Application of multiple-population genetic algorithm in parameter identification for PBX constitutive model
-
摘要: 利用多种群并行结构对标准遗传算法SGA进行并行化处理，引入移民算子和精华种群形成多种群遗传算法MPGA，并设计了自适应交叉和变异概率对算法的收敛速度进行改进。结合ABAQUS软件和改进的多种群遗传算法，建立了材料本构模型参数识别方法。采用该方法对PBX炸药黏弹性损伤本构模型参数进行了模拟识别，并同基于标准遗传算法的参数识别方法进行了比较。结果证明，基于改进多种群遗传算法IMPGA的方法对克服算法未成熟收敛有显著的效果，识别结果更稳定。同时该方法的收敛速度更快，寻优能力更强，适合复杂非线性问题的优化，此方法可以被应用到其他材料本构模型的参数识别中。Abstract: In this work, the standard genetic algorithm (SGA) was parallel processed using multiple parallel structures. Based on the structures, a multiple-population genetic algorithm (MPGA) was established by introducing the immigration operator and quintessence population. Self-adaptive operators of crossover probability and mutation probability were designed to improve the convergence speed of the MPGA. Combining ABAQUS with the improved multiple-population genetic optimized algorithm, a parameter identification method of constitutive model was built. Using the proposed method, a simulation example of parameter identification for PBX viscoelastic damage constitutive model was carried out. Comparison was made between methods based on SGA and MPGA. The results show that the MPGA method can effectively overcome the difficulty of the premature convergence and the identification result is more robust. The method is suitable for the optimization of complex nonlinear systems due to its superiority in the convergence speed and searching ability, and it can be applied to the parameter identification of other models.
-
现代战争中, 随着新结构新原理产生的新型复合装甲的不断更新换代, 坦克等坚固目标有了更强防护能力, 对武器系统性能提出了更高的要求。提高弹药的目标特性适配性, 成为常规战斗部毁伤技术发展的主要需求之一。在含能材料总能量及能量密度限定条件下, 使破甲战斗部的输出效应与目标特性相匹配, 从而实现对目标的高效毁伤, 是目前破甲弹药研究的一个主要方向[1]。射流是破甲弹药对目标侵彻的携能体, 对目标的侵彻效果与有效射流性能有着密切关系[2]。研究并掌握射流结构模式的规律, 寻找控制射流结构模式的分配方法, 可为装药结构参数匹配关系和高效破甲战斗部的研究提供参考。
聚能装药射流作用过程复杂, 由于理论及测试手段的局限性, 难以详细获取材料内部微元的相互作用细节。于骐[3]、赵国志[4]和朱鹤荣等[5]分别用回收杵体的方法, 对射流形成及罩微元对侵彻的贡献进行估算。裴思行[6]采用分段切割药型罩的杵体回收方法, 对射流结构模式进行了研究。数值模拟快速发展, 成为聚能装药研究的重要手段, 在材料模型、计算精度等一致的情况下, 以数值模拟手段分析射流相关规律及趋势是可行的[7-9]。数值模拟中, 将空间与时间离散, 可产生大量其他研究手段难以获得的数据信息。侯秀成等[10]通过数值模拟及静态示踪点处理方法, 得到不同时刻射流速度梯度, 发现射流在稳定拉伸前, 其速度分布并非线性, 且射流形成初期最高射流速度并不在射流头部最前端, 这导致射流头部产生质量堆积。侯秀成等[11]发现射流侵彻中等强度的钢质靶板时, 常规射流的临界侵彻速度为2km/s左右, 而杆式射流的临界侵彻速度为1.4km/s。本文中, 采用数值模拟示踪点处理方法及分段材料定义法, 对典型小锥角罩装药结构的射流形成过程及射流结构进行研究, 获得药型罩微元在射流形成过程中的更多细节信息。可用以分析药型罩材料对目标侵彻有效能量及炸药的有效利用率, 拟为研究射流形成机理、高效聚能装药及复合药型罩提供参考。
1. 数值模拟
1.1 算法及材料模型
聚能装药的作用过程是多物质相互作用的大变形运动[12], 采用Van Leer ALE算法[13-15]进行模拟。该算法为二阶精度的对流算法, 可较精确计算炸药爆炸过程中的动量及能量转化。
