【摘要】：高聚物粘結(jié)炸藥(PBX)是一種被廣泛應(yīng)用于武器彈藥領(lǐng)域的高能材料,具有相對較高的爆轟性能和較低的感度。在生產(chǎn)、運(yùn)輸以及貯存過程中,因受外界刺激,結(jié)構(gòu)件發(fā)生意外變形/破壞的情形時(shí)有發(fā)生,影響武器系統(tǒng)的服役安全性和使用可靠性,因此研究PBX的變形與破壞規(guī)律意義重大。本課題針對PBX變形與破壞規(guī)律研究中,試驗(yàn)設(shè)計(jì)與試驗(yàn)數(shù)據(jù)規(guī)律挖掘兩個(gè)層面中現(xiàn)存的兩個(gè)問題,開展了相關(guān)研究。一是以正交試驗(yàn)法為代表的傳統(tǒng)試驗(yàn)設(shè)計(jì)方法,無法依據(jù)未知的試驗(yàn)規(guī)律合理分配試驗(yàn)資源和無法得到具有量化標(biāo)準(zhǔn)的模型;二是由于PBX存在著明顯的拉壓非對稱性和溫度相關(guān)性,其拉伸壓縮同時(shí)考慮的應(yīng)力應(yīng)變關(guān)系難以描述。本研究提出了自適應(yīng)隨機(jī)試驗(yàn)方法(ARED)。該算法以模型的實(shí)時(shí)誤差作為自適應(yīng)條件,可在自動(dòng)選擇測試用例的基礎(chǔ)上,輸出符合誤差量化標(biāo)準(zhǔn)的模型。為驗(yàn)證算法的有效性,利用ARED方法與單因素試驗(yàn)(SFE)在雙峰高斯函數(shù),與析因試驗(yàn)(FE)在雙峰曲面函數(shù),peaks函數(shù)上分別選取數(shù)量相近的測試用例,定性評價(jià)選點(diǎn)位置與極值點(diǎn)的關(guān)系。同時(shí),分別利用支持向量機(jī)(SVM)算法對所選測試用例構(gòu)建模型,并對驗(yàn)證曲面(或曲線)進(jìn)行預(yù)測,在適用性與精度兩個(gè)層面進(jìn)行定量分析。結(jié)果表明,自適應(yīng)隨機(jī)試驗(yàn)法可適用于多種因素水平的試驗(yàn),與SFE、FE方法相比,精度更高,能適用于多種因素水平。PBX單軸準(zhǔn)靜態(tài)下的拉伸-壓縮應(yīng)力應(yīng)變關(guān)系作為本構(gòu)模型建立的基礎(chǔ),對結(jié)構(gòu)件力學(xué)響應(yīng)預(yù)測具有重要意義。通過采集TATB基PBX炸藥16個(gè)溫度點(diǎn)下的單軸拉壓應(yīng)力-應(yīng)變測試數(shù)據(jù),從實(shí)用的角度提出采用SVM算法構(gòu)建該材料的非線性應(yīng)力應(yīng)變關(guān)系。通過分析PBX材料應(yīng)力應(yīng)變關(guān)系的影響因素,將溫度與應(yīng)變兩指標(biāo)作為自變量,將應(yīng)力作為因變量,利用網(wǎng)格搜索法(GS)與交叉驗(yàn)證法(CV)尋找最優(yōu)參數(shù),建立了基于SVM算法的可同時(shí)描述所有溫度點(diǎn)PBX炸藥力學(xué)行為的非線性應(yīng)力應(yīng)變關(guān)系。與試驗(yàn)數(shù)據(jù)進(jìn)行對比,可得基于SVM關(guān)系式的平均絕對百分誤差(MAPE)最高為7.768%,平均絕對誤差(MAE)最大為0.8476,描述精度處于較高水平。在一套參數(shù)下,相關(guān)系數(shù)(R)均優(yōu)于0.9987,表現(xiàn)出了良好的適用性。對TATB基PBX炸藥進(jìn)行了3種不同溫度,每個(gè)溫度下進(jìn)行了3種不同初始應(yīng)力水平的單軸拉伸蠕變試驗(yàn)與單軸壓縮蠕變試驗(yàn),并利用試驗(yàn)數(shù)據(jù)構(gòu)建測試集。將溫度、應(yīng)力水平和時(shí)間作為自變量,應(yīng)變作為因變量,基于SVM算法建立了蠕變應(yīng)力應(yīng)變關(guān)系式。同時(shí),提出一種描述材料分散性的方法——誤差帶。誤差分析結(jié)果表明,在一套參數(shù)下,SVM關(guān)系式的最小相關(guān)系數(shù)為0.99903,模型曲線的擬合度較好,誤差帶具有基本描述材料分散性的能力。
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TQ560.1
【圖文】：

