神经网络在膨胀石墨用燃爆剂配方设计中的应用.docVIP

神经网络在膨胀石墨用燃爆剂配方设计中的应用 　　摘要: 利用人工神经网络算法建立了燃爆剂燃爆热力学参数的定量BP网络模型,通过6组燃爆剂配方的成分组成及其输出参数测试值对模型进行了训练,用另外3组燃爆剂配方的测试结果与相应的预测结果进行了对比研究。结果表明,该方法能较好地预测燃爆剂的燃爆参数,预测值和试验值误差最大为2.05%,精度较高,可作为燃爆剂配方设计、输出特性参数预测的工具。 　　Abstract: An artificial neural network (ANN) model about thermodynamic parameters evaluation of blasting agent was set up.After being trained by a train-set containing 6 compositions, the BP model was used to predict the thermodynamic parameters of blasting agent, and the predicted values were compared with that of experiments.The results showed that the most prediction is 2.05%, and the ANN model was capable of making accurate predictions of explosion parameters of blasting agent. 　　关键词: 人工神经网络;膨胀石墨;燃爆剂;预测 　　Key words: artificial neural network;expanded graphite;blasting agent;prediction 　　中图分类号:E91文献标识码:A文章编号:1006-4311(2010)31-0176-02 　　 　　0引言 　　膨胀石墨用燃爆剂的配方设计直接关系到膨胀石墨成烟效果及干扰效能[1]。近年来,国内有关膨胀石墨的研究多针对于其自身的性能,而有关燃爆剂配方的研究很少,且多停留于重复试验上,研究周期长且耗时耗力。因此寻找一种科学合理且操作方便的方法来预测和指导膨胀石墨用燃爆剂配方,是本领域关注的一个问题。 　　人工神经网络(ANN)是一种模拟人脑功能的数据和知识等信息的处理加工系统,目前已在函数逼近、模式识别、智能控制、组合优化和仿真预测等领域取得成功应用,成为人工智能的重要发展方向[2]。神经网络技术通过模拟人类认知的微结构,把输入矢量和输出矢量训练成网络并以此逼近一个函数,避开了燃烧理论的建模与运算,有利于指导烟火药剂的合成和燃烧性能预测[3]。 　　本文采用一种改进的反向传播学习算法:选用多层前馈型神经网络结构,采用改进的BP算法建立网络构架,确定网络学习方式并进行训练仿真,模拟燃爆剂燃爆反应并预测燃烧体系产物的特性参数,并对仿真结果与试验结果进行对比研究。 　　1配方选择 　　膨胀石墨用燃爆剂是一种以高热值可燃物与强氧化剂为基本成分,根据实际需要加入某种添加剂的多组分混合物,在文献[4]中作者已对相关配方利用正交试验进行了优化,得到了较好的结果。本文采用该文献中已有的燃爆剂配方组分(NaNO3、KClO4、Mg和C49H78O20)和9组数据来验证神经网络在配方预测中应用的可行性。在燃爆剂配方中,KClO4作为氧化剂,具有分解时吸热较少,熔点适中,在反应界面易产生液-气组分,有利于反应的自发进行及反应的持续;Mg作为可燃剂,具有燃烧热大、燃烧温度高,能够提供可膨胀石墨膨化所需的能量及高温,且蒸汽压大,能使燃爆剂燃烧反应进行得更迅速、完全,更容易引起NaNO3烟火药的爆炸分解;C49H78O20作为粘结剂,具有较高的燃烧热(5038kJ/kg),可提高燃爆剂的热能释放量,还具有耐酸性好、与可膨胀石墨相容性好等特点。 　　2神经网络算法实现 　　在配方设计中,神经网络算法所要解决的问题是在分析已有的燃爆剂配方组成及其性能参数基础上,对其他配比不同的燃爆剂进行性能预测。由于已知的配方为9组,未来保证训练的精度和测试的完整性,所以选择其中6组配方为训练样本,剩余3组为测试样本。 　　2.1 神经网络构建依据所要解决问题的特点,BP网络的构架由一个输入层、一个隐含层及一个输出层组成。其中输入层为6×4的矩阵,表示6组配方中四种成分(NaNO3,KClO4,Mg,C49H78O20)的质量分数,每组配方的试验测试值设为期望输出矩阵;隐含层的神经元个数为20,神经元传递函数选定为tansigmoid函数(tansig());设定输出层的神经元个数为2