No campo da prensagem de produtos bélicos, a densidade de conformação do produto está intimamente relacionada à eficácia do dano ao equipamento bélico, sendo um dos indicadores importantes da qualidade da conformação por prensagem. O processo de conformação por prensagem de grânulos de explosivos apresenta múltiplas variáveis, parâmetros incertos e dificuldade na obtenção de dados, características que dificultam a obtenção precisa da densidade de conformação por métodos tradicionais de simulação numérica. Métodos baseados em dados também não conseguem prever a densidade de conformação de forma precisa devido à forte dependência dos dados. Para tanto, propõe-se um método de previsão da densidade de conformação de grânulos de explosivos baseado em aumento de dados e aprendizado em conjunto Extreme Gradient Boosting-Multi-Layer Perceptron (XGBoost-MLP). Utiliza-se um método de aumento de dados baseado em Random Forest para expandir os dados originais e uma análise de consistência física assegura que os dados expandidos estejam em conformidade com os mecanismos físicos; propõe-se um método de aprendizado conjunto XGBoost-MLP para construir um modelo de previsão da densidade de conformação de grânulos de explosivos, utilizando validação cruzada K-fold e estratégia de parada antecipada para reforçar o processo de treinamento; foram projetados e realizados experimentos de prensagem e testes de densidade de grânulos de explosivos para validar o método proposto. Com base nisso, realizou-se uma análise comparativa entre o método proposto e os métodos XGBoost-MLP, aumento de dados-XGBoost e aumento de dados-MLP. Os resultados mostram que o método de aumento de dados baseado em Random Forest pode aliviar efetivamente o problema de overfitting do modelo causado pela escassez de amostras, superando em certa medida o problema de pequenas amostras nos dados de conformação por prensagem; o método proposto obteve os menores valores para erro absoluto médio, erro quadrático médio e erro percentual absoluto médio, respectivamente 0,0175, 0,000555 e 1,03%, alcançando previsão de alta precisão da densidade de conformação por prensagem.

prensagem;conformação por prensagem de grânulos de explosivos;aprendizado conjunto Extreme Gradient Boosting-Multi-Layer Perceptron;previsão de densidade