固體火箭發(fā)動機復(fù)合材料殼體裙連接部位參數(shù)研究*

陳　科，任全彬，尤軍峰，王立強（中國航天科技集團公司第四研究院第41研究所，西安　710025）

固體火箭發(fā)動機復(fù)合材料殼體裙連接部位參數(shù)研究*

陳科，任全彬，尤軍峰，王立強
（中國航天科技集團公司第四研究院第41研究所，西安710025）

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法對固體火箭發(fā)動機復(fù)合材料殼體裙連接區(qū)結(jié)構(gòu)的5個參數(shù)進行了研究。文中以發(fā)動機殼體在400t軸壓載荷下裙外纏繞層最大纖維主應(yīng)變作為目標(biāo)函數(shù)。基于計算機數(shù)值仿真技術(shù)的實驗設(shè)計（DOE）對5個參數(shù)進行了優(yōu)化設(shè)計。利用另一組27個測試樣本集對網(wǎng)絡(luò)的有效性進行了校核。最后，獲得了目標(biāo)函數(shù)隨設(shè)計變量的曲線關(guān)系，并對參數(shù)進行了靈敏度分析。

人工神經(jīng)網(wǎng)絡(luò)算法；基于仿真技術(shù)的實驗設(shè)計；發(fā)動機殼體裙連接區(qū)；參數(shù)研究

0　引言

在固體火箭發(fā)動機結(jié)構(gòu)設(shè)計中，殼體的抗軸壓能力是衡量殼體乃至導(dǎo)彈性能的重要指標(biāo)。裙作為連接發(fā)動機殼體級間段和傳遞載荷的重要部件，幾乎承受所有來自于全彈的外載。導(dǎo)彈飛行過程中，發(fā)動機產(chǎn)生的推力通過裙連接區(qū)傳遞給彈體。因此，裙連接區(qū)是全彈受力最為嚴(yán)酷的結(jié)構(gòu)部件之一。大量的導(dǎo)彈飛行試驗和發(fā)動機軸壓試驗均表明，殼體失效大多是裙連接區(qū)結(jié)構(gòu)的失效破壞。因而，合理選取裙連接區(qū)結(jié)構(gòu)的設(shè)計參數(shù)，提高殼體的抗軸壓能力是殼體設(shè)計的重要課題。

在實際工程設(shè)計中，往往以實驗來確定參數(shù)對結(jié)構(gòu)影響，但是對結(jié)構(gòu)參數(shù)進行全面的風(fēng)險評估則需要成百上千次的發(fā)動機試驗，這顯然是不切實際的。為有效解決此類問題，在實際的發(fā)動機設(shè)計過程中，廣泛應(yīng)用基于仿真技術(shù)的實驗設(shè)計方法［1］。

1　基于數(shù)值仿真技術(shù)的實驗設(shè)計

基于數(shù)值仿真技術(shù)的實驗設(shè)計是采用數(shù)值仿真手段代替真實的實驗，通過合理的布局試驗點，對所研究的結(jié)構(gòu)進行參數(shù)研究、風(fēng)險評估以及結(jié)構(gòu)優(yōu)化等的一項實用技術(shù)。

1.1實驗設(shè)計方法

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法，有效的采樣點位置可大大提高神經(jīng)網(wǎng)絡(luò)的曲面擬合精度［2］。文中案例中利用實驗設(shè)計方法主要完成兩個任務(wù)：為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本集以及為校核網(wǎng)絡(luò)有效性的測試樣本集。

文中所研究的發(fā)動機殼體，由于還沒有關(guān)于裙連接區(qū)結(jié)構(gòu)參數(shù)的實驗研究，參數(shù)對殼體的承載能力的影響也不甚明晰。故以空間填充設(shè)計方法為網(wǎng)絡(luò)提供訓(xùn)練樣本集?？臻g填充方法產(chǎn)生的樣本尤其適用基于神經(jīng)網(wǎng)絡(luò)算法的曲面擬合［3］。本案例為神經(jīng)網(wǎng)絡(luò)提供了85個訓(xùn)練樣本集，以確定網(wǎng)絡(luò)結(jié)構(gòu)的最優(yōu)待定參數(shù)。為驗證網(wǎng)絡(luò)結(jié)構(gòu)的有效性，利用中心復(fù)合實驗設(shè)計方案（CCD）確定了27個測試樣本集。

