摘要：为满足改性双基推进剂多性能的综合预测需求,本研究提出基于多任务学习的机器学习策略,综合考虑推进剂组分、含量、压强和的粒度对目标性能的影响,首次构建了包含燃速、比冲、特征速度、摩擦感度和撞击感度在内的RDX-CMDB推进剂综合性能预测模型。通过网格寻参模式优化模型,结合十折交叉验证法比较了十种机器学习算法的建模效果。其中,极限梯度提升回归模型预测性能最优,平均R^(2)可达0.9997;在对6个外部样本的测试中,该模型对5个目标性能的预测误差均在5%以内。结果表明,本研究提出的多任务机器学习模型可在试验样本量不足的情况下,实现推进剂的多个目标性能准确预测,对推进剂的综合性能优化和配方设计具有理论指导意义。

摘要：为提升改性双基推进剂配方的设计能力,利用智能算法实现配方燃速性能设计与优化,通过对比几类典型智能算法,包括遗传算法、差分进化算法、粒子群优化算法和鲸鱼优化算法,对含RDX的改性双基推进剂进行了燃速性能的智能化配方优化与设计。结果表明,智能优化算法相对于统计优化而言操作简单、运行快速,而差分进化算法拟合出的14个最优配方其燃速性能最好且更稳定。在相同的压强条件下,14个优化配方的燃速显著大于已做配方的实验值。最后利用差分算法与支持向量回归模型进一步耦合形成了一套适用于含RDX的改性双基推进剂燃速性能预测的智能算法软件,基于该智能算法软件可推演得到燃速性能优越的新配方。

摘要：阐明表面活性剂结构与其临界胶束浓度(critical micelle concentration,cmc)之间的内在关联,并构建机器学习方法模型实现cmc的自动预测,对了解其表面活性的分子机制和设计合成具有潜力的新型表面活性分子具有重要意义。本研究从咪唑鎓盐类双子表面活性剂的3-D结构出发,计算得到大量的能量、电荷、立体构象与拓扑参数等方面的结构描述符。然后利用方差阈值法(variance threshold)对特征变量进行评估与筛选,以剔除冗余变量,实现数据降维。最后采用支持向量回归(Support Vector Regression,SVR)构建咪唑鎓盐类双子表面活性剂的结构-cmc的关系模型。根据测定cmc实验方法的不同,分别构建了两个特异性模型:表面张力法的SVR模型与电导法的SVR模型,其模型的留一法交叉验证结果令人满意,相关系数R分别为0.8791与0.9316,均方根误差(RMSE)分别为0.36与0.34。结果表明,方法可靠可行,可实现对咪唑鎓盐类双子表面活性剂的cmc的定量预测。

摘要：在分析了改性双基推进剂不同成分含量对其燃速性能影响的基础上,使用机器学习方法建立了以推进剂成分含量及压强为输入变量,推进剂燃速值为输出的预测模型。通过以相关系数(R^(2))、均方根误差(RMSE)以及平均绝对误差(MAE)作为模型的性能评价指标,比较了不同机器学习方法的预测性能,包括随机森林、支持向量回归、极限梯度提升、人工神经网络、多元线性回归、偏最小二乘回归和K最近邻回归。结果表明,以多项式内积(Poly)为核函数的支持向量回归(Support Vector Regression,SVR)模型的预测效果最优,其模型的留一法交叉验证结果令人满意,R^(2)、RMSE、MAE分别为0.9927、0.5553、0.4033。最后,为进一步验证模型的准确性、稳定性,我们分别采用5折、10折交叉验证与留一法进行结果比较,并绘制模型的学习曲线。结果证实模型稳定可靠,过拟合程度低,可实现对改性双基推进剂燃速的准确预测,可为具有优越性能的推进剂配方设计与优化提供理论指导。