本發明涉及儲氫氣瓶爆破壓力預測和機器學習的，尤其是基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法。

背景技術：

1、復合材料儲氫氣瓶（復材儲氫氣瓶）作為氣態儲氫的關鍵裝備在近些年獲得了廣泛研究與發展。它由內膽、閥座及碳纖維樹脂基復合材料纏繞層等部分組成，其中，內壓載荷主要由復合材料層承受。復合材料儲氫氣瓶的爆破壓力是結構設計制造的關鍵指標，對于保證氣瓶的安全可靠性至關重要。但是，儲氫氣瓶的設計制造過程涉及碳纖維纏繞和樹脂固化等多個環節，影響因素眾多，導致爆破壓力的精準預測難度很大。

2、目前，復合材料儲氫氣瓶的爆破壓力預測主要依賴有限元仿真技術，通過簡化的數值模型和理想化假設計算結構失效對應的壓力值，往往忽略了實際氣瓶制造過程中的眾多隨機性因素，導致通過耗費大量時間建模計算所獲得的預測值與試驗值有明顯差異，需要反復的試驗迭代來找到最佳的設計和工藝。

技術實現思路

1、為了克服上述現有技術中的缺陷，本發明提供基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，基于少量的爆破試驗數據對集成學習模型進行訓練，實現對氣瓶爆破壓力的快速精準預測。

2、為實現上述目的，本發明采用以下技術方案，包括：

3、基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，包括以下步驟：

4、s1，獲取復合材料儲氫氣瓶爆破試驗的原始數據，原始數據包括特征數據和對應的真實爆破壓力；

5、s2，對原始數據進行預處理，構成真實數據庫；

6、s3，基于真實數據庫訓練生成對抗網絡，利用訓練完成的生成對抗網絡生成數倍于原始數據數量的虛擬數據，建立虛擬數據庫；

7、s4，基于虛擬數據庫進行xgboost極端梯度提升訓練，初步得到爆破壓力預測模型；

8、s5，結合真實數據庫對初步得到的爆破壓力預測模型進行校正，得到最終的爆破壓力預測模型。

9、優選的，步驟s4中，引入lasso和ridge正則化，并結合k折交叉驗證技術，進行模型的xgboost極端梯度提升訓練。

10、優選的，步驟s4的具體方式如下：

11、構建xgboost極端梯度提升模型，模型由多個決策樹組合而成，決策樹數量作為超參數，通過網格搜索確定最優決策樹數量，基于k折交叉驗證下的最小化均方誤差得到最優決策樹數量；

12、確定最優決策樹數量后，設定其他超參數搜索空間，利用貝葉斯優化方法對各種超參數組合進行尋優，基于k折交叉驗證下的最小化均方誤差得到最優超參數組合；

13、基于確定的最優超參數組合，對虛擬數據庫中的訓練集進行學習，模型訓練的目標函數obj為：

14、；

15、；

16、；

17、其中， loss為損失函數； y i為虛擬數據庫中第 i個樣本的爆破壓力值，為第 i個樣本的爆破壓力預測值； i、 n分別為樣本序號和訓練集的樣本總數；為正則化項，包括lasso正則化和ridge正則化兩部分；lasso正則化通過在目標函數中添加針對權重 w j絕對值的懲罰系數 α實現特征選擇和稀疏性；ridge正則化通過懲罰系數 λ限制整個模型的權重 w j大小；超參數 γ用于控制正則化項的強度。

18、優選的，將虛擬數據庫中的數據隨機分為k個子集，對于每次迭代訓練和測試，選擇其中一個子集作為測試集，將其他k-1個子集合并作為訓練集，用于進行k折交叉驗證。

19、優選的，模型的xgboost極端梯度提升訓練過程中，還引入早停技術，具體為：設置參數t的初值，若訓練的模型在測試集上的性能沒有改善，則將t的值加1，并繼續進行模型訓練；若性能改善，則重置t，并更新模型參數；當t到達預設值時，停止模型訓練。

20、優選的，步驟s5中，使用徑向基函數rbf方法進行自適應比例因子調整，結合真實數據庫對初步得到的爆破壓力預測模型進行校正。

21、優選的，步驟s5的具體方式如下：

22、計算真實數據庫中每個樣本 x的rbf核函數值：

23、；

24、其中， φ為rbf核函數； c表示真實數據庫中的中心點，為真實數據庫的均值； σ為寬度參數；

25、；

26、其中， r為數據范圍；

27、；

28、其中， r k為第 k個特征的數據范圍，即第 k個特征的最大值與最小值的差值； m k為第 k個特征的權重，將每個特征的重要性值即shap值進行歸一化后作為對應的權重； k、 m分別為特征序號和特征總數；

29、目標函數為均方誤差 mse：

30、；

31、其中， y i’為真實數據庫中第 i’個樣本的爆破壓力真實值；為第 i’個樣本的爆破壓力預測值， n為真實數據庫的樣本數量； β為比例因子；

32、通過優化算法使目標函數最小化，得到優化后的比例因子 β，用于對初步得到的爆破壓力預測模型進行校正：

33、；

34、其中，為初步得到的爆破壓力預測模型的爆破壓力預測值；為校正后的爆破壓力預測值，即最終的爆破壓力預測模型的爆破壓力預測值。

35、優選的，步驟s5中，在python平臺中使用shap庫計算每個特征的shap值。

36、優選的，步驟s1中，復合材料儲氫氣瓶的特征數據包括封頭橢球比、纏繞張力、纏繞壓力、內膽厚度、內膽長徑比、固化最高溫度、螺旋纏繞層與環向纏繞層厚度比、螺旋纏繞最大纏繞角、纏繞總時長、復合材料層的纖維體積分數中的一個或多個。

37、優選的，步驟s2中，對原始數據中的特征數據進行魯棒歸一化處理：

38、；

39、其中，xnorm為魯棒歸一化后的特征數據；median( x)是特征數據 x的中位數；iqr( x)是特征數據 x的四分位距。

40、本發明的優點在于：

41、（1）考慮到儲氫氣瓶的爆破試驗費時費力且費用昂貴，通過集成機器學習的方法對少量試驗數據進行分析，能夠高效精準地預測設計氣瓶的爆破壓力，加速了復合材料儲氫氣瓶的爆破壓力預測和設計迭代過程。本發明方法基于少量的爆破試驗數據對集成學習模型進行訓練，實現對氣瓶爆破壓力的快速精準預測。

42、（2）基于少量復合材料儲氫氣瓶設計制造相關數據和爆破試驗數據建立隱藏在數據背后的關聯，實現對現有試驗數據的充分利用以及爆破壓力的快速預測，避免了復雜且失真的數值模擬工作。

43、（3）將儲氫氣瓶整個設計制造過程中的關鍵因素及數據記錄下來并納入機器學習模型的數據庫，實現爆破壓力的精準預測。

44、（4）通過集成機器學習和交叉驗證等方法實現基于小樣本數據建立模型的魯棒性和泛化能力。