一种陶瓷复合装甲抗侵彻性能优化方法

1.本发明涉及装甲防护技术领域，具体涉及一种陶瓷复合装甲抗侵彻性能优化方法。


背景技术：

2.防弹材料作为保护作战人员生命安全的重要保障，经历了由金属材料到合成高分子柔性材料再到刚柔复合材料的演变，实现了材料成分由单一化到多元化的转变。传统金属装甲主要通过塑性变形和硬化降低冲击体动能，在现代战争中，随着反装甲武器和弹药的损毁能力不断提高，需要更大更重的金属装甲才能抵抗侵彻，这给装甲配备造成了很大的质量负担，也成为战略战术有效发挥的阻碍。因此，单一的材料无法满足现今轻质高强装甲防护需求，这就为由多层材料所组成的复合装甲领域提供了广阔的发展前景。新材料技术在军事上的用途十分广泛，可提升武器装备的性能，在军事领域新材料技术正向高功能化、复合轻量和智能化的方向发展。陶瓷材料作为一种先进的高技术材料，具有高强度、高硬度、耐腐蚀、高耐磨性和重量轻的特点，不仅应用在坦克的防护上，也应用在飞机、舰船、车辆、关键部位的防弹遮蔽层和单兵作战的防护上。实践表明，世界上许多先进坦克的防护装甲采用高性能陶瓷后，防护能力明显提高，陶瓷已经成为复合装甲不可缺少的材料之一。目前对于均质装甲的侵彻和损伤机理的研究在国内外已经发展成熟，但由于陶瓷材料的易脆性和陶瓷复合装甲结构和材料的复杂性使陶瓷复合装甲的侵彻和损伤机理研究相对较少。


技术实现要素：

3.针对上述问题，本发明提供一种陶瓷复合装甲抗侵彻性能优化方法,目的在于针对现有陶瓷复合装甲抗侵彻性能实验存在的花费大、耗时长的缺点。
4.本发明采用下述的技术方案：一种陶瓷复合装甲抗侵彻性能优化方法，包括以下步骤：
5.s1：在abaqus软件当中，根据子弹侵彻复合装甲的实际情况建立相应几何模型并导出inp文件；
6.s2：基于步骤s1建立的几何模型，对复合装甲中的陶瓷层插入0厚度的 cohesive单元模拟裂纹生成，更新几何模型，生成包含cohesive单元的inp文件；
7.s3：利用py脚本调用步骤s2中的inp文件进行求解，获得复合装甲在子弹侵彻下的最大位移，将得到的最大位移作为优化的约束条件；
8.s4：利用gwo算法，将步骤s3所得结果引入优化问题，不断更新模型厚度，并计算子弹侵彻导致的装甲板最大位移，经过预设迭代次数后输出和保存优化结果，进行优化求解；
9.s5：利用机器学习算法对gwo优化算法的结果进行验证并实现结果可视化。
10.优选的，所述步骤s1包括：
11.s101：在abaqus中，根据实际尺寸建立具体的几何模型；
12.s102：针对几何模型的不同部件赋予不同的材料属性；
13.对于陶瓷部分采用了jhc模型，jhc模型的损伤累积模型采用的累计方式对于模拟陶瓷损伤的方式具有较高的精度，d值位于0到1之间，决定着陶瓷材料的损伤量，当陶瓷材料处于未损伤状态时，d为0，当陶瓷材料发生彻底损坏时，d为1，且d具有如下关系式：
[0014][0015]
式中：p代表任意时间步下的塑性应变，代表当所受静水压为p时，材料陶瓷材料所具有的塑性应变，具有如下关系式：
[0016][0017]
式中：d1和d2代表材料常数，一般是由实验测得；p*表示正则化压力； t*表示正则化最大静水压力，当且仅当p*＝-t*时，材料不具有任何弹塑性，无法发生塑性应变。
[0018]
当复合装甲中含有金属al板和弹头steel的材料时本构和失效准则采用 johnson-cook本构模型：
[0019][0020]
式中，ε
*
为相对等效塑性应变率；tr为室温；tm为材料熔点；a为屈服应力b为应变硬化；n为应变硬化指数；c为应变率相关系数；m为温度相关系数。
[0021]
当复合装甲中含有聚乙烯pe时采用hashin模型进行描述。
[0022]
s103：选择显示动力学求解器，因为子弹侵彻复合材料装甲的过程涉及到冲击碰撞，且伴随着瞬态大变形和材料破坏失效，其表达式为：
[0023][0024]
式中，m表示质量；c表示阻尼；k表示刚度；表示加速度；表示速度； u表示位移；
