一种基于神经网络的固体推进剂内部全场应变预测方法

技术领域

本发明属于固体推进剂技术领域，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。

背景技术

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。

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。

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。

发明内容

本发明解决的技术问题是：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。

本发明解决技术的方案是：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：

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。

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：

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。

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。

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；

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；

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；

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；

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。

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：

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。

进一步的，所述剪裁和预处理过程如下：

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；

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

其中，z

对不同加载条件下的试样状态特征s采用相同的方式依次映射到[0,1]。

进一步的，步骤五所述的利用数据集对多模态卷积神经网络模型进行训练，通过以下方式实现：将预处理后的样本数据集分为训练集和验证集；将输出变量值和目标变量值之间的均方差作为损失函数，选择输出变量值和目标变量值之间的平均绝对误差作为训练时对多模态卷积神经网络的监督标准；利用训练集和验证集的数据对多模态卷积神经网络进行训练，训练时利用反向传播和随机梯度下降优化算法不断迭代权重和偏差项，当损失函数达到最小时，得到最优多模态卷积神经网络模型；所述输出变量值为预测的对应试样状态特征s的微观应变场图像G，所述目标变量值为预处理后的微观应变场图像E’。

进一步的，将预处理后的样本数据集中微细观结构图像D’的像素、微观应变场图像E’的像素均按照7：3的比例随机划分为训练集和验证集。

进一步的，根据不同加载条件，输入不同的预处理后的试样状态特征s’的值到多模态卷积神经网络模型进行训练。

本发明与现有技术相比的有益效果是：

(1)本发明方法综合考虑了固体推进剂微细观结构特征和宏观性质参数，采用基于多模态的卷积神经网络模型建立不同数据形式之间的特征关系，通过一系列固体推进剂微细观结构图像、内部全场应变和材料状态特征对模型进行训练，完成训练后，可以通过固体推进剂初始微细观结构图像与材料状态特征实现微观应变场预测。

(2)本发明方法能够降低求解固体推进剂全场应变的计算成本，满足工程领域的分析需求。

(3)本发明方法易操作性强，对操作人员无技术与专业背景知识要求，能够广泛应用。

(4)本发明方法充分利用神经网络的多模态融合特点，能够通过综合考虑推进剂微细观结构特征、宏观变形参数和外部机械载荷等参数，较好地描述在变形过程中全场应变的分布与演化，具有较高的可靠性。

(5)本发明方法有较好的泛化能力，能够在充分训练后适用于相近材料的不同变形条件。

附图说明

图1为本发明实施例基于同步辐射光源的原位单轴拉伸试验示意图；

图2为本发明实施例多模态卷积神经网络结构示意图；

图3为本发明实施例固体推进剂微细观结构图(a,b)和全场应变示意图(c)；

图4为本发明实施例全场应变预测效果与实验结果的对比图。

具体实施方式

下面结合附图对本发明作进一步阐述。

一种基于神经网络的固体推进剂全场应变预测方法，其包括如下步骤：

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。

(1)在本实例中，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0、0.16、0.32和0.48拉伸应变下固体推进剂同步辐射X射线投影，试验过程如图1所示；

(2)采用PITRE软件(Phase-sensitive x-ray Image processing andTomography REconstruction)中的相位恢复技术对步骤(1)中同步辐射X射线投影进行重构，得到16bit三维数字图像；

(3)将步骤(2)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。

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。

对步骤(3)中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(0拉伸应变)的三维数字图像与试验加载的不同阶段(0.16、0.32和0.48拉伸应变)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载荷状态下内部的全场应变。本发明同时采用两种技术对试验件内部全体积范围内的三维位移场和应变场进行测量：一种传统的基于子区的DVC方法(Subset-Based DVC Approach)和一种基于有限元的鲁棒性更好的DVC方法(FE-based DVC Approach)。这种传统的基于子区的DVC方法将参考图像和变形图像划分成更小的差值子区，然后再进行相关运算，实现高精细度的运算。

步骤三、构建多模态卷积神经网络模型。

如图2所示，本实施例构建了一个包含有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。其中，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；

进一步的，多模态卷积神经网络模型的输入变量包括数据量大小为m×m×2的初始状态下固体推进剂微细观结构图像D，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。

多模态卷积神经网络模型的输入变量还包括数据量大小为n×1的试样状态特征s；其中：试样状态特征s通过记录实验条件和固体推进剂材料性质得到，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。

多模态卷积神经网络模型的输出变量包括数据量大小为m×m×1的预测的对应试样状态特征s的微观应变场图像G，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。

步骤四、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所需样本数据集。

本实例中，从步骤(3)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。图3(a)表示本实施例固体推进剂微细观结构图，图3(b)表示对推进剂微细观结构图提取颗粒后的微细观结构图。将步骤二中的内部全场应变转换成灰度图像并进行筛选获得0.16、0.32和0.48拉伸应变图像E，如图3(c)所示；本实例中的微观图像取自同一试样，材料的弹性模量、屈服应力、泊松比等特征均相同，因此试样状态特征s仅需要包括拉伸应变大小。

对获得的微细观结构图像D和拉伸应变图像E进行裁切，得到尺寸统一为m×m的图片集；

再将微细观结构图像D和拉伸应变图像E中的每个像素点包含的各个变量值按照按照公式z

其中，z

对不同加载条件下的试样状态特征s采用相同的方式依次映射到[0,1]。

步骤五、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，以预测固体推进剂内部全场应变。

将预处理后的样本数据集按照7：3的比例随机划分为训练集和验证集；将输出变量值和目标变量值之间的均方差作为损失函数，选择输出变量值和目标变量值之间的平均绝对误差作为训练时对动态神经网络的监督标准；利用训练集和验证集的数据对动态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权重和偏差项，当损失函数达到最小时，即得到最优动态神经网络模型，用此模型对固体推进剂内部全场应变进行预测。

上述输出变量值为预测的对应不同拉伸应变的微观应变场图像G，所述目标变量值为预处理后的拉伸应变图像。

在本实例中通过一组固体推进剂材料单轴拉伸实验的微细观结构图像进行模型训练和预测，如图4所示是测试集中的全场应变分布情况。

从图4中可以看出，预测应变场与实验应变场十分接近，该方法可对固体推进剂的全场应变分布进行快速预测分析。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。