(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210786658.4 (22)申请日 2022.07.04 (71)申请人 中北大学 地址 030051 山西省太原市尖草 坪区学院 路3号 (72)发明人 叶宝云　安崇伟　刘畅　王晶禹　 赵宇宁　周耀鉴　 (74)专利代理 机构 太原九得专利代理事务所 (普通合伙) 14117 专利代理师 高璇 (51)Int.Cl. G06F 30/20(2020.01) G06N 7/00(2006.01) G06N 20/00(2019.01) G06F 17/16(2006.01)G06F 17/18(2006.01) G06F 119/14(2020.01) G06F 111/10(2020.01) (54)发明名称 基于随机森林的含能材料力学性能预测方 法及存储设备 (57)摘要 本发明提供的基于随机森林的含能材料力 学性能预测方法及存储设备， 所述方法包括： S10， 通过模拟算法获得有限数量的样本； S2 0， 通 过ML‑GAN算法对有限数量的样本进行扩充， 生成 扩充样本； S30， 基于扩充样本， 采用随机森林算 法对力学性能进行预测； 本发明具有在小样本数 据集基础上， 对含能材料性能进行预测的有益效 果， 适用于含能材 料领域。 权利要求书2页 说明书9页 附图2页 CN 115169111 A 2022.10.11 CN 115169111 A 1.基于随机森林的含能材 料力学性能预测方法， 其特 征在于： 包括以下步骤： S10， 通过模拟算法获得有限数量的样本； S20， 通过ML ‑GAN算法对有限数量的样本进行扩充， 生成扩充样本； S30， 基于扩充样本， 采用随机森林算法对力学性能进行 预测； 其中， 所述的样本包括用于力学性能预测的输入特征量和输出特征量， 所述输入特征 量包括： 晶面、 晶面面积占比、 温度、 密度、 结合能和扩散系数， 所述输出特征量包括： 体积模 量、 剪切模量和杨氏模量。 2.根据权利要求1所述的基于随机森林的含能材料力学性 能预测方法， 其特征在于： 所 述步骤S10， 通过模拟算法获得有限数量的样本， 具体包括： S101， 对推进剂中的填料进行计算， 获得填料的 晶面、 晶面 面积占比； S102， 为不同的晶面， 搭建相应的推进剂层状 计算模型； S103， 在指定的配方的温度条件下， 对层状计算模型进行结构优化、 NPT系综计算， 得到 分子动力学轨 迹文件； S104， 对分子动力学轨迹文件进行分析， 获得推进剂层状模型在指定的配方的温度条 件下的密度及基 体中高聚物的扩散系数； S105， 对轨迹文件进行计算， 获得推进剂层状模型在指定的配方的温度条件下基体与 填料间的结合能； S106， 对分子动力学轨 迹文件进行计算， 得到弹性系数矩阵； S107， 对弹性系数矩阵进行计算， 得到相应的力学性质； 所述的力学性质包括： 体积模 量、 剪切模量及杨氏模量。 3.根据权利要求1所述的基于随机森林的含能材料力学性 能预测方法， 其特征在于： 所 述步骤S30， 基于扩充样本， 采用随机森林算法对力学性能进行 预测， 具体包括： S301， 预处理， 将样本中不同量级的数据统一 量度； S302， 将扩充样本中的数据集划分为训练集和测试集， 从训练集中， 通过有放回的 Boostrasp算法， 生成K组数据集； 每组数据集包括： 被抽中数据、 未被抽中数据； S303， 通过训练集中的数据构建随机森林模型； S304， 将测试集中的数据输入到随机森林模型中， 得到预测结果， 所述的预测结果对应 三个输出 特征量。 4.根据权利要求3所述的基于随机森林的含能材料力学性 能预测方法， 其特征在于： 所 述步骤S303， 通过训练集中的数据构建随机森林模型,具体包括： S3031， 通过每组数据集中的被抽中数据训练一个决策树； S3032， 将训练好的多个决策树组合在一 起， 得到随机森林模型； S3033， 通过未被抽中的数据对随机森林模型的精度进行校验， 当精度满足预设值时， 得到确定的随机森林模型， 否则重新执 行步骤S3 031。 5.根据权利要求1所述的基于随机森林的含能材料力学性能预测方法， 其特征在于： S107， 对弹性系数矩阵进行计算， 得到相应的力学性质， 具体包括： 采用Voigt ‑Reuss‑Hill 近似对弹性系数矩阵进行计算； S1071， 构建参数表达式； 参数表达式为：权　利　要　求　书 1/2 页 2 CN 115169111 A 2式(1)中， Cij表示弹性系数矩阵， 为6个元 素的6x6矩阵； Sij表示体系柔 性系数矩阵； S1072， 通过参数表达式， 计算体积模量和剪切模量， 计算表达式为： 式(2)中， K表示体积模量， G表示剪切模量； S1073， 通过体积模量和剪切模量， 计算杨氏模量， 计算表达式为： 式(3)中， E表示杨氏模量。 6.根据权利要求4所述的基于随机森林的含能材料力学性 能预测方法， 其特征在于： 所 述步骤S302中， 从训练集中， 通过有放回的Bo ostrasp算法， 生成K组数据集； 具体包括： 随机从现有N样本中有放回的抽样N次， 将抽取出的N个样本除以N得到新的1个样本； 重 复抽样， 得到K组数据集。 7.存储设备， 其中存储有多条指令， 其特征在于： 所述指令适于由处理器加载并执行如 权利要求1～6中任一所述的基于随机森林的含能材 料力学性能预测方法。权　利　要　求　书 2/2 页 3 CN 115169111 A 3