一种基于人工神经网络算法的辐射温度反演方法与流程

本发明涉及冲击辐射温度研究技术领域，特别是涉及一种基于人工神经网络算法的辐射温度反演方法。

背景技术：

材料的状态方程(eos)定义了平衡系统下状态量之间的函数关系，通常将温度等热力学变量与密度、压力和内能等力学变量联系起来。极端条件下材料的状态方程对天体物理、惯性约束聚变、高能量密度物理和基础材料等研究领域十分重要。冲击波通常被用于高压下材料状态方程的研究。在状态方程的所有物理量中，温度是表征物质热力学状态最重要的物理量之一，理论状态方程模型对超高压下的温度非常敏感。因此，实验中测量受冲击材料的冲击辐射温度对于表征该材料的状态方程是非常有价值的。

然而，由于极端条件下温度本身的复杂性和对仪器的高要求，精确测量冲击辐射温度还非常困难。基于高功率激光或气炮等冲击加载下的光学高温计(sop)测温法已被广泛应用于瞬时冲击辐射温度测量实验。该方法通过测量冲击波阵面处高密度压缩层的辐射光谱，利用普朗克黑体辐射公式计算压缩层的温度。对于透明材料，测量时冲击压缩层的辐射可以通过未受冲击的材料透射出来而被探测到。对于不透明材料，如金属，其光学不透明性使得无法通过实验图像来确定材料内部温度如何演变。另外，在靶背发射率未知的情况下，很难测量靶背表面辐射温度，记录到的是冲击波突出靶背后靶背表面的发光。一些学者早就提出在靶材料后面加窗口来测量其表面温度，另有学者提出直接建立所测辐射亮度与实际温度之间的关系模型。然而，目前还没有一种通用而精确的方法来测量不透明材料的冲击辐射温度，更不用说推算冲击辐射温度随时间演化的过程了，而这些对于理论状态方程的建模都是非常重要的。

机器学习是实现金属冲击辐射温度反演的一种可能途径。机器学习是一门对计算机进行编程以便从数据中学习的科学。在过去的十年中，人工神经网络作为机器学习的一个分支，在图像识别、智能机器人、自动控制、预测等领域取得了长足的进展，表现出良好的智能特性。人工神经网络强大的映射能力也使其在物理学中得到了广泛的应用，如质子照相中磁场的反演、从宇宙微波背景中分离天体物理信号、在线粒子检测、通过动态电子散射来反演三维物体势以及多物理耦合问题中探索隐藏物理规律等。

基于人工神经网络的强泛化能力和学习能力，有必要寻找一种基于人工神经网络算法的辐射温度反演方法，它属于一种非机理的计算模型，特别适合解决诸如极端条件下复杂物理量推算等影响因素多样、机制复杂、难以直接精确测量的问题；而各种优化算法，如遗传算法、粒子群算法等的兴起也克服了人工神经网络计算收敛速度慢、容易陷入局部最小等缺点。因此，该方法有望从另一个角度解决金属等不透明材料极端条件下冲击辐射温度难以准确测量的难点，为理论状态方程模型参数的验证提供新路径。

技术实现要素：

本发明的目的是克服现有上述现有技术的不足，设计出一种基于人工神经网络算法的辐射温度反演方法。

为达到上述目的，本发明所采用的技术方案是：

一种基于人工神经网络算法的辐射温度反演方法具体包括以下步骤：

s1，构建人工神经网络模型；

s2，利用一维激光靶耦合流体程序模拟生成样本数据集；

s3，对样本数据集进行预处理；

s4，利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型；

s5，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。

优选地，所述步骤s2中利用一维激光靶耦合流体程序模拟生成样本数据集的具体步骤为：

首先，将某一激光功率密度的冲击波作用于某一金属平面靶上，记录冲击波在金属平面靶中传播的平均速度us，平面靶厚度d、第n时刻金属平面靶背面辐射发光强度iνn、以及第n时刻金属平面靶背面的辐射卸载温度tn，得到人工神经网络模型的输入层向量x＝(us,d,iν0,iν1,iν2,…,iνn)、输出层向量y＝(t0,t1,t2,…,tn)；

