文献类型：期刊文章

作　　者：程一哲[1,2] 王春光[1,2,3,4] 张恺宁[1,2] 于蓓[5] 王志军[5]

CHENG Yizhe;WANG Chunguang;ZHANG Kaining;YU Bei;WANG Zhijun(School of Aerospace,Xi’an Jiaotong University,Xi’an 710049,China;State Key Laboratory for Strength and Vibration of Mechanical Structures,Xi’an Jiaotong University,Xi’an 710049,China;Beijing Space Transportation Co.Ltd.,Beijing 100176,China;Kashi Electronic Information Industry Technology Research Institute,Kashi 844199,China;Inner Mongolia Aerospace Hongxia Chemical Co.Ltd.,Hohhot 010076,China)

机构地区：[1]西安交通大学航天航空学院,西安710049 [2]西安交通大学复杂服役环境重大装备结构强度与寿命全国重点实验室,西安710049 [3]北京凌空天行科技有限责任公司,北京100176 [4]喀什地区电子信息产业技术研究院,喀什844199 [5]内蒙古航天红峡化工有限公司,呼和浩特010076

出　　处：《固体火箭技术》

年　　份：2024

卷　　号：47

期　　号：1

起止页码：54-59

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,对不同级配的HTPB推进剂进行拉伸试验,得到不同温度下抗拉强度和伸长率;其次,以拉伸试验结果为样本进行机器学习,分别构建了反向传播(Back Propagation,BP)神经网络、粒子群算法优化的反向传播(Particle Swarm Optimization Back Propagation,PSOBP)神经网络和遗传算法优化的反向传播(Genetic Algorithms Back Propagation,GABP)神经网络对推进剂的力学性能进行预测。结果表明,力学性能与颗粒级配的内在关系较为复杂,并非简单的线性关系。PSOBP和GABP可以用于预测不同级配下HTPB推进剂力学性能,并且GABP神经网络可以更好地预测推进剂的力学性能变化。

关 键 词：固体推进剂 HTPB 颗粒级配 机器学习  神经网络  力学性能

分 类 号：V512]