[0025]
s104：对所有几何模型进行离散化；
[0026]
s105：导出inp文件。
[0027]
优选的，所述步骤s2包括：
[0028]
s201：导入步骤s105所获得的inp文件；
[0029]
s202：获取所有内部表面；
[0030]
s203：通过新增节点的方式将所有内部表面拆分成两个面；
[0031]
s204：将步骤s203中拆分出的两个面组成一个cohesive单元；
[0032]
s205：将node.txt，ele.txt，coh.txt分别拷贝到陶瓷层的节点处、陶瓷层单元处、陶瓷层单元后。
[0033]
优选的，所述步骤s3包括：
[0034]
s301：在abaqus中新建一个工程，导入步骤s1获得的inp文件，输出装甲板的最大侵彻位移；
[0035]
s302：将随工程一同创建的rpy文件改成py文件；
[0036]
s303：利用命令行的方式直接调用步骤s302生成的py文件，即可完成 abaqus中的
计算和提取结果操作。
[0037]
优选的，所述步骤s4采用gwo算法，对设计变量、目标函数、约束条件、搜索代理数、迭代次数进行设置，根据具体情况利用骤s3中返回的仿真结果作为其目标函数或约束条件。将狼群中最适解作为α，第二合适解命名为β，第三合适解命名为δ，剩下的候选解被命名为ω。在gwo算法中，由α，β和δ引导ω跟随。
[0038]
在狩猎过程中，将灰狼围捕最优解的行为定义如下：
[0039]
d＝|c
·
x
p
(t)-x(t)|
[0040]
x(t 1)＝x
p
(t)-a.d
[0041]
d表示个体与最优解间的距离，x(t 1)是灰狼的位置更新公式。其中，t是目前的迭代代数，a和c是系数向量，xp和x分别是最优解的位置向量和灰狼的位置向量。a和c的计算公式如下：
[0042]
a＝2a
·r1-a(3)
[0043]
c＝2
·
r2(4)
[0044]
其中，a是收敛因子，随着迭代次数从2线性减小到0，r1和r2的模取[0，1]之间的随机数。
[0045]
灰狼能够识别最优解的位置并包围它们。当灰狼识别出最优解的位置后，α、β和δ的带领下指导狼群包围最优解。灰狼个体跟踪最优解位置的数学模型描述如下：
[0046]dα
＝|c1·
x
α-x|
[0047]dβ
＝|c2·
x
β-x|
[0048]dδ
＝|c3·
x
δ-x|
[0049]
其中，d
α
、d
β
和d
δ
分别表示α、β和δ与其他个体间的距离；x
α
，x
β
和x
δ
分别代表α、β和δ当前位置；c1、c2、c3是随机向量；x是当前灰狼的位置。
[0050]
x1＝x
∝-a1·
(d
α
)
[0051]
x2＝x
β-a2·
(d
β
)
[0052]
x3＝x
δ-a3·
(d
δ
)
[0053]
上式定义了狼群中ω个体朝向α、β和δ前进的步长和方向。
[0054][0055]
上式表示ω的最终位置。
[0056]
当最优解停止移动时，灰狼通过攻击来完成狩猎过程。为了模拟逼近最优解，收敛因子a的值被逐渐减小，因此a的波动范围也随之减小。换句话说，在迭代过程中，当a的值从2线性下降到0时，其对应的a的值也在区间[-a，a]内变化。如图3所示，当a的值位于区间内时，灰狼的下一位置可以位于其当前位置和最优解位置之间的任意位置.当|a|＜1时，狼群向最优解发起攻击(陷入局部最优).当|a|＞1时，灰狼与最优解分离，寻找更合适的最优解(全局最优)。
[0057]
对复合装甲抗侵彻性能进行优化时，其优化问题数学模型如下：
[0058]
maxh
back
[0059]
s.t.t≤30mm，ρa≤43kg/m2[0060]
式中，h
back
为复合装甲侵彻过程中变形最大值，t为复合装甲板总厚度，ρa为面密
度。
[0061]
t＝t1 t2 ... tn[0062]
其中t1表示陶瓷板厚度、t2—tn分别表示其他材料的厚度。
[0063]