然后，多次重复上述步骤，将不同激光功率密度的冲击波作用于不同厚度的金属平面靶上，从而得到样本数据集。

优选地，所述冲击波为一维平面冲击波。

优选地，步骤s3中对样本数据集进行预处理的具体步骤为：

将样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素按照公式zi’＝(zi-min(z))/(max(z)-min(z))依次映射到区间[0,1]，求取得到其各自对应的样本特征值，zi为某个输入层向量x或输出层向量y中的某一个样本元素，z为与zi所属种类相同的所有样本元素所构成的数据集，max(z)为数据集z中数值最大的样本元素的值，min(z)为数据集z中数值最小的样本元素的值。

优选地，所述步骤s4中利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型的具体步骤为：

首先，将预处理后的样本数据分为训练集和验证集；

然后，将输出层与目标层的值之间的均方差作为损失函数，选择平均绝对误差作为训练时对人工神经网络模型的监督标准；

最后，利用训练集和验证集的数据对人工神经网络模型进行训练，训练时，利用反向传播和随机梯度下降优化算法不断迭代调整权重和偏差项，损失函数最小时，即得到最优人工神经网络模型。

优选地，所述人工神经网络模型具有一个输入层、若干个隐藏层和一个输出层，所述输入层、输出层和每个隐藏层均有若干个神经元，相邻两层之间的神经元均通过relu非线性激活函数连接。

优选地，所述人工神经网络模型为全连接的前馈神经网络。

优选地，所述样本材料为不透明且内部均匀的单层平面靶材。

本发明的积极有益效果：

本发明的方法基于人工神经网络的强泛化能力和学习能力，构建人工神经网络实现极端条件下金属等不透明材料冲击辐射温度反演，有望从另一个角度解决金属等不透明材料极端条件下冲击辐射温度难以准确测量的难点，对于高压状态方程理论建模具有重要意义。

附图说明

为了更清楚得说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述的人工神经网络模型的拓扑结构。

图2为本发明所述实例中人工神经网络模型预测的冲击加载下靶表面辐射温度演化。

图中标号的含义为：1为输入层，2为输出层，3为隐藏层。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

本发明的基于人工神经网络算法的辐射温度反演方法，具体包括以下步骤：

s1，构建人工神经网络模型。

所述人工神经网络模型具有一个输入层、若干个隐藏层和一个输出层，所述输入层、输出层和每个隐藏层均有若干个神经元，如图1所示。所述人工神经网络模型为全连接的前馈神经网络，人工神经网络模型中相邻两层之间的神经元均通过relu非线性激活函数连接。

s2，利用一维激光靶耦合流体程序模拟生成样本数据集。

具体地，首先，将某一激光功率密度的冲击波作用于某一金属平面靶上，记录冲击波在金属平面靶中传播的平均速度us，平面靶厚度d、第n时刻金属平面靶背面辐射发光强度iνn、以及第n时刻金属平面靶背面的辐射卸载温度tn，得到人工神经网络模型的输入层向量x＝(us,d,iν0,iν1,iν2,…,iνn)、输出层向量y＝(t0,t1,t2,…,tn)，得到一组样本数据，所述冲击波为一维平面冲击波；

然后，多次重复上述步骤，将不同激光功率密度的冲击波作用于不同厚度的金属平面靶上，获得若干组样本数据，从而得到样本数据集。

s3，对样本数据集进行预处理。

具体地，将样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素按照公式zi’＝(zi-min(z))/(max(z)-min(z))依次映射到区间[0,1]，求取得到其各自对应的样本特征值，zi为某个输入层向量x或输出层向量y中的某一个样本元素，z为与zi所属种类相同的所有样本元素所构成的数据集，max(z)为数据集z中数值最大的样本元素的值，min(z)为数据集z中数值最小的样本元素的值。

s4，利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型。

具体地，首先，将预处理后的样本数据分为训练集和验证集；

然后，将输出层与目标层的值之间的均方差作为损失函数，选择平均绝对误差作为训练时对人工神经网络模型的监督标准；

最后，利用训练集和验证集的数据对人工神经网络模型进行训练，训练时，利用反向传播和随机梯度下降优化算法不断迭代调整权重和偏差项，损失函数最小时，即得到最优人工神经网络模型。

