基于人工神经网络算法的发射药钝感剂浓度分布快速预测技术

2022-03-18苟永亮李梓超马方生姚月娟于慧芳

火炸药学报 2022年1期

苟永亮，刘波，李梓超，魏伦，马方生，姚月娟，于慧芳，李强

(西安近代化学研究所，陕西西安 710065)

引言

发射药是枪炮类身管武器完成弹丸发射的动力能源，是决定身管武器威力的重要因素。为了达到更好的内弹道性能，通常需要发射药具有高能量、高渐增性、低温度系数的特点，而钝感技术是达到这些目的的一种常用技术手段。钝感剂的浓度分布情况直接影响发射药的点火性能、燃烧性能等关键指标，快速准确地检测判断各个工艺参数条件下的钝感剂浓度分布情况，对于设计生产高性能钝感发射药具有重要的指导意义。

目前的钝感剂浓度分布情况检测都是采取一些试验手段来测定[1]，如显微红外光谱法[2-3]、拉曼光谱法[4]、等离子电感耦合发射光谱[5]等。通常，这些传统的分析方法对试验设备条件要求高、耗费时间多、工作量大，容易出现试验误差，不能快速有效地给出发射药的钝感剂分布状态，严重制约了高性能钝感发射药体系设计的健康发展。因此，有必要建立一种快速高效地预测判断发射药表层钝感剂浓度分布情况的方法。

为了解决这些问题，王云云等[6]建立了一种采用近红外光谱法快速测定单基发射药中钝感剂(樟脑)组分含量的新方法。他们通过对比单基发射药药粒样品及钝感剂光谱图特点，对样品光谱图进行预处理，采用最小二乘法建立了钝感剂的近红外模型，并验证了模型可以良好地预测发射药中樟脑含量。周帅等[7]采用近红外光谱法分析技术对单基发射药二苯胺含量进行了快速检测。温晓燕等[8]采用近红外漫反射光谱法测定了硝化棉的含氮量。虽然上述方法一定程度上提供了更有效的检测方法，但仍需进行复杂的数据处理和一定的试验技能。

研究发现[3]，钝感剂在发射药中的分布情况很大程度上依赖于钝感发射药制备存储过程中的各种工艺参数。如果找出这些参数和钝感剂浓度分布曲线的对应关系，就有望直接通过拟采用的各种工艺参数来确定最终的钝感剂浓度分布特征曲线，从而省略试验测试过程，达到快速预测、省时省力的目的。

人工神经网络技术起源于20世纪40年代[9]，基本思想来源于人类神经元的工作原理，其特色就是具有强大的非线性数据拟合功能，适合于复杂系统的各种判断预测问题。随着计算机技术的飞速发展，人工神经网络的研究更加成熟，通过神经网络的软件模拟和硬件实现，与多学科交叉，解决了很多传统科学问题解决不了的难题。误差反向传播(Back propagation，BP)神经网络模型是神经网络模型中应用最广泛的一种，一般由输入层、隐含层和输出层构成。近年来，研究人员逐渐将人工神经网络算法引入发射药领域，主要用于预测发射药存储寿命，如吕延龙等[10]构建的BP神经网络模型，可以较好地预测发射药在特定环境下的有效存储寿命。本研究借助人工神经网络算法构建预测模型。通过处理使用5/7改性单基药钝感剂浓度分布试验数据，将不同工艺参数数据作为预测模型的输入数据，预测输出相应的钝感剂浓度分布数据，然后通过反向传播梯度下降逐步减小预测值和试验值的误差，从而取得优良的预测效果。经过训练，发现模型预测的结果和试验结果较好的吻合，证实了这种基于人工神经网络算法的技术用于5/7改性单基药钝感剂浓度分布预测具有可行性。

1 模型构建

针对5/7改性单基发射药(Ф6mm×7mm)体系，使用BP神经网络算法构建预测模型，在给定工艺参数条件下，预测最后的钝感剂浓度分布情况。钝感剂种类为NA聚酯，计算过程在MATLAB软件上完成。

1.1 整理钝感剂试验测试数据

选择具体的影响钝感剂浓度分布情况的工艺参数。钝感剂最终的浓度分布受到很多因素的影响，如钝感时间、钝感剂含量、钝感温度、存储时间、硝化甘油含量和添加剂含量等。通常考虑的因素越多，神经网络模型最终的预测结果越准确。但目前钝感剂的浓度测试周期长、费用高，降低了试验中全方面测量所有特征参数下发射药的钝感剂浓度分布数据的可行性，造成了实际可使用的测试数据积累较少，限制了对输入特征参量的选择。经过对已有的试验数据进行分析对比，本研究选择了6个对钝感剂最终分布有着明显影响的特征参数作为模型的输入数据：硝化甘油(NG)含量、钝感剂含量、钝感温度、钝感时间、贮存温度和贮存时间。图1是试验中收集到的部分不同参数条件下的钝感剂分布数据曲线示意图。

