一种基于多源数据融合的虚拟试验方法

本发明属于船舶海上试验与装备领域，特别涉及一种基于多源数据融合的虚拟试验方法。

背景技术：

1、船舶在行驶过程中可能会受到碰撞、大风浪载荷或者燃油燃气爆炸冲击，严重威胁到船上的推进系统、通讯设备、数据装置等核心装置设备的稳定性和安全性。通过虚拟试验方法，可以为评估船舶抵抗复杂海况条件下的防护能力，提高提供重要、宝贵的数据基础。

2、目前，从测量数据和科学研究的角度，海上试验可获取的数据量仍比较局限，主要获取有限测量点的相关视频、冲击环境、应变、温度、水位等信息，且可预见未来相当时间内，从测量仪器和测量技术层难以有较大突破。因此，单一的海上实验存在试验成本高、试验难度大、数据难获取、数据获取量少、海上试验的物理过程不清晰等缺点。另外，由于海上试验无法准确获得炸点与靶标的相对位置，对于仿真试验来说，缺少准确的工况条件，因此难以进行有较强说服力的仿真试验。

3、为解决以上现有不足，本发明通过目前可行的技术手段，考虑以上所述情况，采取真实试验数据与仿真试验结合实现虚拟试验的方式，构建了一种综合性的、可复现的、重复分析的、物理场再现的、多源数据融合的虚拟试验方法。

技术实现思路

1、本发明的目的是提供一种以有限的试验数据为基础，结合批量数值仿真计算、机器学习算法，构建虚拟试验的新方法。该方法可实现海上试验数据“从少变多”，最大化少量真实试验数据的研究价值。

2、本发明所采用的技术方案是基于多源数据融合的虚拟试验方法。

3、一种基于多源数据融合的虚拟试验方法，其步骤是：

4、s01:通过试验或已有的试验获取测量点的有效数据，包括加速度测量数据、压力测量数据、应变测量数据、破口数据等，并进行数据处理，建立简化的特征值；

5、s02:根据靶船信息，建立有限元模型，并建立随机工况，批量计算随机工况，提取结果中对应试验获取的有效数据，即加速度测量数据、压力测量数据、应变测量数据、破口数据等，并采取与试验数据相同的数据处理方式，获得简化的特征值，从而建立各种不同工况对应的测量信息，对原始数据归一化，形成用于机器学习所使用的数据库。

6、s03:采用机器学习算法(支持向量机)，以结果数据为特征(即自变量x)，以工况信息为目标(即因变量y)，对步骤s02生成的基础数据库进行训练，其中，破口数据需采用机器学习的可分类的算法进行分类模型训练，其他数据采用可回归的算法进行回归模型训练，从而对所有工况信息条件(如空间坐标、药量、水深)分别建立对应的机器学习预测模型，并进行模型的精确度评估和参数优化。

7、s04：采用步骤s03建立的对应工况信息的预测模型，将步骤s01获得的数据作为测试集，预测试验时对应的工况条件信息，即药量、炸药爆点坐标等。

8、s05:将步骤s04获得的工况条件与试验所有已知的工况条件进行对比，即对药量、爆点坐标等进行对比。其中试验爆点空间坐标通过视频、图片等资料进行分析，得到一个分布范围，坐标预测值在该分布范围内即认为预测合理，其他预测值(药量等)误差范围在20％内认为预测合理。对于存在明显差异的预测值，返回并执行步骤s03、s04、s05，直到预测值在误差范围内。

9、s06:将步骤s04预测的工况信息作为输入条件，输入到步骤s02建立的有限元仿真计算模型，对试验进行仿真计算，得到试验的仿真结果。采用相应的后处理软件，处理仿真结果，形成对应的视频动画资料、物理场数据资料等，使数据可视化，并对该结果文件进行封装，形成最终的虚拟实验平台。

