一种基于神经网络的固体推进剂内部全场应变预测方法技术

本发明专利技术提供一种基于神经网络的固体推进剂内部全场应变预测方法，包括步骤：1、测量固体推进剂内部微细观结构特征变化规律；2、采用数字体积相关方法处理获取固体推进剂内部全场应变；3、构建多模态卷积神经网络模型；4构建样本数据集；5、利用数据集对多模态卷积神经网络模型进行训练，得到最优条件下的多模态卷积神经网络模型。本发明专利技术通过输入固体推进剂内部初始微细观结构与外部加载条件进入模型即可预测固体推进剂内部全场应变，解决了现有技术中的固体推进剂内部全场应变不能快速、准确预测的问题。测的问题。测的问题。

【技术实现步骤摘要】
一种基于神经网络的固体推进剂内部全场应变预测方法


[0001]本专利技术属于固体推进剂
，尤其涉及一种基于多模态卷积神经网络的固体推进剂内部全场应变预测方法。

技术介绍

[0002]固体火箭发动机具有结构简单、可靠性高、机动性强、地面准备时间短、便于长期保存等特点，在导弹武器中得到广泛应用。固体火箭发动机主要由壳体、固体推进剂、绝热层和衬层等组件组成，其中固体推进剂提供主要动力源，在固体火箭发动机中占据核心地位。随着对固体火箭发动机性能要求的不断攀升，高能固体推进剂的发展备受瞩目。
[0003]固体推进剂作为一种高固体颗粒填充比的含能复合材料，由多相机械混合而成，具有复杂的微细观结构特征。在运输、贮存、弹射、点火、飞行等过程中，受温度、压力、振动等外载荷作用时，伴随着基体断裂、微裂纹产生、颗粒破碎、界面脱湿等现象产生，固体推进剂内部全场应变复杂多变，极难通过传统测试手段获取并预测全场应变演化过程，现已成为制约固体推进剂长期服役的瓶颈基础问题。
[0004]现有求解方法主要有以下问题：1、固体推进剂本构模型仅能给出宏观应力
‑
应变关系，无法预测根据推进剂不同微细观结构给出内部全场应变；有限元计算根据理想模型，无法反应推进剂内部真实微细观结构对应变场影响，且计算耗时久，成本高。不能实现不同微细观结构的固体推进剂内部全场应变的快速、精准预测，不能满足固体推进剂的性能改进、强度寿命和可靠性评估的相关需求。

