Im Bereich der Pressformung von Waffenprodukten ist die Formdichte des Produkts eng mit der Schadenswirkung militärischer Ausrüstung verbunden und stellt einen wichtigen Indikator für die Qualität der Pressformung dar. Der Pressformungsprozess von Sprengstoffpartikeln ist durch multiple Variablen, Parameterunsicherheiten und Schwierigkeiten bei der Datenbeschaffung gekennzeichnet, weshalb herkömmliche numerische Simulationsmethoden die Formdichte nicht genau bestimmen können. Datengetriebene Methoden können aufgrund der starken Datenabhängigkeit ebenfalls keine präzise Vorhersage der Formdichte liefern. Daher wird eine Methode zur Vorhersage der Formdichte von Sprengstoffpartikeln auf Basis von Datenaugmentation und integrierten Lernverfahren mit Extreme Gradient Boosting-Multi-Layer Perceptron (XGBoost-MLP) vorgeschlagen. Es wird eine datenaugmentierende Methode basierend auf Random Forest zur Erweiterung der Rohdaten verwendet, wobei durch physikalische Konsistenzanalyse sichergestellt wird, dass die erweiterten Daten den physikalischen Mechanismen entsprechen; es wird eine XGBoost-MLP-Ensemble-Lernmethode vorgeschlagen, um ein Vorhersagemodell für die Pressformdichte von Sprengstoffpartikeln zu erstellen, mit Verstärkung des Trainingsprozesses durch K-fache Kreuzvalidierung und Frühstopp-Strategie; es werden Pressform- und Dichtetests von Sprengstoffpartikeln durchgeführt, um die vorgeschlagene Methode zu validieren. Darauf aufbauend erfolgt eine vergleichende Analyse zwischen der vorgeschlagenen Methode und den Methoden XGBoost-MLP, Datenaugmentation-XGBoost und Datenaugmentation-MLP. Die Forschungsergebnisse zeigen, dass die datenaugmentierende Methode basierend auf Random Forest effektiv das Problem der Überanpassung aufgrund von Stichprobenmangel mildern kann und das Problem kleiner Stichproben bei Pressformdaten teilweise überwindet; die vorgeschlagene Methode erzielte die niedrigsten Werte bei mittlerem absolutem Fehler, mittlerem quadratischem Fehler und mittlerem absolutem prozentualem Fehler mit jeweils 0,0175, 0,000555 und 1,03 % und ermöglicht eine hochpräzise Vorhersage der Pressformdichte.

Pressen;Pressformung von Sprengstoffpartikeln;Ensemble-Lernen mit Extreme Gradient Boosting und Multi-Layer Perceptron;Dichtevorhersage