基于机器学习的RDX-CMDB推进剂安全性能预测

摘要

为了满足对于固体推进剂安全性能预测的迫切需求，本研究提出了一种基于机器学习的推进剂安全性能预测方法 .针对现有推进剂的安全性能数据量不足的问题，本研究引入主动学习混合插值（AL-Mixup）方法对数据进行了增强.综合考虑推进剂原料的组分种类、含量和颗粒粒度对安全性能的影响，本研究构建了含RDX改性双基（RDX-CMDB）推进剂的摩擦感度与撞击感度预测模型.以28组实验测定获得的RDX-CMDB样本为初始数据集，本研究获得了不同数量的增强样本.经Z-score特征标准化处理后，本研究用10种不同的机器学习算法构建了多种预测模型.以R2、RMSE和MAE作为评价指标，本研究利用十折交叉验证法对比分析了不同数量增强样本及不同机器学习算法的组合的预测能力，最终得到两个性能优异的预测模型，一个是基于支持向量回归算法的摩擦感度预测模型（R2=0.7950），另一个是基于人工神经网络算法的撞击感度预测模型（R2=0.8932）.对外部样本的测试结果显示，两个模型的预测精度均超过88%，同样令人满意.本研究首次实现了RDX-CMDB推进剂安全性能的快速预测，可望为此类推进剂的安全使用和配方优化提供理论依据.

关键词

RDX-CMDB推进剂 / 摩擦感度 / 撞击感度 / 机器学习 / 数据增强