彈藥貯存微環境溫度智能化預測

張 云,杜 琴,王竟成,張志明,謝蘭川,陳 陽

(西南技術工程研究所, 重慶 400039)

彈藥武器系統貯存可靠性是衡量彈藥武器水平一項重要的戰技指標。然而,部分彈藥武器在使用前都會經歷長時間存儲,甚至整個生命周期都不會使用。因此,武器的存儲環境將伴隨它一生,對其自身的壽命、性能等有重大影響[1]。彈藥存儲過程會受諸多環境因素的影響,如溫度、濕度、壓力、腐蝕介質等,它們將直接影響長期實際貯存下的腐蝕效應等,進而影響武器使用性能。其中,溫度對于貯存效果的影響最為廣泛[2]。以制導彈藥為例,其最直接接觸的環境是其包裝箱內部的微環境,這賦予了微環境研究的重大意義。然而,彈藥貯存時間往往長達幾年甚至十幾年,傳統試驗的方式研究其微環境不僅耗時長、成本高,并且彈藥的貯存方式一般都是密封存儲,使得其包裝箱內部微環境的測量極為困難。因此,急需一種快速、精準的貯存包裝箱內部溫度預測方法。

已有許多學者將計算機仿真技術引入各類微環境的研究中,并取得相應成果。程衛民等基于Fluent軟件對人員作業主要微環境因素進行仿真研究,實現了對人員作業微環境方案的優化[3]。在貯存彈藥微環境方面,潘文庚等利用ANSYS 軟件對貯存彈藥環境溫度場進行了仿真分析,以獲得室內庫存和野外存放時彈體內部各點受庫存溫度影響的分布規律[4]。李迪凡等用有限元方法研究了微環境溫濕度模型,并用實測數據進行比對和驗證,其最大相對誤差不超過11%[5]。李昌禧等應用軟測量技術分析了密封箱體內的相對濕度,他們首先通過透濕機理對箱內濕度建立數學模型,再進一步應用MATLAB對其進行仿真分析,研究了包裝箱內濕度的各個影響因素[6]。

目前,在彈藥貯存微環境方面,借助其他分析軟件進行仿真研究的比較多,自主研發的環境因素預測軟件較少,且大多數研究成果重點關注包裝箱內部的環境因素分布,忽略了彈藥存儲過程中外部環境因素的變化對其影響的重要性。因此,本文基于神經網絡算法,結合傳熱原理,研究了彈藥包裝箱外部環境以及內部微環境溫度變化情況,并借助MATLAB中App Designer工具自主研發了貯存微環境預測系統軟件(以下簡稱為軟件),為包裝箱的設計和彈藥貯存微環境預測提供理論支撐和設計指導。需要說明的是,除溫度外,濕度、腐蝕氣氛等對武器存儲仍有很大的影響,但是由于這些影響因素可以通過吸濕劑、吸附劑等控制其含量,降低其影響,因此本文重點研究溫度的影響。

1 理論分析

彈藥的貯存時間往往高達10年甚至20年,貯存外界環境變化千差萬別,尤其是極端天氣,全年溫差可高達40 ℃。雖然彈藥包裝箱一般都是密封的,但是由于材料的導熱性,包裝箱內部的溫度還是會受外部環境溫度的影響,并且貯存時間內外部環境的溫度也是變化的,因此本文首先通過神經網絡研究包裝箱外部環境的溫度變化情況,再通過導熱原理研究包裝箱內部溫度變化情況。

1.1 基于神經網絡預測外部溫度變化

雖然一年四季每天的溫度變化都不一樣,但是年復一年整體變化規律是不變的,因此本文借用反向傳播(back propagation, BP)神經網絡算法,通過機器學習實現對未來環境溫度的預測。

機器學習是指機器通過算法從大量的歷史數據中學習規律,從而進一步對新的樣本做智能識別或對未來做預測[7]。神經網絡則是機器學習的算法之一,已經在各行各業得到廣泛應用[8-12]。BP神經網絡是一種多層前饋神經網絡,其主要特點是信號向前傳遞,誤差反向傳播。在前向傳遞匯總,輸入信號從輸入層經隱藏層逐層處理,直至輸出層,每一層的神經元狀態只能影響下一層神經元狀態。如果輸出層得不到期望輸出,則轉入反向傳播,根據預測誤差調整網絡權值和閾值,從而使BP神經網絡預測輸出不斷逼近期望輸出[13]。

基于以上BP神經網絡原理,本文用5年的環境溫度作為數據源,建立了含3個隱藏層、每層9個神經單元的神經網絡用于環境溫度預測(圖1)。訓練神經網絡時,以2016—2019年的日最高溫度、日最低溫度作為輸入,以2020年日最高溫度及日最低溫度作為期望輸出。其中每個神經元都可看作一個激勵函數,BP神經網絡常用的函數為Sigmoid函數。神經元接收前一層輸入,經過Sigmoid函數變換后,輸出到下一層。隨后,計算實際輸出溫度與期望輸出溫度誤差,再根據誤差反向逐層調整權值和閾值,直到滿足需求為止。