炸药材料模型则采用高能炸药燃烧模型和JWL状态方程共同描述[13-15], 其中JWL方程的表达式如下:
p=Fpeos (V,E) (1) peos =A(1−ωR1V)e−R1V+B(1−ωR2V)e−R2V+ωEV (2) 式中:peos为来自于JWL状态方程的炸药爆轰产物压力; p为任意时刻炸药单元所释放的压力; F为炸药燃烧质量分数; V为相对体积; E为体积内能密度; A、B、R1、R2和ω为输入参数。B炸药的主要材料模型参数分别为:ρ=1.717g/cm3, D=7.98km/s, pCJ=29.5GPa, JWL状态方程参数分别为:A=524.23GPa, B=7.678GPa, R1=4.2, R2=1.1, ω=0.34, E0=8.5J/mm3。
药型罩材料选用紫铜, 使用Steinberg模型和Grüneisen状态方程[13]描述, 紫铜材料模型的主要参数分别为:ρ=8.93g/cm3, G=47.7GPa, σy=0.65GPa, c=3.94km/s, s1=1.49, s2=0.6, s3=0, γ0=2, a=0.47。
1.2 示踪点处理介绍
LS-DYNA求解器提供对ALE单元的示踪点历史文件的输出, 体现在trhist文件[13]中。trhist文件以固定格式存放示踪点信息数据, 可用于计算结果的二次处理, 有动态示踪点及静态示踪点两种设置方式, 分别介绍如下。
在药型罩内、外表面上由顶部到底部沿母线方向均匀设置一定数量的动态示踪点, 药型罩压垮形成射流后, 射流的动态示踪点会随着射流微元的运动而运动, 如图 1所示。材料微元的坐标、速度及密度等信息将被以固定格式记录于一定格式的文件中, 计算结束后, 通过一定的数据处理方法用来分析射流微元的运动轨迹及相互位置。
在药型罩口部到炸高范围内均匀设置一定数量静态示踪点, 如图 2所示。当药型罩材料经过这些示踪点时, 材料微元的坐标、速度及密度等信息被以固定格式记录于一定格式的文件中, 计算结束后, 通过一定的数据处理方法可以用来量化分析射流性能参数。
1.3 药型罩微元的有限元处理
在用LS-DYNA程序求解前的前处理过程中, 可将药型罩沿母线方向分为若干段, 在网格划分阶段, 将每段药型罩应用不同的PART号[13-15], 在求解前使用相同的材料模型。应用此方法可将药型罩分为若干个材料微元, 用于研究在爆轰产物的作用下药型罩材料微元之间的相互作用与位置关系。考虑LS-DYNA程序在多物质ALE算法在求解稳定性方面的局限, 将所研究的药型罩分为4段, 如图 3所示。
1.4 装药结构
选用典型装药结构进行数值模拟，装药为B炸药，紫铜药型罩，无壳体，主要装药结构参数分别为：装药直径D0=40 mm，罩顶装药高度H=32 mm，罩锥角2α=60°，罩壁厚δ=1.0 mm，罩顶圆角半径R=2.5 mm，炸高Ha=120 mm。
2. 结果分析
2.1 示踪点轨迹
图 4为射流头部到达炸高位置时药型罩内、外表面的示踪点轨迹。由图可见, 药型罩的大部分外表面材料形成杵体, 药型罩内表材料微元则形成射流部分。这与实验和理论研究得到的结果完全一致, 进一步证实了数值模拟研究射流结构模式的正确性。
2.2 罩质材料微元的运动规律
根据聚能装药轴对称理想不可压缩流体理论，药型罩微元向轴线运动过程中，能量由外层向内层集中，且愈靠近对称轴，能量集中愈快。当微元到达轴线附近时，由于微元内表面附近的压力急剧升高，使微元变宽，并且改变运动方向，最后内层金属成为沿轴向运动的射流[16]。
罩质材料微元运动的数值模拟结果如图 5所示。由图可见, 药型罩分段处理后, 药型罩顶部材料微元在爆轰压力作用下先压垮形成一个连续的杆状物。随着后续材料微元的不断压垮与闭合, 先参与压垮的材料被后续材料微元挤压拉伸并最终分离, 形成射流的头部及杵体的尾部, 且原有空间被后续材料微元占用, 材料微元之间呈现为相互嵌套的管状分层压垮的形式[2]。图 6为分段切割药型罩的回收杵体, 也可见杵体是中空的, 相邻两段杵体呈相互嵌套状, 证实了上述射流形成规律。另外, 距药型罩底端0.25倍高度以上的内表面材料微元形成射流部分, 距罩底端0.25倍高度以下的药型罩材料则形成崩落圈。这与文献[5]回收杵体完全一致。文献[17]中提及的杵体金属微结构组分也表明, 剖面层越靠近轴线, 各结构组分沿轴向的排列方向和伸展越明显, 文献[17]中还提到铜可以生成密实的射流, 但其密度降低不到10%, 本文中数值模拟结果进一步解释了上述实验现象。
图 5 药型罩材料微元运动规律及相互作用关系Figure 5. Moving pattern and interaction of material sections of liner2.3 有效射流速度
实验和理论研究表明, 射流的整个长度都具有侵入靶板的能力, 参与靶板穿孔的部分称为射流的有效长度, 其微元的最低速度vj*称为临界速度[17]。对于45钢靶板, 射流的临界侵彻速度通常为2.0~2.2km/s[17], 本文中取有效射流段的临界速度vj*=2.0km/s[18]。通过上述示踪点信息处理方法, 可获取30μs时速度2.0km/s的射流示踪点坐标, 速度大于2.0km/s的射流微元为有效射流。
图 7为由示踪点处理方法获得的有效射流头部速度变化及速度分布曲线。由图 7可见, 射流头部速度存在一个最大值5.7km/s, 射流头部速度达最大值后由于射流速度梯度的存在, 射流能量在射流段内不断重新分配, 致使射其头部速度逐渐下降, 有效射流除头部小段范围大致呈线性分布, 这与PER理论的结果一致[12].