优选的，所述步骤s5包括：
[0064]
s501：根据变量与设计域的要求利用界面集成的实验设计下的拉丁超立方抽样功能生成符合要求的随机且分布均匀的样本点，并输出为txt文件；
[0065]
s502：利用matlab编写inp文件编辑程序，导入步骤s501输出的txt文件，根据txt文件批量生成基于样本点数据的inp文件；
[0066]
s503：结合py脚本，命令abaquse批量计算上一步产生的inp文件，经过处理生成文本文件，导入界面程序的机器学习模块；
[0067]
s504：在机器学习选择合适的模型与参数，产生代理模型；
[0068]
s505：在寻优模块中选中上一步生成的代理模型，选择合适的寻优算法产生巡游结果。机器学习产生的代理模型作为灰狼算法的约束条件计算式之一进行寻优。
[0069]
优选的，所述步骤s504中模型包括神经网络和支持向量机。
[0070]
本发明的有益效果是：
[0071]
1、充分考虑了裂纹的生成对抗侵彻性能的影响，为优化过程中目标函数的计算提供了更为精准和有效的数据；
[0072]
2、采用了gwo算法，有着较高的收敛速度和精度，能够有效的计算得到最优解；
[0073]
3、引入了机器学习采用代理模型对之前的求解结果进行验证，数据结果具有科学性与可行性；
[0074]
4、编写了软件界面实现了数据可视化和人机交互功能，使计算过程清晰直观，操作方便。
附图说明
[0075]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
[0076]
图1为本发明子弹侵彻仿真物理模型；
[0077]
图2为本发明离散化后的模型；
[0078]
图3为本发明仿真结果云图；
[0079]
图4为本发明gwo示意图；
[0080]
图5为本发明拉丁超立方抽样功能生成符合要求的随机且分布均匀的样本点示意图；
[0081]
图6为本发明生成的代理模型；
[0082]
图7为本发明优化程序的逻辑图；
[0083]
图8为本发明的流程图；
[0084]
图9为bp网络模型处理信息的基本原理；
[0085]
图10为本发明机器学习算出的最优解。
具体实施方式
[0086]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0087]
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0088]
下面结合附图和实施例对本发明进一步说明。
[0089]
如图8所示，一种陶瓷复合装甲抗侵彻性能优化方法，包括以下步骤：
[0090]
s1：在abaqus软件当中，根据子弹侵彻复合装甲的实际情况建立相应几何模型并导出inp文件；
[0091]
s2：基于步骤s1建立的几何模型，对复合装甲中的陶瓷层插入0厚度的 cohesive单元模拟裂纹生成，更新几何模型，生成包含cohesive单元的inp文件；
[0092]
s3：利用py脚本调用步骤s2中的inp文件进行求解，获得复合装甲在子弹侵彻下的最大位移，将得到的最大位移作为优化的约束条件；
[0093]
s4：利用gwo算法，将步骤s3所得结果引入优化问题，不断更新模型厚度，并计算子弹侵彻导致的装甲板最大位移，经过预设迭代次数后输出和保存优化结果，进行优化求解；
[0094]
s5：利用机器学习算法对gwo优化算法的结果进行验证并实现结果可视化。
[0095]
优选的，所述步骤s1包括：
[0096]
s101：在abaqus中，根据实际尺寸建立具体的几何模型，如图1所示；
[0097]
s102：针对几何模型的不同部件赋予不同的材料属性；
[0098]
对于陶瓷部分采用了jhc模型，jhc模型的损伤累积模型采用的累计方式对于模拟陶瓷损伤的方式具有较高的精度，d值位于0到1之间，决定着陶瓷材料的损伤量，当陶瓷材料处于未损伤状态时，d为0，当陶瓷材料发生彻底损坏时，d为1，且d具有如下关系式：