10、作为优选，所述步骤s01、s02中的测量数据处理，建立简化的特征值，具体方法是：

11、s01-01：对于某个测点的加速度数据，将其转化为冲击谱数据，获得谱速度、谱位移、谱加速度。具体地，冲击谱按以下步骤获得：

12、(1)按下式计算加速度谱a(ω)

13、

14、上式中，为试验测得的测点的加速度时域曲线；τ为时间变量；t为加速度曲线结束的时间点；ω为圆频率。

15、(2)按下式计算速度谱v(ω)

16、

17、(3)按下式计算位移谱d(ω)

18、

19、(4)在对数坐标系下按照下式关系绘制谱线，得到冲击谱。

20、logv＝logω+logd,logv＝-logω+loga(5)

21、s01-02：对于某个测点的应变数据，将其稳定后的应变数据进行平均处理。

22、s01-03：对于某个测点的压力数据，若为水下试验，提取其初始冲击波峰值、初始冲击波脉宽、气泡脉动压力峰值、气泡脉动压力脉宽、气泡脉动周期；若为水上试验，提取冲击波峰值、脉宽以及准静态压力值。

23、s01-04：对于某个破口的面积数据，得到等效破口半径re，并提取真实破口的最大长度lmax；其中等效破口半径re按下式计算：

24、πre2＝sreal(6)

25、式中，sreal为实际测量或仿真计算的破口面积。

26、作为优选，所述步骤s02、s06中的有限元仿真计算，具体是指特定工况的爆炸流固耦合仿真计算，通常采用ale或cel方法进行仿真计算，其仿真计算步骤主要包括：

27、(1)船体结构建模、水与空气域建模、炸药域建模；

28、(2)船体结构、水介质、空气介质、炸药介质材料属性赋值；

29、(3)流体域边界条件设置；

30、(4)流固耦合设置；

31、(5)求解时间与结果输出设置；

32、(6)执行求解计算。

33、作为优选，所述步骤s02中的原始数据归一化，具体是按如下公式计算：

34、

35、其中，xnom为归一化后的数据，x为需要归一化的变量的原始数据，xmin、xmax为该变量数据的最小值与最大值。

36、作为优选，所述步骤s03机器学习算法，具体是指，对于破口数据，首先按照有无破口，采用支持向量机算法进行分类训练，然后将有破口的具体破口数据采用支持向量机算法进行回归训练；其他测量数据均按照具体数据采用支持向量机算法进行回归训练。

37、其中，支持向量机分类/回归预测，是以某个关心的物理量为输出变量即目标集，以炸药xyz三向空间坐标、炸药tnt当量、炸药水下爆炸水深为输入变量即特征集，通过对数据集的训练，得到某个关心的物理量与炸药xyz三向空间坐标、炸药tnt当量、炸药水深的回归/回归模型，其形式如下所示：

38、xi＝f(x,y,z,mtnt,d)(8)

39、其中，xi为某个关心的物理量；x为炸药炸点的x方向坐标；y为炸药炸点的y方向坐标；z为炸药炸点的z方向坐标；mtnt为炸药tnt当量；d为炸药水下爆炸水深，仅用于水下爆炸情况，对于空气爆炸一律取0；f表示支持向量机分类/回归模型。

40、作为优选，所述步骤s03模型的精确度评估和参数优化，具体是指，以均方误差为损失函数，采用交叉验证、网格搜索。并结合遗传算法，对支持向量机的模型参数c、g进行优化，从而提高模型的预测准确度。其中，均方误差mse计算公式为：

41、

42、其中，n为样本数量，为预测值，yi为真实值。

43、与现有技术相比，本发明具有以下优点：

44、1.通过虚拟的手段再现真实试验的综合物理场，从而提取更多的测量数据，提高了一次试验的数据价值，即通过一次试验，获得综合性的、可复现的、重复分析的试验数据。

45、2.本发明采用机器学习算法预测、试验测量数据校对优化，具有较高的准确度。

46、3.本发明能够为试验提供基于真实物理场的直观、可信度高的过程复现，也为武器装备研制、科学研究提供了丰富的数据资料。