图 7 有效射流头部速度变化及速度分布曲线Figure 7. Tip velocity and velocity distribution of effective jet2.4 有效射流及杵体结构
射流形成并稳定后, 不考虑射流沿径向微小的速度梯度, 将罩质材料按速度大小沿轴线分为6段(见图 8), 分别称为:射流高速段(v≥5.0km/s)、射流次高速段(4.0km/s≤v < 5.0km/s)、射流中速段(3.0km/s≤v < 4.0km/s)、射流低速段(2.0km/s≤v < 3.0km/s)、过渡段(1.0km/s≤v < 2.0km/s)及杵体段(v < 1.0km/s)。由图可知, 射流高速段及次高速段中包含微元1及微元2, 射流中速段及低速段包含微元2及微元3, 过渡段及崩落区只包含微元4, 杵体则包含了除微元4的所有微元。药型罩沿母线各段微元形成有效射流的贡献是不同的, 但其变化有规律, 贡献比例最大处大概在药型罩的中下部位[19]。
3. 结论
将药型罩沿母线方面均分为4段, 用数值模拟方法研究了典型无壳聚能装药结构在射流形成过程中药型罩微元的运动规律及相互作用关系。
有效射流高速段及次高速段由药型罩内表面顶部及中上部材料组成, 射流的次高速段及中速段由药型罩内表面中上部及中下部材料组成, 有效射流段为药型罩初始材料微元的管状分层分布形结构。
过渡段及崩落区由药型罩底部材料组成, 杵体包含除罩底微元的所有材料微元。
有效射流结构模式可为聚能装药射流形成机理、高效聚能装药结构及复合药型罩研究提供参考。
-
表 1 参数识别结果
Table 1. Results of parameter identification
识别参数 真实值 取值范围 SGA识别 MPGA识别 IMPGA识别 结果 误差/% 结果 误差/% 结果 误差/% E/MPa 496.1 400~600 507.142 2.22 504.931 1.78 505.306 1.86 ν 0.38 0.2~0.6 0.372 2.17 0.387 1.93 0.373 1.84 η 260 200~300 252.460 2.90 263.38 1.30 263.256 1.25 βm 0.6 0.3~0.9 0.619 3.17 0.613 2.09 0.587 2.16 βs 0.4 0.1~0.7 0.384 3.86 0.414 3.40 0.413 3.25 χ 155.5 100~200 148.814 4.30 149.358 3.95 149.249 4.02 n 0.628 0.3~0.9 0.643 2.38 0.638 1.73 0.639 1.75 
下载: 导出CSV
-
[1] 梁增友.炸药冲击损伤与起爆特性[M].北京:电子工业出版社, 2009. [2] 郭虎, 罗景润.循环载荷下PBX力学行为研究[J].爆炸与冲击, 2013, 33(增刊1): 105-110. http://www.cnki.com.cn/Article/CJFDTOTAL-BZCJ2013S1019.htmGuo Hu, Luo Jingrun. Mechanical behavior of PBX under cyclic loadings[J]. Explosion and Shock Waves, 2013, 33(Suppl 1):105-110. http://www.cnki.com.cn/Article/CJFDTOTAL-BZCJ2013S1019.htm [3] Rauchs G, Bardon J. Identification of elasto-viscoplastic material parameters by indentation testing and combined finite element modelling and numerical optimization[J]. Finite Elements in Analysis and Design, 2011, 47(7):653-667. doi: 10.1016/j.finel.2011.01.008 [4] Springmann M, Kuna M. Identification of material parameters of the Gurson-Tvergaard-Needleman model by combined experimental and numerical techniques[J]. Computational Materials Science, 2005, 32(3/4):544-552. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f907b29be395d8906bcc03bac71e5e48 [5] Chaparro B M, Thuillier S, Menezes L F, et al. Material parameters identification: Gradient-based, genetic and hybrid optimization algorithms[J]. Computational Materials Science, 2008, 44(2):339-346. doi: 10.1016/j.commatsci.2008.03.028 [6] Majzoobi G H, Dehgolan F R. Determination of the constants of damage models[J]. Procedia Engineering, 2011, 10:764-773. doi: 10.1016/j.proeng.2011.04.127 [7] Muñoz-Rojas P A, Cardoso E L, Vaz M. Parameter identification of damage models using genetic algorithms[J]. Experimental Mechanics, 2010, 50(5):627-634. doi: 10.1007/s11340-009-9321-y [8] 陈炳瑞, 冯夏庭, 丁秀丽, 等.