基于遗传神经网络的高能固体推进剂高压燃烧性能计算_第1页
基于遗传神经网络的高能固体推进剂高压燃烧性能计算_第2页
基于遗传神经网络的高能固体推进剂高压燃烧性能计算_第3页
基于遗传神经网络的高能固体推进剂高压燃烧性能计算_第4页
基于遗传神经网络的高能固体推进剂高压燃烧性能计算_第5页
已阅读5页,还剩4页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于遗传神经网络的高能固体推进剂高压燃烧性能计算

结论参数样本GA-BP前言

目前主要利用各种不同的燃烧模型进行模拟计算,但均存在预示精度不高、普适性差的局限性。尤其是NEPE类高能固体推进剂的高压燃烧性能,由于多年来研究相对较少,燃烧模型尚不完善,用其预示的高压燃速误差更大,不能满足该类推进剂高压燃烧性能研究及工程应用

前言GA-BP遗传算法(GeneticAlgorithm)是模拟生物的遗传和长期进化过程发展起来的一种搜索和优化法,用逐次迭代法搜索寻优。神经网络(BackPropagation)是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。GA-BP遗传神经网络(GA-BP)

为了防止BP算法聒噪收敛,学习过程中首先由GA同时搜索解空间的一群点,并构成一个不断进化的群体序列,在几代的进化后,可以同时得到一些具有全局性的较好点,从这些较好点出发,再分别用BP算法进行学习,找到全局最优的权值,从而完成网络的学习。

表征参数(1)影响燃烧的元素(C、H、O、N、Cl、Al)含量(mol);(2)反应物的总标准生成焓ΔHm(kJ/mol);(3)固体组分的分形维数DAP、DAl、DRDX;(4)固体组分的粒度dAP、dAl、dRDX(μm)。样本网络训练样本20个同一粘合剂体系的NEPE类高能推进剂配方试验结果验证样本12个不同粘合剂体系的NEPE类高能推进剂配方试验数据结果该配方表征参数能反映高能固体推进剂燃烧性能主要影响因素的本质特征。利用该系统预示的NEPE类推进剂燃烧性能变化规律与文献资料报道的规律基本一致,并且随网络训练数据增加,网络的预示精

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论