，若测试精度达标，则保存该神经网络模型，将其用于未知火炸药的相容安定性预测；若模型在测试集上的预测精度不达标，则对数据集进行重新划分，并返回步骤7进行从新训练，直至模型测试精度满足需求，保存神经网络模型；步骤9：火炸药相容安定性预测神经网络模型应用；将步骤8保存好的神经网络模型应用于未知的火炸药配方之中，提高火炸药配方相容安定性测试安全性、效率和精度，进而验证火炸药配方的可行性。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于神经网络的火炸药相容安定性预测方法

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