基于数据挖掘技术的地下工程目标毁伤效应计算方法

张磊 吴昊 赵强 王幸 任新见 王继民 孔德锋

张磊, 吴昊, 赵强, 王幸, 任新见, 王继民, 孔德锋. 基于数据挖掘技术的地下工程目标毁伤效应计算方法[J]. 爆炸与冲击, 2021, 41(3): 031101. doi: 10.11883/bzycj-2020-0114
引用本文: 张磊, 吴昊, 赵强, 王幸, 任新见, 王继民, 孔德锋. 基于数据挖掘技术的地下工程目标毁伤效应计算方法[J]. 爆炸与冲击, 2021, 41(3): 031101. doi: 10.11883/bzycj-2020-0114
ZHANG Lei, WU Hao, ZHAO Qiang, WANG Xing, REN Xinjian, WANG Jimin, KONG Defeng. Calculation method of damage effects of underground engineering objectives based on data mining technology[J]. Explosion And Shock Waves, 2021, 41(3): 031101. doi: 10.11883/bzycj-2020-0114
Citation: ZHANG Lei, WU Hao, ZHAO Qiang, WANG Xing, REN Xinjian, WANG Jimin, KONG Defeng. Calculation method of damage effects of underground engineering objectives based on data mining technology[J]. Explosion And Shock Waves, 2021, 41(3): 031101. doi: 10.11883/bzycj-2020-0114

基于数据挖掘技术的地下工程目标毁伤效应计算方法

doi: 10.11883/bzycj-2020-0114
详细信息
    作者简介:

    张 磊(1974- ),男,博士,副研究员,ustczhanglei@163.com

    通讯作者:

    孔德锋(1989- ),男,硕士,工程师,kdf35@126.com

  • 中图分类号: O381

Calculation method of damage effects of underground engineering objectives based on data mining technology

  • 摘要: 针对毁伤试验数据少、不均匀、不连续、范围窄等带来的计算精度不高的问题。研究通过数据挖掘技术进行毁伤效应计算。利用数据库管理毁伤数据,通过数据清洗技术识别并清除数据异常点,以保证数据库中数据的质量。建立了算法评价方法以选择最优经验算法。通过特征选择对高维毁伤数据进行降维,确定毁伤效应的主要控制参数进行神经网络学习和k-近邻检索。在此基础上建立基于数据融合的“三阶段”毁伤效应计算模型,可依据试验数据、经验算法和神经网络模型进行毁伤效应计算。实际应用表明,所提出的计算方法,能够满足实际应用需求。
  • 图  1  地下工程目标毁伤评估源数据结构

    Figure  1.  Structure of source data for underground engineering target damage assessment

    图  2  数据样本频率分布图

    Figure  2.  Frequency distribution of data sample

    图  3  经验算法评价流程

    Figure  3.  Evaluation process of empirical algorithms

    图  4  “三阶段”法毁伤效应数据挖掘流程

    Figure  4.  Flow of damage effect data mining based on “three steps”

    图  5  基于KNN的相似检索流程图

    Figure  5.  Flow chart of similar searching based on KNN

    图  6  地下工程毁伤效应计算流程图

    Figure  6.  Calculation flow chart of damage effect to underground engineering

    表  1  经验算法和BP神经网络模型MAPE值

    Table  1.   MAPE values of empirical algorithms and BP neural network model

    模型δmap/%模型δmap/%
    BRL公式[15]71.34Forrestal公式[18]56.90
    Young公式[16]52.76BP预测模型40.11
    NDRC公式[17]65.92
    下载: 导出CSV

    表  2  地下工程毁伤计算所需主要控制参数

    Table  2.   Main control parameters required for damage calculation of underground engineering

    参数名称输入值备注参数名称输入值备注
    战斗部型号***下拉菜单选择主坑道轴线长100 m
    弹体质量874 kg坑道等效直径5 m
    弹体直径0.37 m防护门位置50 m
    弹头长度1.111 m防护门抗力0.2 MPa
    弹头形状卵形围岩材料种类岩石下拉菜单选择
    装药TNT当量242.7 kg围岩材料波速3000 m/s
    弹体长度2.511 m围岩材料强度46 MPa
    弹着点坐标(10 m, 0 m)围岩材料密度2000 kg/m3
    着靶速度200 m/s衬砌材料种类钢筋混凝土下拉菜单选择
    弹着角衬砌材料强度60 MPa
    攻角衬砌层厚度0.5 m
    坑道类型直通式出入口下拉菜单选择口部防护层厚度5 m
    下载: 导出CSV
  • [1] 任辉启, 穆朝民, 刘瑞朝, 等. 精确制导武器侵彻效应与工程防护[M]. 北京: 科学出版社, 2016: 54−58.
    [2] KANTARDZIC M. Data mining: concepts, models, methods, and algorithms [M]. 2nd ed. Hoboken: Wiley Publishing, Inc, 2011: 135−137.
    [3] HE Z, WU Q, WEN L J, et al. A process mining approach to improve emergency rescue processes of fatal gas explosion accidents in Chinese coal mines [J]. Safety Science, 2019, 111: 154–166. DOI: 10.1016/j.ssci.2018.07.006.
    [4] RYAN S, THALER S. Artificial neural networks for characterizing Whipple shield performance [J]. Procedia Engineering, 2013, 58: 31–38. DOI: 10.1016/j.proeng.2013.05.006.
    [5] RYAN S, THALER S, KANDANAARACHCHI S. Machine learning methods for predicting the outcome of hypervelocity impact events [J]. Expert Systems with Applications, 2016, 45: 23–39. DOI: 10.1016/j.eswa.2015.09.038.
    [6] 李建光, 李永池, 王玉岚. 人工神经网络在弹体侵彻混凝土深度中的应用 [J]. 中国工程科学, 2007, 9(8): 77–81. DOI: 10.3969/j.issn.1009-1742.2007.08.016.

