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,分别代表体系的绝热燃烧温度和产物中固体质量分数。神经元传递函数为纯线性函数(purelin()),据此可以得到用于仿燃爆剂燃爆反应特征输出的BP网络结构(见图1)。图中Pl表示输入矩阵,w1,1表示输入到神经元的连接权值矩阵,wL2,1表示神经元到输出的连接权值矩阵,θ1、θ2表示神经元的阈值,n1、n2表示神经元的加权求和,y=tansigw1,1P+θ1表示神经元的输出,y2=purelinwL2,1y+θ2表示输出层的模拟计算结果[5]。

对于上述BP网络,假设神经元输入节点xi,隐含层节点yj,输出节点zl,输入节点和隐含层节点的权值为wji,隐含层节点和输出节点间的权值为vlj,当输出节点的期望值为时El(l=1,2),模型的计算式如下。

传递函数 f(x)=tansig(x)= (1)

隐层节点的输出y=fw-θj(2)

输出节点的计算输出 zl=fw-θl (3)

权值修正 w(k+1)=w(k)+w=w(k)+x (4)

v(k+1)=v(k)+v=v(k)+y(5)

式中:为学习速度;隐层节点误差=yv,v表示输出节点zl的误差通过权值vj向节点yj反向传播成为隐层节点误差;输出节点误差=-(El-zl)z。

收敛性判定H=(E-z)=E-fvy-θ=E-fvfwx-θ-θ(6)

当H小于设定误差时,网络训练完成,从而建立了输入到输出的定量数学模型,利用训练好的网络可对未知样本进行预测。

2.2 神经网络训练网络输入为6组NaNO3、KClO4、Mg和C49H78O20的不同配比的配方组成,期望函数为体系绝热燃烧温度和产物中固体质量分数的试验测试值(见表1)。

采用Levenberg―Marquardt方法[6]训练网络,当计算量达到100次时,仿真结果与实验值的相对误差接近10-4,据此认为算法的精度和计算速度满足使用要求。

3结果与讨论

为了评价网络模型预测结果和试验结果的一致性,抽取已测定绝热燃烧温度和产物中固体的质量分数的3组配方并对其进行网络计算(见表2)。3组配方的仿真计算结果及其与试验结果的误差对比如图2、图3所示。

从图2、图3可以看出,利用人工神经网络算法建立的自适应非线性数学模型能较好地模拟燃爆剂燃爆热力学参数,模拟值与试验值非常接近,绝热燃烧温度和产物中固体质量分数的最大模拟误差分别为2.05%和1.03%,精度较高,较好地模拟了燃爆剂燃爆热力学性能。

4结论

利用6组燃爆剂配方的配比作为输入矩阵和期望输出矩阵,建立了预测其燃爆热力学参数的BP神经网络定量模型,通过3组配方的预测结果和相应的试验测试值进行了对比分析,结果表明:

①人工神经网络算法对燃爆剂燃爆热力学参数的预测,有效地避开了热力学模型的假设和参数的设置,结合Matlab神经网络工具箱对目标函数的连续输出,实现了对期望函数(试验数据)的无限逼近;

②仿真结果与试验结果的误差最大为2.05%,预测精度较高,神经网络可作为燃爆剂配方设计和热力学参数预测的工具。

参考文献:

[1]伍士国.可膨胀石墨瞬时膨化及衰减8毫米波的动态性能研究[D].南京:南京理工大学,2004:12-17.

[2]Hagan M T,Demuth H B.Neural network design[M].Boston:PWS Publishing Company,1996:1-36.

[3]Conkling J A.Chemistry of pyrotechnics[M].NewYork:Marcel Dekker,Inc.,1985:238-287.

[4]张倩,张勇,闫军,焦清介.膨胀石墨用燃爆剂的配方优化设计[J].火工品,2008,5:28-30.

[5]崔庆忠,焦清介,任慧,杨荣杰.用人工神经网络预测黑火药燃烧性能[J].北京理工大学学报,2007,27(6):541-545.

[6]董长虹.Matlab神经网络与应用[M].北京:国防工业出版社,2005:105-210.