一种基于神经网络的火炸药相容安定性预测方法

本发明涉及一种基于神经网络的火炸药相容安定性预测方法，属于含能材料及炸药领域。

背景技术：

1、安全性是火炸药领域首需考虑的重中之重。相容性作为体现火炸药安全性的一项具体性能，既是评价新材料在高能固体推进剂及火工品、火炸药中贮存安定性与使用可靠性的一项重要指标，也是评价弹药在设计、生产和贮存过程中是否存在潜在危险性的重要依据。如果固体推进剂组分间的相容性不太好，一方面，组分间会发生一系列反应，而当这些反应放出的热量不能及时散发出去时，就会在固体推进剂内部聚集，达到一定程度就会引燃固体推进剂，甚至发生爆炸(化学相容性)；另一方面，若各组分间不相容，必定会在固体推进剂之间形成不同的组分区，破坏固体推进剂的力学性能和药柱结构完整性，使之承受外界机械刺激的能力下降(物理相容性)。通常，采用实验方法来测试火炸药各组分之间的相容安定性，如真空安定性法(vacuum stability test,vst)、差示扫描量热法(differential scanning calorimetry,dsc)、阿贝尔测试、自然贮存实验法等，通过将混合物的测定值与各组分测定值作差，差值越小，则相容性越好，反之则越差。但仅采用实验手段判断火炸药相容性具有局限性：例如，实验过程具有一定危险性，需要操作人员具备较高的专业技能；新材料不断被合成出来，但其性能未知，测试过程存在不确定性；火炸药配方的组分种类和比例繁多，使得实验测试任务重、周期长。因此，亟需一种更加人工智能的方法实现火炸药相容安定性能的快速、准确预测。

2、随着计算机技术的不断发展，神经网络模型被用于多个领域，并取得了较好的预测结果。其中，在化学及医药等领域，研究人员利用神经网络对化学单质的性质进行了有效的预测，但针对不同配方下火炸药相容安定性的预测还未见报道。一方面，火炸药的配方中包含着所含组分的种类、含量信息，每种化学成分也具有不同的化学特性，对火炸药进行有效表征具有一定难度；另一方面，在组成火炸药的过程中，不同的化学成分之间会发生复杂的化学反应，在对其进行性能预测的过程中务必要考虑各组分之间的相互作用，而通过常规神经网络或数据处理方式难以捕捉各成分之间的反应情况。

3、基于火炸药配方表征困难、各化学成分之间反应复杂难以捕捉的难题，考虑到卷积神经网络在图像处理的过程中能够通过其特有的卷积操作对图形信息进行高维特征提取，提取图像中不同区域像素值之间的联系，进而得到图片的分类信息的能力，提出一种利用图片格式表征火炸药配方的表征方式，并利用卷积神经网络提取配方中组分特征和相互反应关系，进而实现有效预测的火炸药相容安定性预测方法。

技术实现思路

1、针对不断合成出的新型火炸药的性能测试实验任务重、周期长且具有不确定性等问题，本发明的目的是提供一种基于神经网络的火炸药相容安定性预测方法，基于不同火炸药所具有的单质组分种类、单质组分含量及各组分所具有的致爆官能团键能参数特征，参考图片的数据格式，建立每种火炸药的唯一性表征；然后通过文献调研与dsc、vst等实验结合的方式获得火炸药的分解温度、热稳定性等数据，并参照gjb相关标准划分其相容安定性等级，建立火炸药配方及相容安定性等级数据集；最后，基于火炸药的配方表征数据及相容安定性等级数据搭建神经网络预测模型，实现新型火炸药的相容安定性预测，为新型火炸药的研发、测试提供技术支撑，提高火炸药研制效率，降低研制成本。

2、本发明的目的是通过下述技术方案实现的：

3、本发明公开的一种基于神经网络模型的火炸药相容安定性预测方法，首先对组成火炸药的各种单质组分(包括高能炸药、氧化剂、功能助剂等)进行汇总，采用gauss、explo5等计算软件获得每种单质分子所具有的致爆官能团键能；然后，通过火炸药中组分种类、组分含量以及组分中的键能参数对不同火炸药配方进行唯一性表征；其次，采用查阅文献资料与进行dsc、vst等实验测量相结合的方式获得火炸药的相容安定性相关数据，并参照gjb相关标准对不同火炸药的相容安定性进行等级划分，建立火炸药的相容安定性标签数据；最后，基于火炸药配方样本和标签的数据维度构建卷积神经网络模型，通过火炸药配方对不同种类的火炸药相容安定性进行预测。