    LI J G, LI Y C, WANG Y L. Penetration depth of projectiles into concrete using artificial neural network [J]. Engineering Sciences, 2007, 9(8): 77–81. DOI: 10.3969/j.issn.1009-1742.2007.08.016.
    [7] 金胜兵, 刘军, 张磊, 等. 数据挖掘技术在混凝土侵彻深度分析中的应用[J]. 解放军理工大学学报(自然科学版) [2020-09-21]. http://kns.cnki.net/kcms/detail/32.1430.N.20170602.1014.002.html. DOI: 10.12018/j.issn.1009-3443.20170223003/2017.06.02.

    JIN S B, LIU J, ZHANG L, et al. The application of data mining technology in the analysis of the projectile penetration depth in concrete[J]. Journal of PLA University of Science and Technology (Natural Science Edition) [2020-09-21]. http://kns.cnki.net/kcms/detail/32.1430.N.20170602.1014.002.html. DOI: 10.12018/j.issn.1009-3443.20170223003/2017.06.02.
    [8] 杨秀敏, 邓国强. 常规钻地武器破坏效应的研究现状和发展 [J]. 后勤工程学院学报, 2016, 32(5): 1–9. DOI: 10.3969/j.issn.1672-7843.2016.05.001.

    YANG X M, DENG G Q. The research status and development of damage effect of conventional earth penetration weapon [J]. Journal of Logistical Engineering University, 2016, 32(5): 1–9. DOI: 10.3969/j.issn.1672-7843.2016.05.001.
    [9] 张国星, 强洪夫, 陈福振, 等. 钻地弹侵彻地下工事问题的研究与发展 [J]. 飞航导弹, 2018(6): 34–38. DOI: 10.16338/j.issn.1009-1319.20170372.

    ZHAGN G X, QIANG H F, CHEN F Z, et al. Research and development of the penetration of ground-penetrating projectiles into underground engineering [J]. Aerodynamic Missile Journal, 2018(6): 34–38. DOI: 10.16338/j.issn.1009-1319.20170372.
    [10] 梁国栋. 钻地弹攻击地下目标的效能评估[D]. 南京: 南京理工大学, 2007: 18−24.
    [11] 吴越. 钻地弹对典型地堡侵爆复合毁伤效能影响要素研究[D]. 南京: 南京理工大学, 2014: 45−67.
    [12] 潘丽娜. 神经网络及其组合模型在时间序列预测中的研究与应用[D]. 兰州: 兰州大学, 2018: 32−56.
    [13] 黄丽. 基于云平台的预测分析算法的研究与实现[D]. 北京: 北京邮电大学, 2016: 1−32, 24−35.
    [14] FLETCHER L, KATKOVNIK V, STEFFENS F E, et al. Optimizing the number of hidden nodes of a feedforward artificial neural network [C]//Proceedings of 1998 IEEE International Joint Conference on Neural Networks Proceedings. IEEE World Congress on Computational Intelligence. Anchorage: IEEE, 1998. DOI: 10.1109/IJCNN.1998.686018.
    [15] GWALTNEY R C. Missile generation and protection in light-water-cooled power reactor plants: ORNL NSIC-22 [R]. Oak Ridge: Oak Ridge National Laboratory, 1968: 1−23.
    [16] YOUNG C W. The development of empirical equation for predicting depth of an earth penetrating projectile: SC-DR-67-60 [R]. Albuquerque: Sandia National Laboratories, 1967: 1−11.
    [17] NDRC. Effects of impact and explosion: division 2 [R]. Washington: National Defence Research Committee, 1946: 1−7.
    [18] FORRESTAL M J, ALTMAN B S, CARGILE J D, et al. An empirical equation for penetration depth of ogive-nose projectiles into concrete targets [J]. International Journal of Impact Engineering, 1994, 15(4): 395–405. DOI: 10.1016/0734-743X(94)80024-4.
    [19] HAN J W, KAMBER M, PEI J. Data mining: concepts and techniques [M]. 3rd ed. Amsterdam: Elsevier Inc, 2012.
    [20] BECKMANN N, KRIEGEL H P, SCHNEIDER R, et al. The R*-tree: an efficient and robust access method for points and rectangles [J]. Acm Sigmod Record, 1990, 19(2): 322–331. DOI: 10.1145/93605.98741.
  • 加载中
图(6) / 表(2)
计量
  • 文章访问数:  579
  • HTML全文浏览量:  206
  • PDF下载量:  164
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-17
  • 修回日期:  2020-11-26
  • 网络出版日期:  2021-03-05
  • 刊出日期:  2021-03-10

目录

    /

    返回文章
    返回