基于人工神經(jīng)網(wǎng)絡算法的發(fā)射藥鈍感劑濃度分布快速預測技術(shù)

茍永亮，劉 波，李梓超，魏 倫，馬方生，姚月娟，于慧芳，李 強

(西安近代化學研究所，陜西 西安 710065)

引 言

發(fā)射藥是槍炮類身管武器完成彈丸發(fā)射的動力能源，是決定身管武器威力的重要因素。為了達到更好的內(nèi)彈道性能，通常需要發(fā)射藥具有高能量、高漸增性、低溫度系數(shù)的特點，而鈍感技術(shù)是達到這些目的的一種常用技術(shù)手段。鈍感劑的濃度分布情況直接影響發(fā)射藥的點火性能、燃燒性能等關鍵指標，快速準確地檢測判斷各個工藝參數(shù)條件下的鈍感劑濃度分布情況，對于設計生產(chǎn)高性能鈍感發(fā)射藥具有重要的指導意義。

目前的鈍感劑濃度分布情況檢測都是采取一些試驗手段來測定[1]，如顯微紅外光譜法[2-3]、拉曼光譜法[4]、等離子電感耦合發(fā)射光譜[5]等。通常，這些傳統(tǒng)的分析方法對試驗設備條件要求高、耗費時間多、工作量大，容易出現(xiàn)試驗誤差，不能快速有效地給出發(fā)射藥的鈍感劑分布狀態(tài)，嚴重制約了高性能鈍感發(fā)射藥體系設計的健康發(fā)展。因此，有必要建立一種快速高效地預測判斷發(fā)射藥表層鈍感劑濃度分布情況的方法。

為了解決這些問題，王云云等[6]建立了一種采用近紅外光譜法快速測定單基發(fā)射藥中鈍感劑(樟腦)組分含量的新方法。他們通過對比單基發(fā)射藥藥粒樣品及鈍感劑光譜圖特點，對樣品光譜圖進行預處理，采用最小二乘法建立了鈍感劑的近紅外模型，并驗證了模型可以良好地預測發(fā)射藥中樟腦含量。周帥等[7]采用近紅外光譜法分析技術(shù)對單基發(fā)射藥二苯胺含量進行了快速檢測。溫曉燕等[8]采用近紅外漫反射光譜法測定了硝化棉的含氮量。雖然上述方法一定程度上提供了更有效的檢測方法，但仍需進行復雜的數(shù)據(jù)處理和一定的試驗技能。

研究發(fā)現(xiàn)[3]，鈍感劑在發(fā)射藥中的分布情況很大程度上依賴于鈍感發(fā)射藥制備存儲過程中的各種工藝參數(shù)。如果找出這些參數(shù)和鈍感劑濃度分布曲線的對應關系，就有望直接通過擬采用的各種工藝參數(shù)來確定最終的鈍感劑濃度分布特征曲線，從而省略試驗測試過程，達到快速預測、省時省力的目的。

人工神經(jīng)網(wǎng)絡技術(shù)起源于20世紀40年代[9]，基本思想來源于人類神經(jīng)元的工作原理，其特色就是具有強大的非線性數(shù)據(jù)擬合功能，適合于復雜系統(tǒng)的各種判斷預測問題。隨著計算機技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡的研究更加成熟，通過神經(jīng)網(wǎng)絡的軟件模擬和硬件實現(xiàn)，與多學科交叉，解決了很多傳統(tǒng)科學問題解決不了的難題。誤差反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡模型是神經(jīng)網(wǎng)絡模型中應用最廣泛的一種，一般由輸入層、隱含層和輸出層構(gòu)成。近年來，研究人員逐漸將人工神經(jīng)網(wǎng)絡算法引入發(fā)射藥領域，主要用于預測發(fā)射藥存儲壽命，如呂延龍等[10]構(gòu)建的BP神經(jīng)網(wǎng)絡模型，可以較好地預測發(fā)射藥在特定環(huán)境下的有效存儲壽命。本研究借助人工神經(jīng)網(wǎng)絡算法構(gòu)建預測模型。通過處理使用5/7改性單基藥鈍感劑濃度分布試驗數(shù)據(jù)，將不同工藝參數(shù)數(shù)據(jù)作為預測模型的輸入數(shù)據(jù)，預測輸出相應的鈍感劑濃度分布數(shù)據(jù)，然后通過反向傳播梯度下降逐步減小預測值和試驗值的誤差，從而取得優(yōu)良的預測效果。經(jīng)過訓練，發(fā)現(xiàn)模型預測的結(jié)果和試驗結(jié)果較好的吻合，證實了這種基于人工神經(jīng)網(wǎng)絡算法的技術(shù)用于5/7改性單基藥鈍感劑濃度分布預測具有可行性。