[0099][0100]
式中：p代表任意时间步下的塑性应变，代表当所受静水压为p时，材料陶瓷材料所具有的塑性应变，具有如下关系式：
[0101][0102]
式中：d1和d2代表材料常数，一般是由实验测得；p*表示正则化压力； t*表示正则化最大静水压力，当且仅当p*＝-t*时，材料不具有任何弹塑性，无法发生塑性应变。
[0103]
当复合装甲中含有金属al板和弹头steel的材料时本构和失效准则采用 johnson-cook本构模型：
[0104]
[0105]
式中，ε
*
为相对等效塑性应变率；tr为室温；tm为材料熔点；a为屈服应力b为应变硬化；n为应变硬化指数；c为应变率相关系数；m为温度相关系数。
[0106]
johnson-cook材料模型定义的失效应变为：
[0107][0108][0109][0110]
其中，σ
*
是静水压应力p与等效应力的比值，d
1-d5为失效常数。当d＝1 时，材料失效。
[0111]
本方案中johnson-cook材料模型结合了gruneisen状态方程，用于描述压力与体积的关系，gruneisen状态方程定义的静水压力为：
[0112][0113][0114]
式中，γ0为grunesien参数；a为一阶体积修正，e为材料内能；c、s1、s2和s3为冲击波速us与质点速度v
p
关系曲线的相干系数，满足关系式：
[0115][0116]
当复合装甲中含有聚乙烯pe时采用hashin模型进行描述。材料损伤定义如下：
[0117]
损伤初始化：
[0118]
这些准则考虑4种不同的损伤初始机理；纤维拉伸、纤维压缩、基体拉伸和基体压缩。
[0119]
初始准则具有以下一般形式：
[0120]
纤维拉伸
[0121][0122]
纤维压缩
[0123][0124]
基体拉伸
[0125][0126]
基体压缩
[0127][0128]
x
t
：纵向抗拉强度；xc：纵向抗压强度；
[0129]yt
：横向抗拉强度；yc：横向抗压强度；
[0130]sl
：纵向抗剪强度；s
t
：横向抗剪强度；
[0131]
α：切应力对拉伸初始化准贡献的系数。
[0132]
分别为有效应力张量的分量，用来评估初始化准则：
[0133][0134][0135]
式中，df、dm和ds为损伤内变量，用来表征纤维、基体和剪切引起的损伤折减，对应于模型的损伤变量和
[0136][0137][0138][0139]
损伤演化准则：材料损伤之前，为线弹性材料；达到损伤阈值后，产生演化和刚度折减：
[0140]
σ＝cdε
[0141]
其中，ε是应变，cd是弹性矩阵，它体现任何损伤并具有如下形式：
[0142][0143]
d＝1-(1-df)(1-dm)v
12v21
[0144]
式中，df体现纤维损伤的当前状态；dm体现基材损伤的当前状态；ds体现剪切损伤的当前状态；e1是纤维防线发上的弹性模量；e2是纤维垂直方向上的弹性模量；g是剪切模量；ν
12
和ν
21
是泊松比。
[0145]
损伤初始化后的损伤变量：
[0146][0147]
其中，是初始等效唯一，在此位移上，满足相应模式的初始化准则。不同模式下的值，取决于弹性刚度和指定损伤初始化定义的一部分的强度参数。对于每一种失效模式，需要指定由于失效产生的能量耗散gc，不同模式下的值取决于各自的gc值。
[0148]
s103：选择显示动力学求解器，因为子弹侵彻复合材料装甲的过程涉及到冲击碰撞，且伴随着瞬态大变形和材料破坏失效，其表达式为：
[0149][0150]
式中，m表示质量；c表示阻尼；k表示刚度；表示加速度；表示速度； u表示位移；
[0151]
s104：对所有几何模型进行离散化，如图2所示；
[0152]
s105：导出inp文件。
[0153]
优选的，所述步骤s2包括：
[0154]
s201：导入步骤s105所获得的inp文件；
[0155]
s202：获取所有内部表面；
[0156]