基于模式-遗传-神经网络的流变参数反演[J].岩石力学与工程学报, 2005, 24(4): 553-558. doi: 10.3321/j.issn:1000-6915.2005.04.002Chen Bingrui, Feng Xiating, Ding Xiuli, et al. Back analysis on rheological parameters based on pattern-genetic-neural network[J]. Chinese Journal of Rock Mechanics and Engineering, 2005, 24(4):553-558. doi: 10.3321/j.issn:1000-6915.2005.04.002 [9] 高军, 黄再兴. PBX炸药粘弹性损伤本构模型的参数识别[J].工程力学, 2013, 30(7): 299-304. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gclx201307045Gao Jun, Huang Zaixing. Parameter identification for viscoelastic damage constitutive model of PBX[J]. Engineering Mechanics, 2013, 30(7): 299-304. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gclx201307045 [10] Solano G J, Rodriguez V K, Garcia N D. Model-based spectral estimation of Doppler signals using parallel genetic algorithms[J]. Artificial Intelligence in Medicine, 2000, 19(1):75-89. doi: 10.1016/S0933-3657(99)00051-2 [11] 李守巨, 刘迎曦, 孙伟.智能计算与参数反演[M].北京:科学出版社, 2008. [12] Cantu-Paz E. Designing efficient and accurate parallel genetic algorithms (parallel algorithms)[D]. University of Illinois at Urbana-Champaign, 1999. http://link.springer.com/978-1-4615-4369-5 [13] Potts J C, Giddens T D, Yadav S B. The development and evaluation of an improved genetic algorithm based on migration and artificial selection[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1994, 24(1):73-86. doi: 10.1109/21.259687 [14] 刘桂萍.基于微型遗传算法的多目标优化方法及应用研究[D].长沙: 湖南大学, 2008. http://cdmd.cnki.com.cn/Article/CDMD-10532-2008081553.htm [15] Sheblé G B, Brittig K. Refined genetic algorithm-economic dispatch example[J]. IEEE Transactions on Power Systems, 1995, 10(1):117-124. doi: 10.1109/59.373934 [16] Paris P C, Erdogan F. A critical analysis of crack propagation laws[J]. Journal of Fluids Engineering, 1963, 85(4):528-533. 期刊类型引用(7)
1. 周刚，孔阳，崔洋洋，钱新明，傅砺烨，张琦. 城市地下排水管道中燃气爆炸及气-液两相耦合作用规律. 爆炸与冲击. 2024(03): 90-104 . 
本站查看2. 陈凯峰，杨克，纪虹，邢志祥，蒋军成. 粒径影响改性凹凸棒土抑制甲烷爆炸实验研究. 工程热物理学报. 2024(06): 1857-1862 . 
百度学术3. 杨克，李雪瑞，纪虹，郑凯，邢志祥，蒋军成. 改性煤矸石-海藻酸钠粉体对管道内甲烷/空气爆炸的抑爆实验. 爆炸与冲击. 2024(07): 174-187 . 本站查看4. 段玉龙，龙凤英，黄俊，俞树威，卜云兵. 水雾喷洒时间对滑移装置下甲烷爆炸特性影响. 安全与环境学报. 2023(01): 64-71 . 百度学术5. 段征，路长，班成伟，刘金刚，郭洪江，李明月. 封闭支管条件下ABC干粉抑爆机制研究. 火工品. 2023(02): 72-76 . 百度学术6. 王秋红，蒋夏夏，代爱萍. 基于Gaussian的甲烷爆炸微观反应计算分析. 中国安全生产科学技术. 2022(06): 178-184 . 百度学术7. 段玉龙，李元兵，杨燕铃，龙凤英，俞树威，黄俊，卜云兵. 细水雾协同滑动装置对甲烷/空气预混气体爆炸特性的影响. 高压物理学报. 2021(05): 182-188 . 百度学术其他类型引用(14)
-
下载:
百度学术
计量
- 文章访问数: 4272
- HTML全文浏览量: 1234
- PDF下载量: 369
- 被引次数: 21