1.2人工神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法首次應(yīng)用于認(rèn)知科學(xué)，是較為通用、穩(wěn)健的函數(shù)近似算法。算法的優(yōu)點是可有效模擬復(fù)雜的高度非線性系統(tǒng)［4-6］。圖1給出了單神經(jīng)元結(jié)構(gòu)輸入輸出關(guān)系圖。

圖1　神經(jīng)元輸入輸出關(guān)系圖

神經(jīng)元輸出可寫為：

式中：p1，p2，…，pR為神經(jīng)元的輸入向量；w為連接兩層神經(jīng)元之間的權(quán)值矩陣；b為神經(jīng)元對應(yīng)的偏移輸入，可加強算法的收斂性；f為非線性傳遞函數(shù)，用于神經(jīng)元輸出的計算。

實際應(yīng)用的網(wǎng)絡(luò)都是由單神經(jīng)元組合而成的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［7］。文中采用基于向后傳播算法（back propagation）的多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，見圖2的網(wǎng)絡(luò)結(jié)構(gòu)圖。向后傳播算法采用非線性可微傳遞函數(shù)，用來訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)［8］。

圖2　向后傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2　數(shù)值仿真

2.1仿真模型描述

文中所研究的案例為某大型固體火箭發(fā)動機復(fù)合材料殼體。文中基于ANSYS有限元仿真平臺對發(fā)動機殼體進行數(shù)值模擬，探尋殼體裙連接區(qū)結(jié)構(gòu)參數(shù)對殼體軸壓承載能力的影響。由于沿鋁裙前端開有等距分布的金屬槽，故選取單個開槽所對應(yīng)的扇區(qū)作為有限元分析模型，并略去對承載沒有貢獻的發(fā)動機組件，以提高計算效率。有限元分析模型見圖3。

圖3　有限元分析模型

2.2設(shè)計變量和目標(biāo)函數(shù)

文中選取了裙連接區(qū)的5個參數(shù)作為設(shè)計變量，各參數(shù)取值范圍列于表1，各參量示意見圖4。在每次仿真采樣過程中，在裙端面施加400t軸壓載荷，以裙外纏繞層沿纖維主向的最大應(yīng)變值作為目標(biāo)函數(shù)。選取應(yīng)變值作為殼體破壞判據(jù)的依據(jù)是：經(jīng)有限元分析和實驗論證，當(dāng)殼體結(jié)構(gòu)失效破壞時，主軸應(yīng)力遠遠低于纖維的強度極限，而此時的最大應(yīng)變值已超過纖維應(yīng)變極值。選用應(yīng)變值作為目標(biāo)函數(shù)可有效模擬以應(yīng)變?yōu)橹鲗?dǎo)的發(fā)動機殼體結(jié)構(gòu)的失效模式。

表1　設(shè)計變量參數(shù)列表

圖4　裙連接區(qū)結(jié)構(gòu)設(shè)計變量

3　數(shù)值算法有效性校核

選用空間填充實驗設(shè)計方案和中心復(fù)合設(shè)計方案執(zhí)行本次實驗設(shè)計。應(yīng)用于文中研究的神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)為5-3-1形式。即輸入層有5個神經(jīng)元對應(yīng)于系統(tǒng)的5個輸入變量，隱藏層設(shè)3個神經(jīng)元，僅有的單個輸出對應(yīng)一個輸出神經(jīng)元。采用BFGS Quasi-Newton算法訓(xùn)練網(wǎng)絡(luò)，利用空間填充設(shè)計方案在設(shè)計空間產(chǎn)生85個采樣點，為網(wǎng)絡(luò)模型提供訓(xùn)練樣本。當(dāng)網(wǎng)絡(luò)性能函數(shù)（均方誤差與網(wǎng)絡(luò)權(quán)值因子均方誤差之和）達到穩(wěn)定，則認(rèn)為算法收斂，結(jié)束訓(xùn)練。文中網(wǎng)絡(luò)經(jīng)105次迭代后，性能函數(shù)值穩(wěn)定于0.889。