s203：通过新增节点的方式将所有内部表面拆分成两个面；
[0157]
s204：将步骤s203中拆分出的两个面组成一个cohesive单元，cohesive模型的基本思想是通过在相邻实体单元之间嵌入一种无厚度的内聚力单元，以此来描述单元之间的滑动分离现象。而内聚力单元的本构关系由牵引-分离、损伤起始、损伤演化三个阶段来定义。当内聚力单元在外力的作用下达到破坏标准时将从模型中移除并在此界面上形成断裂面。
[0158]
内聚力单元的牵引-分离段内聚力单元表现出线弹性的本构关系，可用下式表示：
[0159][0160]
当前采用最大名义应力准则，该准则公式如下：
[0161][0162]
损伤演化阶段引入了一个损伤变量d来描述内聚力单元刚度的折减形式，在材料损伤演化过程中，d从0单调增加至1，内聚力单元各应力分量与损伤变量的关系由下式定义：
[0163][0164]
s205：将node.txt,ele.txt,coh.txt分别拷贝到陶瓷层的节点处、陶瓷层单元处、陶瓷层单元后。
[0165]
优选的，所述步骤s3包括：
[0166]
s301：在abaqus中新建一个工程，导入步骤s1获得的inp文件，输出装甲板的最大侵彻位移，仿真结果如图3所示；
[0167]
s302：将随工程一同创建的rpy文件改成py文件；
[0168]
s303：利用命令行的方式直接调用步骤s302生成的py文件，即可完成abaqus中的计算和提取结果操作。
[0169]
优选的，所述步骤s4采用gwo算法，对设计变量、目标函数、约束条件、搜索代理数、迭代次数进行设置，根据具体情况利用骤s3中返回的仿真结果作为其目标函数或约束条件。如图4所示，将狼群中最适解作为α，第二合适解命名为β，第三合适解命名为δ，剩下的候选解被命名为ω。在gwo算法中，由α，β和δ引导ω跟随。
[0170]
在狩猎过程中，将灰狼围捕最优解的行为定义如下：
[0171]
d＝|c
·
x
p
(t)-x(t)|
[0172]
x(t 1)＝x
p
(t)-a.d
[0173]
d表示个体与最优解间的距离，x(t 1)是灰狼的位置更新公式。其中，t是目前的迭代代数，a和c是系数向量，xp和x分别是最优解的位置向量和灰狼的位置向量。a和c的计算公式如下：
[0174]
a＝2a
·r1-a(3)
[0175]
c＝2
·
r2(4)
[0176]
其中，a是收敛因子，随着迭代次数从2线性减小到0，r1和r2的模取[0，1]之间的随机数。
[0177]
灰狼能够识别最优解的位置并包围它们。当灰狼识别出最优解的位置后，α、β和δ的带领下指导狼群包围最优解。灰狼个体跟踪最优解位置的数学模型描述如下：
[0178]dα
＝|c1·
x
α-x|
[0179]dβ
＝|c2·
x
β-x|
[0180]dδ
＝|c3·
x
δ-x|
[0181]
其中，d
α
、d
β
和d
δ
分别表示α、β和δ与其他个体间的距离；x
α
，x
β
和x
δ
分别代表α、β和δ当前位置；c1、c2、c3是随机向量；x是当前灰狼的位置。
[0182]
x1＝x
∝-a1·
(d
α
)
[0183]
x2＝x
β-a2·
(d
β
)
[0184]
x3＝x
δ-a3·
(d
δ
)
[0185]
上式定义了狼群中ω个体朝向α、β和δ前进的步长和方向。
[0186][0187]
上式表示ω的最终位置。
[0188]
当最优解停止移动时，灰狼通过攻击来完成狩猎过程。为了模拟逼近最优解，收敛因子a的值被逐渐减小，因此a的波动范围也随之减小。换句话说，在迭代过程中，当a的值从2线性下降到0时，其对应的a的值也在区间[-a，a]内变化。如图3所示，当a的值位于区间内时，灰狼的下一位置可以位于其当前位置和最优解位置之间的任意位置.当|a|＜1时，狼群向最优解发起攻击(陷入局部最优).当|a|＞1时，灰狼与最优解分离，寻找更合适的最优解(全局最优)。
[0189]
对复合装甲抗侵彻性能进行优化时，其优化问题数学模型如下：