4、本文公开的一种基于神经网络的火炸药相容安定性预测方法，包括以下步骤：

5、步骤1：火炸药组分统计；获取多种火炸药配方中所包含的所有组分种类；

6、步骤2：火炸药组分表征；以步骤1得到的组分种类为索引，获取火炸药组分中包含的所有致爆官能团种类，利用计算软件获得每种致爆官能团的键能，通过键能实现每种组分的有效表征；

7、步骤3：构建火炸药样本数据集；

8、3.1：以步骤1得到的组分种类为横轴，各组分的含量和步骤2得到的键能种类为纵轴，构建统一的火炸药表征图格式；

9、3.2：根据火炸药配方在3.1得到的火炸药表征图的对应坐标处填入键能数值，其余坐标点数值统一置0；每一个坐标点作为一个像素点，共同组成火炸药特征图，实现每一种配方下的火炸药的唯一性特征，将多种配方下的火炸药特征图汇总，得到火炸药样本数据集；

10、步骤4：火炸药相容安定性数据获取与标签数据集构建；

11、4.1：多种火炸药配方中，查找已有的火炸药相容安定性测试数据；同时利用现有方法对其他无数据的火炸药的相容安定性进行测试；得到多种火炸药配方的全部相容安定性数据；

12、4.2：根据相容安定性数据的测试方法，参考gjb对4.1获得的全部火炸药的相容安定性数据进行等级划分；

13、4.3：基于相容安定性等级划分，为多种火炸药配方创建相容安定性标签，得到所研究火炸药的标签数据集；

14、步骤5：火炸药相容安定性预测卷积神经网络模型构建；

15、5.1：基于步骤3得到的火炸药样本数据集和步骤4得到的标签数据集，设置神经网络的输入维度与分类任务类别数；

16、5.2：针对相容安定性的多分类任务，选取交叉熵损失函数(cross entropy loss,ce)作为卷积神经网络模型的损失函数，其计算公式为：

17、

18、式中，yi为样本真实值，为预测值，c为类别数；

19、步骤6：火炸药样本数据处理；

20、6.1：对步骤3中生成的火炸药样本数据集进行处理，将火炸药样本数据转换为numpy数组格式数据，并基于卷积神经网络训练需求转换为维度为[m,n,1]格式的数组；

21、6.2：对火炸药样本数据中的键能进行统一归一化，键能归一化公式为：

22、

23、式中e′为归一化后的键能值，ei为各官能团键能的原始值，emin为官能团键能中的最小值，emax为官能团键能中的最大值；

24、6.3：将火炸药样本数据与对应的标签数据进行数据集划分，分别划分为训练集、验证集与测试集；

25、步骤7：卷积神经网络模型训练；

26、7.1：设置不同的学习率、卷积层层数、卷积核尺寸、优化器对火炸药数据进行训练；

27、7.2：挑选分类精度高且在分类结果稳定的参数组对火炸药数据集进行训练，通过对预测模型在验证集上的预测结果对模型训练过程进行监测，确定模型训练次数；

28、步骤8：卷积神经网络模型测试；利用7.2训练好的预测模型对测试集数据进行预测，若测试精度达标，则保存该神经网络模型，将其用于未知火炸药的相容安定性预测；若模型在测试集上的预测精度不达标，则对数据集进行重新划分，并返回步骤7进行从新训练，直至模型测试精度满足需求，保存神经网络模型；

29、步骤9：火炸药相容安定性预测神经网络模型应用；将步骤8保存好的神经网络模型应用于未知的火炸药配方之中，提高火炸药配方相容安定性测试安全性、效率和精度，进而验证火炸药配方的可行性。

30、有益效果：

31、1、本发明公开的一种基于神经网络的火炸药相容安定性预测方法，将火炸药配方中的参数信息转换为数组、图片格式，并通过卷积神经网络进行预测，能够充分利用不同配方所具有的组分特征，建立火炸药不同单质组分之间的相互影响、关联关系，加强配方参数与火炸药相容安定性的映射关系，实现基于神经网络模型的相容安定性预测。

32、2、针对火炸药相容安定性测试过程中存在的实验具有危险性、不确定性以及对实验人员实验水平较高等问题，本发明公开的一种基于神经网络的火炸药相容安定性预测方法，引入神经网络预测模型能够实现对火炸药相容安定性的安全、便捷预测。

33、3、针对当前火炸药配方中组分、比例复杂繁多，配方测试实验任务重、周期长等问题，本发明公开的一种基于神经网络的火炸药相容安定性预测方法，引入神经网络预测模型对火炸药配方的相容安定性进行预测，能够极大的加快相容安定性测试，促进火炸药的产生及应用。