1 模型構(gòu)建

針對5/7改性單基發(fā)射藥(Ф6mm×7mm)體系，使用BP神經(jīng)網(wǎng)絡算法構(gòu)建預測模型，在給定工藝參數(shù)條件下，預測最后的鈍感劑濃度分布情況。鈍感劑種類為NA聚酯，計算過程在MATLAB軟件上完成。

1.1 整理鈍感劑試驗測試數(shù)據(jù)

選擇具體的影響鈍感劑濃度分布情況的工藝參數(shù)。鈍感劑最終的濃度分布受到很多因素的影響，如鈍感時間、鈍感劑含量、鈍感溫度、存儲時間、硝化甘油含量和添加劑含量等。通?？紤]的因素越多，神經(jīng)網(wǎng)絡模型最終的預測結(jié)果越準確。但目前鈍感劑的濃度測試周期長、費用高，降低了試驗中全方面測量所有特征參數(shù)下發(fā)射藥的鈍感劑濃度分布數(shù)據(jù)的可行性，造成了實際可使用的測試數(shù)據(jù)積累較少，限制了對輸入特征參量的選擇。經(jīng)過對已有的試驗數(shù)據(jù)進行分析對比，本研究選擇了6個對鈍感劑最終分布有著明顯影響的特征參數(shù)作為模型的輸入數(shù)據(jù)：硝化甘油(NG)含量、鈍感劑含量、鈍感溫度、鈍感時間、貯存溫度和貯存時間。圖1是試驗中收集到的部分不同參數(shù)條件下的鈍感劑分布數(shù)據(jù)曲線示意圖。

圖1 改性單基發(fā)射藥的NA聚酯鈍感劑濃度分布曲線Fig.1 Distribution curves of concentration profile of desensitizer for modified single-base gun propellant

由圖1可以看出，NA聚酯鈍感劑主要分布在改性單基發(fā)射藥表層0～350μm處，且由表及里濃度呈逐漸下降趨勢。隨著存儲溫度和存儲時間的變化，鈍感劑分子從外到里發(fā)生遷移擴散，濃度分布曲線相應變化。

1.2 構(gòu)建神經(jīng)網(wǎng)絡結(jié)構(gòu)

神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖2所示。整個網(wǎng)絡包括3層：輸入層、中間隱藏層、輸出層。輸入層有6個神經(jīng)元，代表選取的6個特征變量。中間隱藏層選取15個神經(jīng)元。輸出層有35個神經(jīng)元，代表35個點位處的鈍感劑濃度值(每隔10μm處測一個點)。相鄰層之間的神經(jīng)元是全連接的，同層神經(jīng)元之間不連接。神經(jīng)元網(wǎng)絡正向傳遞時，輸入數(shù)據(jù)通過神經(jīng)元作用函數(shù)產(chǎn)生輸出數(shù)據(jù)，然后通過輸出數(shù)據(jù)與試驗測試值的差值來反向傳播修正權(quán)重參數(shù)w和偏置參數(shù)b，使得模型預測值與試驗測試值逐漸一致。具體計算方法可參考文獻[11]。

圖2 神經(jīng)網(wǎng)絡模型結(jié)構(gòu)示意圖Fig.2 Structure diagram of artificial neural network model

1.3 數(shù)據(jù)處理

模型構(gòu)建完成之后，接著處理試驗測得的5/7改性單基發(fā)射藥鈍感劑濃度分布數(shù)據(jù)，共20組。將數(shù)據(jù)隨機按比例70∶15∶15分為3部分：訓練集(train，14組數(shù)據(jù))、驗證集(validation，3組數(shù)據(jù))、測試集(test，3組數(shù)據(jù))。這一數(shù)據(jù)集劃分比例屬于比較通用的，既可以保證模型的訓練效果，也可以防止過擬合問題。前兩部分數(shù)據(jù)用于神經(jīng)網(wǎng)絡的訓練，最后一個數(shù)據(jù)集用于神經(jīng)網(wǎng)絡預測準確性的檢驗上。