[0190]
max h
back
[0191]
s.t.t≤30mm，ρa≤43kg/m2[0192]
式中，h
back
为复合装甲侵彻过程中变形最大值，t为复合装甲板总厚度，ρa为面密度。
[0193]
t＝t1 t2 ... tn[0194]
其中t1表示陶瓷板厚度、t
2-tn分别表示其他材料的厚度。
[0195]
gwo直接优化得到的最优解，即质量最小且满足约束条件的结果如下表所示：
[0196]
陶瓷厚度h
cmc
/m耗散层厚度h/mresult/kg0.0090.0002962.934
[0197]
优选的，所述步骤s5包括：
[0198]
s501：根据变量与设计域的要求利用界面集成的实验设计下的拉丁超立方抽样功能生成符合要求的随机且分布均匀的样本点，并输出为txt文件，如图5 所示；
[0199]
s502：利用matlab编写inp文件编辑程序，导入步骤s501输出的txt文件，根据txt文件批量生成基于样本点数据的inp文件；
[0200]
s503：结合py脚本，命令abaquse批量计算上一步产生的inp文件，经过处理生成文本文件，导入界面程序的机器学习模块；
[0201]
s504：在机器学习选择合适的模型与参数，产生代理模型，如图6所示；
[0202]
s505：在寻优模块中选中上一步生成的代理模型，选择合适的寻优算法产生巡游结果。机器学习产生的代理模型作为灰狼算法的约束条件计算式之一进行寻优，优化程序的逻辑图如图7所示。
[0203]
优选的，所述步骤s504中模型包括神经网络和支持向量机。
[0204]
bp网络模型处理信息的基本原理如图9所示。
[0205]
输入信号xi通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号yk，网络训练的每个样本包括输入向量x和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值wij和隐层节点与输出节点之间的联接强度tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
[0206]
用三层神经网络来实现相关的，输入层为3输入，隐含层设置8个节点，输出层设置为2个输出。
[0207]
激活函数：
[0208][0209]
权值更新：
[0210][0211]
神经网络的权值更新步骤为：
[0212]
(1)初始化各层连接权值，并设置学习率和惯性系数。
[0213]
(2)输入一个样本对，计算各层节点输出值。
[0214]
(3)根据梯度下降策略，以目标函数的负梯度方向对参数进行调整。
[0215]
支持向量机基本原理：在回归问题中，最常用的误差函数为最小平方和误差函数，那么带有正则化的最小平方和误差函数的形式如下：
[0216][0217]
将二次误差函数替换成∈-不敏感误差函数。
[0218][0219]
最小化正则化误差函数：
[0220][0221]
其中，c为正则化系数。
[0222]
引入松弛变量，注意，在回归问题中，每个数据点xn需要两个松弛变量ξn≥0 和其中ξn＝0对应于tn≥y(xn) ∈(∈-管道上方)，而对应于tn≤y(xn)-∈数据点(∈-管道下方)。
[0223]
对于∈-管道上方的点，ξn＞0和ξn＝0位于管道下方的点，ξn＞0和ξn＝0，而对于管道内部的点，引入松弛变量(不为0)使得数据点能够位于管道之外，对应条件为
[0224][0225]
重新更新svr的误差函数：
[0226][0227]
为了最小化误差函数，引入拉格朗日乘子法，对式子进行有约束的优化：
[0228][0229][0230]
通过对拉格朗日函数关于ω，b，ξn，求导数为0：
[0231][0232][0233][0234]
代入原式中，可以得到新的式子：
[0235][0236]
这里引入了核函数，k(xn，xm)＝φ(xm)
[0237]
