في مجال تركيب ضغط المنتجات العسكرية، ترتبط كثافة تشكيل المنتج ارتباطًا وثيقًا بأداء الإضرار بالمعدات العسكرية، وهي أحد المؤشرات المهمة لجودة التشكيل بالضغط. تتميز عملية تشكيل جزيئات المتفجرات المضغوطة بوجود متغيرات متعددة، عدم تأكد في المعلمات، وصعوبة في الحصول على البيانات، مما يجعل الطرق التقليدية لمحاكاة الأعداد غير قادرة على الحصول بدقة على كثافة التشكيل. كما أن الطرق المدفوعة بالبيانات تواجه صعوبة في التنبؤ الدقيق بسبب الاعتماد القوي على البيانات. لذلك، تم اقتراح طريقة توقع كثافة تشكيل جزيئات المتفجرات القائمة على تعزيز البيانات وتعلم التجميع باستخدام التعزيز المتدرج المتطرف-الشبكة متعددة الطبقات (Extreme Gradient Boosting-Multi-Layer Perceptron، XGBoost-MLP). تم استخدام طريقة تعزيز البيانات المعتمدة على الغابات العشوائية لتوسيع البيانات الأصلية، وتم التأكد من توافق البيانات الموسعة مع الآليات الفيزيائية من خلال التحليل الاتساقي الفيزيائي؛ تم اقتراح طريقة تعلم التجميع XGBoost-MLP لبناء نموذج توقع كثافة تشكيل جزيئات المتفجرات المضغوطة، وتم تعزيز تدريب النموذج باستخدام طريقة التقاطع المتقاطع K و استراتيجية التوقف المبكر؛ تم تصميم وإجراء تجارب تشكيل الضغط واختبار الكثافة لجزيئات المتفجرات للتحقق من الطريقة المقترحة. على هذا الأساس، تم إجراء تحليل مقارن بين الطريقة المقترحة وطريقة XGBoost-MLP، وتعزيز البيانات-XGBoost، وتعزيز البيانات-MLP. أظهرت النتائج البحثية أن طريقة تعزيز البيانات المعتمدة على الغابات العشوائية يمكن أن تخفف بفعالية مشكلة فرط التوفيق الناتجة عن قلة العينات، وتتغلب إلى حد ما على مشكلة العينة الصغيرة لبيانات التشكيل بالضغط؛ وأظهرت الطريقة المقترحة أقل قيم لمتوسط الخطأ المطلق، ومتوسط مربع الخطأ، ومتوسط النسبة المئوية للخطأ المطلق، حيث بلغت على التوالي 0.0175، 0.000555، و1.03%، محققة توقعًا عالي الدقة لكثافة التشكيل بالضغط.

تركيب الضغط;تشكيل جزيئات المتفجرات المضغوطة;تعلم التجميع باستخدام التعزيز المتدرج المتطرف-الشبكة متعددة الطبقات;توقع الكثافة