Dans le domaine du pressage des produits d'armes, la densité de formation du produit est étroitement liée à l'efficacité de destruction des équipements d'armes, constituant l'un des indicateurs importants de la qualité du formage par pressage. Le processus de formage par pressage des granules d'explosifs se caractérise par de multiples variables, une incertitude des paramètres et une difficulté d'acquisition des données, rendant les méthodes classiques de simulation numérique incapables d'obtenir avec précision la densité de formage. Les méthodes basées sur les données peinent également à prédire avec précision la densité de formage en raison de leur forte dépendance aux données. À cet égard, une méthode de prédiction de la densité de formage des granules d'explosifs basée sur l'augmentation des données et l'apprentissage en ensemble Extreme Gradient Boosting-Multi-Layer Perceptron (XGBoost-MLP) est proposée. Une méthode d'augmentation des données basée sur la forêt aléatoire est utilisée pour étendre les données d'origine, et une analyse de cohérence physique garantit que les données étendues respectent les mécanismes physiques; une méthode d'apprentissage en ensemble XGBoost-MLP est proposée pour construire un modèle de prédiction de la densité de formage des granules d'explosifs, avec un entraînement renforcé par validation croisée K-fold et une stratégie d'arrêt anticipé; des essais de formage par pressage et des tests de densité des granules d'explosifs ont été conçus et réalisés pour valider la méthode proposée. Sur cette base, une analyse comparative a été menée entre la méthode proposée et les méthodes XGBoost-MLP, augmentation des données-XGBoost, et augmentation des données-MLP. Les résultats montrent que la méthode d'augmentation des données basée sur la forêt aléatoire peut efficacement atténuer le surapprentissage dû au manque d'échantillons, surmonter en partie le problème des petits échantillons des données de formage; la méthode proposée obtient les valeurs les plus basses pour l'erreur absolue moyenne, l'erreur quadratique moyenne et l'erreur absolue moyenne en pourcentage, respectivement 0,0175, 0,000555 et 1,03 %, réalisant une prédiction à haute précision de la densité de formage par pressage.

pressage;formage par pressage des granules d'explosifs;apprentissage en ensemble Extreme Gradient Boosting-Multi-Layer Perceptron;prédiction de densité