s5，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。

所述样本材料为不透明且内部均匀的单层平面靶材，所述冲击波是一维平面冲击波，没有考虑边侧稀疏对结果的影响。

下面通过举例，详细说明本发明的基于人工神经网络算法的辐射度反演方法的实施方式。

首先，构建人工神经网络模型。

然后，利用一维激光靶耦合流体程序模拟生成样本数据集，模拟时选择不同激光功率密度(0.7×10¹⁴w/cm^-2–3.6×10¹⁴w/cm^-2)产生的冲击波作用于不同厚度(15μm–45μm)的铝平面靶，共产生100组样本数据。激光脉冲波形近似为方波，其上升和下降沿为200ps，与冲击波实验中的激光脉冲波形相似。选择冲击波在平面靶中传播的平均速度us，平面靶厚度d以及时间t＝0、0.5、1、1.5和2ns时的靶背表面辐射发光强度iν0、iν1、iν2、iν3、iν4作为输入层向量x＝(us,d,iν0,iν1,iν2,iν3,iν4)，选择时间t＝0、0.5、1、1.5和2ns时的样品靶背面的辐射卸载温度t0、t1、t2、t3、t4作为输出层向量y＝(t0,t1,t2,t3,t4)，下标的数字表示时间序列，0表示冲击波到达靶背突出靶表面的时刻。

所述的靶材料是单层铝平面靶，内部均匀；所述冲击波是激光产生的一维平面冲击波，没有考虑边侧稀疏对结果的影响。

这样，便得到100组样本数据，分别为x1＝(us1,d1,iν10,iν11,iν12,iν13,iν14)、y1＝(t10,t11,t12,t13,t14)；

x2＝(us2,d2,iν20,iν21,iν22,iν23,iν24)、y2＝(t20,t21,t22,t23,t24)；

x100＝(u1002,d1002,iν1000,iν1001,iν1002,iν1003,iν1004)、y2＝(t1000,t1001,t1002,t1003,t1004)。

然后，按照公式zi’＝(zi-min(z))/(max(z)-min(z))对样本数据集进行预处理和标准化缩放：

假如令z为us1、us2…usn构成的数据集，则从该数据集中选取出最大值作为max(z)、最小值作为min(z)，然后令zi依次为us1、us2…usn，分别求出us1、us2…usn所对应的样本特征值zi’；

假如令z为d1、d2…dn构成的数据集，则从该数据集中选取出最大值作为max(z)、最小值作为min(z)，然后令zi依次为d1、d2…dn，分别求出所对应的样本特征值zi’；

同理，可求取得到样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素的样本特征值。

然后，利用四折交叉验证的方法训练网络，即将样本集分为三个训练集和一个验证集，使用四个未经训练的人工神经网络进行学习，四次验证的平均损失值被视为四折交叉验证的损失值。

为了避免欠拟合和过拟合，找到最优人工神经网络模型，首先构造一个小的神经网络，令隐藏层为1，神经元个数为6。然后通过监测网络的损失函数，逐步提高隐藏层数和每个隐藏层的神经元数，当隐藏层为3，每层256个神经元时，找到最优的网络结构，此时平均绝对误差mae最小、损失函数最小。

最后，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，从靶背发光图像中获取冲击波在样品材料中的平均速度us，样品材料的厚度d，样品靶背表面辐射发光iν的时间演化，形成输入层向量x＝(us,d,iν0,iν1,iν2,iν3,iν4)；假设一发平面金属铝靶在激光加载的冲击波实验中得到的向量x＝(29.742,14.99,9.69e-6,6.72e-6,5.52e-6,4.80e-6,4.37e-6)，其中第一个值的单位为km/s，第二个值的单位为μm，第三个至第七个值的单位为j/m²，将向量x输入最优人工神经网络模型，最优人工神经网络模型预测的输出层向量y＝(t0,t1,t2,t3,t4)＝(97328.47172,68866.24734,64212.29905,58788.72833,48369.09271)，单位为k，即得到样品靶背面的辐射卸载温度演化。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解；依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。