圖5給出了仿真采樣目標(biāo)同網(wǎng)絡(luò)輸出目標(biāo)的線性回歸分析圖，即對85個訓(xùn)練樣本集和與之對應(yīng)的網(wǎng)絡(luò)輸出作回歸分析。由圖可見，網(wǎng)絡(luò)輸出與訓(xùn)練樣本集目標(biāo)的相關(guān)系數(shù)為0.926（最佳值為1）。由此可見，網(wǎng)絡(luò)較好的實現(xiàn)了對訓(xùn)練樣本集的擬合。

圖5　網(wǎng)絡(luò)輸出-訓(xùn)練樣本線回歸分析

為測試網(wǎng)絡(luò)的適應(yīng)性，由計算機實驗設(shè)計方法中的中心復(fù)合設(shè)計方案在設(shè)計空間產(chǎn)生27個測試樣本集。圖6給出了樣本目標(biāo)同網(wǎng)絡(luò)輸出的線回歸分析圖。由圖可見，兩目標(biāo)間的相關(guān)系數(shù)為0.913。

圖6　網(wǎng)絡(luò)輸出-測試樣本線回歸分析

綜上，文中訓(xùn)練的網(wǎng)絡(luò)具有較強的學(xué)習(xí)能力，可以實現(xiàn)對目標(biāo)的合理預(yù)測，網(wǎng)絡(luò)結(jié)構(gòu)有效。

4　結(jié)果及分析

利用文中所述的訓(xùn)練網(wǎng)絡(luò)，在原結(jié)構(gòu)尺寸基礎(chǔ)上，分別對各設(shè)計變量進行計算。得到了各設(shè)計變量同目標(biāo)函數(shù)間的曲線關(guān)系如圖7～圖11所示。

圖7　筒段錐角對目標(biāo)的響應(yīng)

圖8　扇區(qū)半角對目標(biāo)的響應(yīng)

圖9　開槽寬度對目標(biāo)的響應(yīng)

圖8～圖10給出了分析模型扇區(qū)半角、開槽寬度及深度對主應(yīng)變的響應(yīng)曲線。相對于原發(fā)動機殼體結(jié)構(gòu)，應(yīng)變值隨扇區(qū)半角的減小呈近線性下降趨勢。也就是說，在確保鋁裙強度的前提下，開槽數(shù)量越多，殼體承載能力越強。

圖9、圖10表明，選擇窄而深的開槽設(shè)計方案可提高殼體的承載能力。圖7和圖11表明，對于筒段錐角和裙搭接長度的選取，存在最佳值。同時也看到選取較大的錐角和較長的搭接長度對設(shè)計有利。由仿真結(jié)果，金屬裙前端開槽將變得細(xì)密而狹長，裙的剛度變小。因為，在殼體的裙連接區(qū)，由種類繁多的材料構(gòu)成，包括橡膠層、金屬裙及裙內(nèi)、外纖維復(fù)合材料纏繞層。其中鋁裙的剛度最高，橡膠層最小。由于裙連接區(qū)材料的剛度差異較大，當(dāng)殼體受力變形時，此區(qū)域的變形協(xié)調(diào)極其復(fù)雜，易引起局部應(yīng)力集中，不利于殼體的承載。但當(dāng)鋁裙前端有眾多細(xì)密、狹長的開槽而使剛度下降時，各材料間的剛度差異趨于緩和，有利于結(jié)構(gòu)的變形協(xié)調(diào)，局部應(yīng)力釋放，從而提高了殼體的承載能力。

圖10　開槽深度對目標(biāo)的響應(yīng)

圖11　裙尖距筒段距離對目標(biāo)的響應(yīng)