中北大學(xué)學(xué)位論文1 緒論義藥（polymer bonded explosive，PBX）是一種高質(zhì)藥的一種，相對于其它炸藥具有優(yōu)良的爆轟性能以統(tǒng)之中[1]，某種 PBX 的圖片見圖 1.1。戰(zhàn)斗部中，需要考慮其爆溫、爆壓以及感度等性能指標(biāo)，還需需承受的力學(xué)載荷[2]。而結(jié)構(gòu)件的破壞與否與整個(gè)]，因此，對 PBX 變形與破壞規(guī)律的研究具有重大意

a.連續(xù)測量 b.間隔測量圖 1.2 聚苯乙烯 α-θ 曲線由圖 1.2 可知，在 0~60℃的溫度范圍內(nèi)，曲線變化平穩(wěn)，使用少量數(shù)據(jù)點(diǎn)便可對曲線趨勢進(jìn)行較為精確的描述。而在 70~100℃的溫度范圍內(nèi)，曲線變化劇烈，需更多數(shù)據(jù)點(diǎn)。在運(yùn)用正交試驗(yàn)法時(shí)，會使試驗(yàn)點(diǎn)平均分布到整個(gè)溫度范圍內(nèi)，造成試驗(yàn)點(diǎn)分配不合理。綜上，設(shè)計(jì)一種可應(yīng)對多種因素水平，能夠在進(jìn)行較少輪次的試驗(yàn)時(shí)，輸出具有量化標(biāo)準(zhǔn)的模型是必要的。

間序列（t）和蠕變應(yīng)變（c）4 個(gè)變量。無論是非線性應(yīng)力應(yīng)變關(guān)系的應(yīng)力-應(yīng)變曲線，亦或是考慮時(shí)間呈現(xiàn)出了較高的非線性特征。因此，可認(rèn)為以上應(yīng)力應(yīng)變關(guān)系的多元非線性回歸問題。將自變量作為輸入樣本。輸入，包含所有的獨(dú)立變量，ρ1~ρN為輸出。用核函數(shù)將該樣本映射至高維空間并得出結(jié)果，如圖 1.5 所示。乘子，b 為偏置。如此便可將應(yīng)力應(yīng)變關(guān)系描述中的非線性不可空間的線性可分問題：權(quán)重系數(shù)，b 為偏置。 , , 1,2,..., , ,ni i i ix i n x R Ry f x w x b

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張展睿;;基于SVM算法的英文識別工具[J];通訊世界;2018年09期

2 徐建忠;朱俊;趙瑞;張亮;何亮;李嬌嬌;;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;劉全明;梁吉業(yè);;基于識別關(guān)鍵樣本點(diǎn)的非平衡數(shù)據(jù)核SVM算法[J];模式識別與人工智能;2019年06期

4 孔堯;曹曦文;張育華;曾潔;宋雪樺;;基于SVM算法對車輛加速踏板舒適性的研究與實(shí)現(xiàn)[J];信息技術(shù);2018年06期

5 彭曉冰;朱玉全;;基于特征內(nèi)相關(guān)和互信息的加權(quán)SVM算法[J];計(jì)算機(jī)科學(xué);2018年12期

6 孫振宇;彭蘇萍;鄒冠貴;;基于SVM算法的地震小斷層自動(dòng)識別[J];煤炭學(xué)報(bào);2017年11期

7 徐慧;張華成;;基于特征選擇和改進(jìn)SVM算法的卷煙感官質(zhì)量預(yù)測[J];桂林電子科技大學(xué)學(xué)報(bào);2018年04期

8 張麟琛;;教學(xué)環(huán)境下的頭部姿態(tài)檢測系統(tǒng)[J];電子制作;2018年19期

9 張家城;朱艷輝;;基于SVM的商品評分系統(tǒng)[J];電腦知識與技術(shù);2018年30期

10 王瑞;向新;肖冰松;;聚簇的分布式SVM算法優(yōu)化[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年02期

相關(guān)博士學(xué)位論文 前1條

1 黃靜華;支持向量機(jī)算法研究及在氣象數(shù)據(jù)挖掘中的應(yīng)用[D];中國礦業(yè)大學(xué)（北京）;2011年

相關(guān)碩士學(xué)位論文 前10條

1 段曉暢;SVM算法在自適應(yīng)隨機(jī)試驗(yàn)設(shè)計(jì)與PBX應(yīng)力應(yīng)變關(guān)系規(guī)律挖掘中的應(yīng)用研究[D];中北大學(xué);2019年

2 陳羅春;基于決策粗糙集和SVM算法的網(wǎng)絡(luò)入侵檢測應(yīng)用研究[D];南昌大學(xué);2018年

3 王梓諾;基于SVM算法的文本分類的研究[D];吉林大學(xué);2017年

4 周漸;基于SVM算法的多因子選股模型實(shí)證研究[D];浙江工商大學(xué);2017年

5 賽金辰;基于Spark的SVM算法優(yōu)化及其應(yīng)用[D];北京郵電大學(xué);2017年

6 周冉;基于Spark的并行SVM算法研究[D];遼寧工程技術(shù)大學(xué);2017年

7 王越;Hadoop平臺參數(shù)尋優(yōu)的分布式SVM算法研究[D];西安理工大學(xué);2016年

8 呂千千;多核SVM算法在Android惡意軟件檢測中的應(yīng)用研究[D];重慶師范大學(xué);2017年

9 孫苗苗;基于圖像處理的輸電線故障巡檢技術(shù)研究[D];安徽理工大學(xué);2017年

10 舒敏;動(dòng)車組軸箱軸承健康狀態(tài)評估與趨勢分析[D];北京交通大學(xué);2018年

本文編號：2785324