技术实现思路

[0005]本专利技术解决的技术问题是：克服现有技术的不足，提出一种基于神经网络的固体推进剂内部全场应变预测方法，通过拍摄固体推进剂初始状态微细观结构特征并给出宏观应变状态，实现推进剂内部全场应变的快速预测，解决了现有技术中的固体推进剂内部全场应变不能快速、准确预测的问题。
[0006]本专利技术解决技术的方案是：一种基于神经网络的固体推进剂内部全场应变预测方法，包括如下步骤：
[0007]步骤一、获取初始状态和不同加载条件下固体推进剂内部微细观结构图像，对比得到内部微细观结构特征变化规律；记录实验条件和固体推进剂材料性质得到试样状态特征s；
[0008]步骤二、采用数字体积相关方法处理获取固体推进剂内部全场应变，并将内部全场应变转换成灰度图像，得到不同加载条件下实测的微观应变场图像E；
[0009]步骤三、构建多模态卷积神经网络模型，模型的输入变量为初始状态下固体推进剂微细观结构图像D，试样状态特征s，输出变量为预测的对应试样状态特征s的微观应变场图像G；
[0010]步骤四、根据固体推进剂内部微细观结构特征与内部全场应变结果构建样本数据
集；
[0011]步骤五、利用步骤四所述样本数据集对多模态卷积神经网络模型进行训练，得到最优条件下的多模态卷积神经网络模型，以预测固体推进剂内部全场应变。
[0012]进一步的，步骤一所述获取初始状态和不同加载条件下固体推进剂内部微细观结构图像包含以下步骤：
[0013]S1、针对固体推进剂开展基于同步辐射光源的原位单轴拉伸试验测量初始状态和不同加载条件下固体推进剂同步辐射X射线投影：
[0014]S2、采用相位恢复技术对步骤S1中的同步辐射X射线投影进行重构，得到16bit三维数字图像；
[0015]S3、将步骤S2中16bit三维数字图像转换为8bit三维数字图像，8bit三维数字图像的灰度值被线性缩放在0～255之间，即16bit三维数字图像中的最大灰度值与最小灰度值分别对应8bit三维数字图像像素灰度值中的255与0。
[0016]进一步的，步骤二获取固体推进剂内部全场应变的方式为：对步骤S3中的8bit三维数字图像采用数字体积相关进行计算，通过固体推进剂初始状态的三维数字图像与试验加载的不同阶段固体推进剂的三维数字图像之间的相关运算，获得固体推进剂试样在不同加载条件下内部的全场应变。
[0017]进一步的，步骤三所述的多模态卷积神经网络模型是包含有6个卷积层、3个池化层、3个上采样层和1个全连接层的多模态卷积神经网络模型，各网络层按以下顺序相连接：第一卷积层
‑
第一池化层
‑
第二卷积层
‑
第二池化层
‑
第三卷积层
‑
第三池化层
‑
全连接层
‑
第一上采样层
‑
第四卷积层
‑
第二上采样层
‑
第五卷积层
‑
第三上采样层
‑
第六卷积层；
[0018]多模态卷积神经网络模型中6个卷积层和全连接层的激活函数均为ReLU线性整流函数；
[0019]进一步的，步骤三所述初始状态下固体推进剂微细观结构图像D的数据量大小为m
×
m
×
2，其中：m
×
m表示图像D包含的像素点数量，2表示每个像素点包含两个变量值：分别为灰度值以及判断当前像素点是否为颗粒的标识：0表示当前像素点不是颗粒，1表示当前像素点是颗粒；
[0020]所述试样状态特征s的数据量大小为n
×
1；状态特征包括拉伸应变大小、材料的弹性模量、屈服应力、泊松比中的一种或几种，n表示选择的状态特征包含n种；
[0021]所述预测的对应试样状态特征s的微观应变场图像G的数据量大小为m
×
m
×
1，其中：图像G包含的像素点数量同样为m
×
m，1表示每个像素点包含一个变量值，即应变值。
[0022]进一步的，步骤四所述的根据固体推进剂内部微细观结构特征与全场应变结果构建样本数据集，方式如下：
[0023]从步骤S3中的8bit三维数字图像中选出初始状态下固体推进剂微细观结构图像D；将步骤二中的内部全场应变转换成灰度图像，获得不同加载状态下固体推进剂的微观应变场图像E；记录实验条件和固体推进剂材料性质得到试样状态特征s；对微细观结构图像D、微观应变场图像E和试样状态特征s进行剪裁和预处理，获得样本数据集。
[0024]进一步的，所述剪裁和预处理过程如下：
[0025]对获得的微细观结构图像D和微观应变场图像E进行裁切，得到尺寸统一为m
×
m的图片集；
[0026]再将微细观结构图像D和微观应变场图像E中的每个像素点包含的各个变量值按照按照公式z
i
’
＝(z
i
–
min(z
i
))/(max(z
i
)
–
min(z
i
))依次映射到[0,1]，求取得到每个像素点各个变量值对应的样本归一值；
[0027]其中，z
i
为微细观结构图像D中当前像素点i的灰度值或者微观应变场图像E中当前像素点i的应变值，max(z
i
)为微细观结构图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的固体推进剂内部全场应变预测方法，其特征在于，包括如下步骤：步骤一、获取初始状态和不同加载条件下固体推进剂内部微细观结构图像，对比得到内部微细观结构特征变化规律；记录实验条件和固体推进剂材料性质得到试样状态特征s；步骤二、采用数字体积相关方法处理获取固体推进剂内部全场应变，并将内部全场应变转换成灰度图像，得到不同加载条件下实测的微观应变场图像E；步骤三、构建多模态卷积神经网络模型，模型的输入变量为初始状态下固体推进剂微细观结构图像D，试样状态特征s，输出变量为预测的对应试样状态特征s的微观应变场图像G；步骤四、根据固体推进剂内部微细观结构特征与内部全场应变结果构建样本数据集；步骤五、利用步骤四所述样本数据集对多模态卷积神经网络模型进行训练，得到最优条件下的多模态卷积神经网络模型，以预测固体推进剂内部全场应变。2.根据权利要求1所述的一种基于神经网络的固体推进剂内部全场应变预测方法，其特征在于，步骤一所述获取初始状态和不同加载条件下固体推进剂内部微细观结构图像包含以下步骤：S1、针对固体推进剂开展基于同步辐射光源的原位单轴拉伸试验测量初始状态和不同加载条件下固体推进剂同步辐射X射线投影：S2、采用相位恢复技术对步骤S1中的同步辐射X射线投影进行重构，得到16bit三维数字图像；S3、将步骤S2中16bit三维数字图像转换为8bit三维数字图像，8bit三维数字图像的灰度值被线性缩放在0～255之间，即16bit三维数字图像中的最大灰度值与最小灰度值分别对应8bit三维数字图像像素灰度值中的255与0。3.根据权利要求2所述的一种基于神经网络的固体推进剂内部全场应变预测方法，其特征在于，步骤二获取固体推进剂内部全场应变的方式为：对步骤S3中的8bit三维数字图像采用数字体积相关进行计算，通过固体推进剂初始状态的三维数字图像与试验加载的不同阶段固体推进剂的三维数字图像之间的相关运算，获得固体推进剂试样在不同加载条件下内部的全场应变。4.根据权利要求1所述的一种基于神经网络的固体推进剂内部全场应变预测方法，其特征在于，步骤三所述的多模态卷积神经网络模型是包含有6个卷积层、3个池化层、3个上采样层和1个全连接层的多模态卷积神经网络模型，各网络层按以下顺序相连接：第一卷积层
‑
第一池化层
‑
第二卷积层
‑
第二池化层
‑
第三卷积层
‑
第三池化层
‑
全连接层
‑
第一上采样层
‑
第四卷积层
‑
第二上采样层
‑
第五卷积层
‑
第三上采样层
‑
第六卷积层；多模态卷积神经网络模型中6个卷积层和全连接层的激活函数均为ReLU线性整流函数。5.根据权利要求1所述的一种基于神经网络的固体推进剂内部全场应变预测方法，其特征在于，步骤三所述初始状态下固体推进剂微细观结构图像D的数据量大小为m
×
m
×
2，其中：m
×
m表示图像D包含的像素点数量，2表示每个像素点包含两个变量值：分别为灰度值以及判断当前像素点是否为颗粒的标识：0表示当前像素点不是颗粒，1表示当前像素点是颗粒；
所述试样状态特征s的数据量大小为n
×
1；状态特征包括拉伸应变大小、材料的弹性模量、...

【专利技术属性】
技术研发人员：邢睿思，王龙，宋俊柏，孔凡金，刘武刚，苏蕴荃，吴振强，侯传涛，任方，
申请(专利权)人：北京强度环境研究所，
类型：发明
国别省市：