可以得到相应的kkt条件：
[0238][0239]
从kkt条件可以看出来，系数an非零情况下，∈ ξn y
n-tn＝0，即数据点要么位于管道上边界上(ξn＝0)，要么在边界以上，类似的非零表示，∈ ξ
n-yn tn＝0，即数据点位于下边界上或者下边界的下方。在管道内部的点都有
[0240]
注意到上面关于ω求导为0得出的式子，并结合yn＝ωnφ(xn) b，对于新的输入变量，可以使用下式得到：
[0241][0242][0243]
机器学习算出的最优解如图10所示，图中横坐标表示陶瓷厚度，纵坐标表示耗散层厚度。
[0244]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种陶瓷复合装甲抗侵彻性能优化方法，其特征在于，包括以下步骤：s1：在abaqus软件当中，根据子弹侵彻复合装甲的实际情况建立相应几何模型并导出inp文件；s2：基于步骤s1建立的几何模型，对复合装甲中的陶瓷层插入0厚度的cohesive单元模拟裂纹生成，更新几何模型，生成包含cohesive单元的inp文件；s3：利用py脚本调用步骤s2中的inp文件进行求解，获得复合装甲在子弹侵彻下的最大位移，将得到的最大位移作为优化的约束条件；s4：利用gwo算法，将步骤s3所得结果引入优化问题，不断更新模型厚度，并计算子弹侵彻导致的装甲板最大位移，经过预设迭代次数后输出和保存优化结果，进行优化求解；s5：利用机器学习算法对gwo优化算法的结果进行验证并实现结果可视化。2.根据权利要求1所述的一种陶瓷复合装甲抗侵彻性能优化方法，其特征在于，所述步骤s4采用gwo算法，对设计变量、目标函数、约束条件、搜索代理数、迭代次数进行设置，根据具体情况利用骤s3中返回的仿真结果作为其目标函数或约束条件。3.根据权利要求1所述的一种陶瓷复合装甲抗侵彻性能优化方法，其特征在于，所述步骤s4优化问题数学模型如下：max h
back
s.t.t≤30mm，ρ
a
≤43kg/m2式中，h
back
为复合装甲侵彻过程中变形最大值，t为复合装甲板总厚度，ρ
a
为面密度。4.根据权利要求1所述的一种陶瓷复合装甲抗侵彻性能优化方法，其特征在于，所述步骤s5包括：s501：根据变量与设计域的要求利用界面集成的实验设计下的拉丁超立方抽样功能生成符合要求的随机且分布均匀的样本点，并输出为txt文件；s502：利用matlab编写inp文件编辑程序，导入步骤s501输出的txt文件，根据txt文件批量生成基于样本点数据的inp文件；s503：结合py脚本，命令abaquse批量计算上一步产生的inp文件，经过处理生成文本文件，导入界面程序的机器学习模块；s504：在机器学习选择合适的模型与参数，产生代理模型；s505：在寻优模块中选中上一步生成的代理模型，选择合适的寻优算法产生巡游结果。5.根据权利要求3所述的一种陶瓷复合装甲抗侵彻性能优化方法，其特征在于，所述步骤s504中模型包括神经网络和支持向量机。

技术总结
本发明公开了一种陶瓷复合装甲抗侵彻性能优化方法，包括以下步骤：在abaqus中建立相应几何模型并导出inp文件；对建立的几何模型中的陶瓷层插入0厚度的cohesive单元模拟裂纹生成，更新几何模型，生成包含Cohesive单元的inp文件；利用py脚本调用inp文件进行求解，获得复合装甲在子弹侵彻下的最大位移，将得到的最大位移作为优化的约束条件；利用GWO算法，进行优化求解；利用机器学习算法对GWO优化算法的结果进行验证并实现结果可视化。本发明充分考虑了裂纹的生成对抗侵彻性能的影响，为优化过程中目标函数的计算提供了更为精准和有效的数据，采用GWO算法，有着较高的收敛速度和精度，计算过程清晰直观，操作方便。操作方便。操作方便。


技术研发人员：刘建涛 金铸城 陈乐涵 唐名 曾庆丰 冯志强 关康
受保护的技术使用者：西南交通大学
技术研发日：2022.03.22
技术公布日：2022/5/25