2 結(jié)果與討論

2.1 模型訓練過程的參數(shù)變化

首先分析訓練過程中，幾個重要模型參數(shù)的變化情況，如梯度(Gradient)，驗證集泛化能力檢查(Validation Checks)等，結(jié)果見圖3。其中梯度是預測值和試驗值之間誤差對神經(jīng)網(wǎng)絡模型權(quán)重參數(shù)的一階導數(shù)，模型結(jié)果的優(yōu)化需要使用梯度下降算法，梯度過大和消失都會導致不利于模型訓練的情況出現(xiàn)，如果梯度過大會造成模型的崩潰，過小會導致模型訓練速度的下降，增加訓練時間成本。從圖3(a)可以看出，訓練13輪，梯度隨著訓練時間增加而穩(wěn)定下降，最后一輪的梯度值為0.013686。圖3(b)顯示了參數(shù)Mu值的變化曲線。Mu是算法中的一個重要參數(shù)，其值決定了學習過程是根據(jù)梯度法還是牛頓法來完成的，其值過大也會造成模型的訓練過程結(jié)束。圖3(c)是驗證集的泛化能力檢測結(jié)果。模型中采用的是early-stop策略，規(guī)定如果迭代6次之后模型的驗證集誤差還沒有降低就停止訓練，這是為了防止模型過擬合，失去泛化能力。從圖3(c)中可以看出，訓練第七輪之后，連續(xù)六輪驗證集誤差都升高，從而停止了模型的訓練。

圖3 神經(jīng)網(wǎng)絡模型訓練過程中的參數(shù)變化狀態(tài)圖Fig.3 State diagram of parameters change during artificial neural network model training

2.2 模型的預測能力

圖4中顯示了改性單基藥在不同特征工藝參數(shù)條件下的鈍感劑實際濃度分布曲線(實線)和模型經(jīng)過訓練后預測的濃度分布曲線(散點線)。由圖4可以看出，在不同的條件下，實際測試曲線和模型預測曲線均比較接近，重合度較高，說明使用人工神經(jīng)網(wǎng)絡模型可以較好地預測5/7改性單基發(fā)射藥體系中的鈍感劑濃度分布。

為了定量描述模型輸出值和試驗測試值的相關性，使用復相關系數(shù)R來衡量二者之間的相關性，R的表達式為：

圖4 鈍感劑濃度試驗測試曲線(實線)和模型預測曲線(點線)的對比Fig.4 The comparison of test curves (solid lines)and prediction curves (dotted lines)of desensitizer concentration profile

(1)

式中：Cov(X,Y)為X(預測數(shù)據(jù))與Y(實驗數(shù)據(jù))的協(xié)方差；Var[X]、Var[Y]分別為X和Y的方差。

R的取值范圍為[0,1]，其值越接近于1表示模型的預測準確性越高，越接近于0表示預測性越差。

圖5中4個子圖分布顯示了模型在訓練集、驗證集、測試集和總數(shù)據(jù)集上的相關系數(shù)R結(jié)果。圖中的黑色空心點分別以原始的試驗數(shù)值和預測數(shù)值為橫、縱坐標，表示二者之間的對應關系。不同顏色的直線代表對這些點的擬合。

圖5 神經(jīng)網(wǎng)絡模型訓練后的結(jié)果圖Fig.5 The results diagram of artificial neural network model

由圖5可以發(fā)現(xiàn)所構(gòu)建的網(wǎng)絡模型在訓練集和驗證集上的表現(xiàn)優(yōu)異，預測值和試驗值的線性相關度R值均大于0.99，測試數(shù)據(jù)集上的表現(xiàn)稍差，R值大于0.95，對于整體數(shù)據(jù)集，R值為0.9342。這些數(shù)據(jù)表明訓練后的模型可以較準確地預測出給定工藝參數(shù)條件下的發(fā)射藥鈍感劑濃度分布情況。目前的模型受試驗數(shù)據(jù)數(shù)量較少限制，無法達到更高的R值。如果想追求更高的模型準確性，可以收集更多的試驗數(shù)據(jù)來進一步訓練優(yōu)化此網(wǎng)絡模型。

3 結(jié) 論

(1)借助人工神經(jīng)網(wǎng)絡算法，構(gòu)建了神經(jīng)網(wǎng)絡預測模型。經(jīng)過原有的鈍感劑濃度分布測試數(shù)據(jù)的訓練，發(fā)現(xiàn)此模型可以快速準確地給出一定工藝參數(shù)條件下的5/7改性單基發(fā)射藥鈍感劑濃度分布曲線。相比于傳統(tǒng)的試驗測試手段，省時省力，方便快捷，具有一定的實用性。

(2)人工神經(jīng)網(wǎng)絡技術(shù)適用于改性單基發(fā)射藥復合體系的預測判斷問題?；谘芯繕?gòu)建的模型，還可以反向應用，根據(jù)需要的鈍感劑濃度分布曲線來預測所需要的鈍感發(fā)射藥制備存儲工藝條件，對高性能鈍感發(fā)射藥的體系設計具有指導意義。