图1 改性单基发射药的NA聚酯钝感剂浓度分布曲线Fig.1 Distribution curves of concentration profile of desensitizer for modified single-base gun propellant

由图1可以看出，NA聚酯钝感剂主要分布在改性单基发射药表层0～350μm处，且由表及里浓度呈逐渐下降趋势。随着存储温度和存储时间的变化，钝感剂分子从外到里发生迁移扩散，浓度分布曲线相应变化。

1.2 构建神经网络结构

神经网络结构如图2所示。整个网络包括3层：输入层、中间隐藏层、输出层。输入层有6个神经元，代表选取的6个特征变量。中间隐藏层选取15个神经元。输出层有35个神经元，代表35个点位处的钝感剂浓度值(每隔10μm处测一个点)。相邻层之间的神经元是全连接的，同层神经元之间不连接。神经元网络正向传递时，输入数据通过神经元作用函数产生输出数据，然后通过输出数据与试验测试值的差值来反向传播修正权重参数w和偏置参数b，使得模型预测值与试验测试值逐渐一致。具体计算方法可参考文献[11]。

图2 神经网络模型结构示意图Fig.2 Structure diagram of artificial neural network model

1.3 数据处理

模型构建完成之后，接着处理试验测得的5/7改性单基发射药钝感剂浓度分布数据，共20组。将数据随机按比例70∶15∶15分为3部分：训练集(train，14组数据)、验证集(validation，3组数据)、测试集(test，3组数据)。这一数据集划分比例属于比较通用的，既可以保证模型的训练效果，也可以防止过拟合问题。前两部分数据用于神经网络的训练，最后一个数据集用于神经网络预测准确性的检验上。

2 结果与讨论

2.1 模型训练过程的参数变化

首先分析训练过程中，几个重要模型参数的变化情况，如梯度(Gradient)，验证集泛化能力检查(Validation Checks)等，结果见图3。其中梯度是预测值和试验值之间误差对神经网络模型权重参数的一阶导数，模型结果的优化需要使用梯度下降算法，梯度过大和消失都会导致不利于模型训练的情况出现，如果梯度过大会造成模型的崩溃，过小会导致模型训练速度的下降，增加训练时间成本。从图3(a)可以看出，训练13轮，梯度随着训练时间增加而稳定下降，最后一轮的梯度值为0.013686。图3(b)显示了参数Mu值的变化曲线。Mu是算法中的一个重要参数，其值决定了学习过程是根据梯度法还是牛顿法来完成的，其值过大也会造成模型的训练过程结束。图3(c)是验证集的泛化能力检测结果。模型中采用的是early-stop策略，规定如果迭代6次之后模型的验证集误差还没有降低就停止训练，这是为了防止模型过拟合，失去泛化能力。从图3(c)中可以看出，训练第七轮之后，连续六轮验证集误差都升高，从而停止了模型的训练。

图3 神经网络模型训练过程中的参数变化状态图Fig.3 State diagram of parameters change during artificial neural network model training

2.2 模型的预测能力

图4中显示了改性单基药在不同特征工艺参数条件下的钝感剂实际浓度分布曲线(实线)和模型经过训练后预测的浓度分布曲线(散点线)。由图4可以看出，在不同的条件下，实际测试曲线和模型预测曲线均比较接近，重合度较高，说明使用人工神经网络模型可以较好地预测5/7改性单基发射药体系中的钝感剂浓度分布。

为了定量描述模型输出值和试验测试值的相关性，使用复相关系数R来衡量二者之间的相关性，R的表达式为：

图4 钝感剂浓度试验测试曲线(实线)和模型预测曲线(点线)的对比Fig.4 The comparison of test curves (solid lines)and prediction curves (dotted lines)of desensitizer concentration profile

(1)

式中：Cov(X,Y)为X(预测数据)与Y(实验数据)的协方差；Var[X]、Var[Y]分别为X和Y的方差。

R的取值范围为[0,1]，其值越接近于1表示模型的预测准确性越高，越接近于0表示预测性越差。

图5中4个子图分布显示了模型在训练集、验证集、测试集和总数据集上的相关系数R结果。图中的黑色空心点分别以原始的试验数值和预测数值为横、纵坐标，表示二者之间的对应关系。不同颜色的直线代表对这些点的拟合。

图5 神经网络模型训练后的结果图Fig.5 The results diagram of artificial neural network model

由图5可以发现所构建的网络模型在训练集和验证集上的表现优异，预测值和试验值的线性相关度R值均大于0.99，测试数据集上的表现稍差，R值大于0.95，对于整体数据集，R值为0.9342。这些数据表明训练后的模型可以较准确地预测出给定工艺参数条件下的发射药钝感剂浓度分布情况。目前的模型受试验数据数量较少限制，无法达到更高的R值。如果想追求更高的模型准确性，可以收集更多的试验数据来进一步训练优化此网络模型。