采用神经网络与遗传算法对MgPTFE贫氧推进剂配方的优化设计研究的中期报告.docxVIP

采用神经网络与遗传算法对MgPTFE贫氧推进剂配方的优化设计研究的中期报告 本研究旨在优化MgPTFE贫氧推进剂的配方，提高其性能及可控性。为此，采用神经网络与遗传算法相结合的方法进行优化设计。 中期研究进展如下： 1. 数据采集 对MgPTFE贫氧推进剂的制备过程进行实验，分别改变成分比例、温度、压力等因素，获得一定量的数据，用于训练神经网络和优化设计。 2. 神经网络构建 采用多层感知器（Multilayer Perceptron，简称MLP）神经网络对数据进行训练，以实现对MgPTFE贫氧推进剂性能参数的预测。首先进行数据预处理和特征提取，再选择适当的网络结构和参数进行训练，并进行交叉验证优化。 3. 遗传算法优化设计 基于神经网络的预测模型，使用遗传算法进行优化设计，确定MgPTFE贫氧推进剂的最优成分比例、温度和压力等因素，以实现性能最优化。 4. 实验验证 将优化设计结果应用于实际制备过程中，制备出MgPTFE贫氧推进剂，对其性能进行测试并与预测结果进行对比，验证其可行性和有效性。 总之，本研究采用神经网络与遗传算法相结合的方法对MgPTFE贫氧推进剂的优化设计进行了初步探索，初步取得了一定的进展，但尚需进一步的实验验证和优化改进。