當(dāng)下被廣泛采用的全復(fù)合材料殼體設(shè)計方案，除復(fù)合材料具有較高的比強度和比剛度外，裙與殼體材料屬性完全相容，受力時變形容易協(xié)調(diào)，有利于提高殼體的承載能力。

最后，圖12給出了所研究設(shè)計變量的靈敏度分配圖，由圖可見，相對來說對提高殼體承載能力有顯著作用的參數(shù)為裙開槽數(shù)量、開槽寬度和裙搭接區(qū)長度。其它參數(shù)雖然對承載能力有貢獻，但影響較小，可在較小范圍內(nèi)根據(jù)工藝選值。圖中負(fù)的靈敏度表明，增大此參數(shù)值將減小目標(biāo)函數(shù)值。

5　結(jié)論

在原發(fā)動機殼體結(jié)構(gòu)設(shè)計基礎(chǔ)上，可通過適當(dāng)調(diào)節(jié)文中所研究的5個結(jié)構(gòu)參數(shù)，進一步提高殼體的軸壓承載能力。

1）增加裙前端的開槽數(shù)量，選取較窄的槽寬以及選取適中的裙搭接長度，可顯著降低目標(biāo)函數(shù)值，提高殼體承載性能。

2）相對來說，開槽深度和筒段錐角對殼體承載能力的影響較小，但選取較深的開槽和較大的錐角設(shè)計方案，在一定程度上也可改善殼體的受力狀況。

圖12　參數(shù)（設(shè)計變量）靈敏度分配圖

［1］VIKRANT Chandramohan Aute.Single and multiresponse adaptive design of experiments with application to design optimization of novel heat exchangers［D］.University of Maryland.Ph.D.Dissertation，2009.

［2］QU X，VENTER G，HAFTKA R T.New formulation of minimum-bias central composite experimental design and Gauss quadrature［J］.Structural and Multidisciplinary Optimization，2004，28（4）：231-242.

［3］SACKS J，YVISAKER D.Some model robust designs in regression［J］.Ann Stat，1984，12（4）：1324-1348.

［4］TANG B.Orthogonal array-based latin hypercubes［J］.J Am Stat Assoc，1993，88：1392-1397.

［5］IMAN R L，CONOVER W J.A distribution-free approach to inducing rank correlation among input variables［J］. Commun ications in Statistics，Part B.Simulation and Computation，1982，11（3）：234-311.

［6］ISSANCHOU Sébastien，GAUCHI Jean-Pierre.Computeraided optimal designs for improving neural network generali zation［J］.Neural Networks，2008，21（1）：945-950.

［7］陳汝訓(xùn).固體火箭發(fā)動機殼體結(jié)構(gòu)分析與設(shè)計［M］.西安：航天四院研究生教材，1998.

［8］王立強，任全彬，尤軍峰.固體火箭發(fā)動機復(fù)合材料殼體裙連接區(qū)結(jié)構(gòu)數(shù)值分析［J］.固體火箭，2012，35 （1）：108-113.

Parameters Investigation of Lap Structure Between Skirt and Composite Material Case of SRM

CHEN Ke，REN Quanbin，YOU Junfeng，WANG Liqiang
（The 41st Institute of the Fourth Institute，CASC，Xi’an 710025，China）

Five parameters of lap structure between skirt and composites material cases of SRM were investigated using Artificial Neural Network algorithm.The objective function employed in the present work was the max strain along the fiber in the fibrous composites layers which outside the skirt under the case of SRM bearing the 400 t thrust loading.Simulation-based of design of experiment（DOE）was applied to simulate the five parameters.A sample of 27 cases，different from the previous ones，was used to validate the ANN.Finally，the objective function vs.design variables curves were plotted，and the parameters sensitivity analysis were carried out.

artificial neural network algorithm；simulation-based design of experiment；lap between skirt and case；parameters investigation

V435

A

10.15892/j.cnki.djzdxb.2016.01.026

2014-07-29

陳科（1989-），男，陜西榆林人，碩士研究生，研究方向：工程力學(xué)。