圖1 BP神經網絡結構Fig.1 Structure diagram of BP neural network

1.2 基于傳熱分析預測內部溫度變化

由于彈藥包裝箱的密封性,外界環境溫度對包裝箱內部溫度的影響主要是通過材料傳熱性能實現。包裝箱內部溫度受三個方面的影響:包裝箱的初始溫度(T1)、包裝箱存放過程中受外界環境溫度傳熱(T2)以及包裝箱內部化學反應帶來的吸熱或者放熱(T3)。用T4表示包裝箱內部溫度,則滿足:

T1+T2=T3+T4

(1)

本文研究中,包裝箱的初始溫度T1即為存放時的環境溫度;由于投放的包裝箱里面沒有存放彈藥,因此包裝箱內部不存在化學反應,即T3等于0。T2則根據傳熱學原理計算:當包裝箱內外具有溫度差時,包裝箱內外導熱規律滿足傅里葉定律[14],即單位時間內通過給定截面的導熱量,正比于該截面的溫度梯度,而熱量傳遞的方向則與溫度梯度方向相反,其數學表示式如下:

Φ=-λA·gradT

(2)

(3)

其中:Φ表示導熱熱流量,W;λ表示材料導熱系數,W/(m·k);A表示垂直于熱流方向的截面積,m2;gradT表示溫度梯度,K/m;負號表示熱流方向沿著溫度降低方向,與溫度梯度方向相反。

傳遞的熱量將通過改變包裝箱內密封氣體的內能進一步影響箱內溫度。氣體內能表示為:

(4)

式中:E表示內能,J;i表示自由度;k表示玻耳茲曼常數,J/K;T表示溫度,K;n表示物質的量,mol;NA表示阿伏加德羅常數。聯立式(2)和式(4)便可求出由于包裝箱材料傳熱引起的包裝箱內部溫度變化值。

2 軟件開發框架及功能

MATLAB App Designer 是用于構建MATLAB應用程序的環境,本文借助該工具,基于以上理論分析,設計軟件界面如圖2所示。主要由三部分組成:參數輸入模塊、外部環境溫度變化顯示模塊、內部溫度變化顯示模塊。整個軟件的設計思路為:輸入相關參數,即可通過神經網絡計算出包裝箱外部環境溫度,并顯示變化曲線及時間節點溫度;進一步通過傳熱原理計算出包裝箱內部溫度變化,并顯示變化曲線和時間節點溫度。

圖2 貯存微環境預測系統界面Fig.2 Interface of storage microenvironment prediction system

2.1 參數輸入模塊

參數輸入模塊的整體框架設計如圖3所示,參數主要分為環境因素和包裝箱參數兩部分。環境因素參數設置目的是構建環境數據庫:本文建立的環境庫有重慶江津、海南萬寧、甘肅敦煌、西藏拉薩、黑龍江漠河五個典型氣候點。首先,從天氣網歷史天氣頻道(lishi.tianqi.com)上面下載了五個地方2016—2020年的歷史天氣,然后根據選擇的貯存時間,通過神經網絡計算出所選時間內溫度變化情況,建立相應的臨時數據庫。包裝箱參數的設置目的是提取包裝箱表面積、體積、厚度以及導熱系數等參數,作為傳熱計算的輸入參數。

圖3 參數輸入模塊整體框架Fig.3 Overall framework of parameter input module

2.2 外部環境溫度變化顯示模塊

圖2右上部分為外部環境溫度變化曲線顯示部分。由于在貯存地點和時間參數選擇時,便已經建立好了外部環境數據庫,因此這一部分只需讀取相應時間段數據,并繪制圖形即可。

2.3 內部溫度變化顯示模塊

圖2右下部分為包裝箱內部溫度變化曲線顯示部分。相比于外部環境溫度變化,包裝箱內部溫度變化需要建立從外部溫度到包裝箱內部的傳熱模型,逐點計算包裝箱內部溫度,再繪制溫度變化曲線。

2.4 數據輸出功能

除常規的打開、保存等文件編輯功能之外,本軟件還設置了數據輸出功能,即將所有結果,包括時間、包裝箱外部溫度數據、包裝箱內部溫度數據輸出到excel表格中,以便用戶根據需求自行處理。

3 結果分析

基于西南技術工程研究所的自然環境試驗站,本文首先建立了江津、敦煌、拉薩、萬寧和漠河五個地方2016—2020年的溫度數據庫(日平均溫度),分別代表“亞熱帶季風性溫潤氣候”“熱帶海洋性季風氣候”“暖溫帶大陸性季風氣候”“高原山地氣候”以及“寒溫帶大陸性季風氣候”典型氣候特征,以供各個用戶根據自身需求選擇貯存氣候。

3.1 包裝箱外部環境溫度預測功能

包裝箱外部環境溫度預測主要分為兩步:當數據庫內包含所選擇的時間段數據,則直接選取數據繪圖;若所選擇的時間段超出了數據庫范圍,則通過神經網絡算法逐年預測并增加數據庫,再讀取相應時間段數據繪圖。圖4展示了軟件對不同貯存地點(包括江津、敦煌、拉薩、萬寧、漠河)包裝箱外部環境因素的預測讀取以及繪圖功能。圖4(a)～(e)為直接讀取五個地方的數據庫得到的外部環境變化曲線,圖4(f)～(j)中紅框圈出來部分為軟件基于2016—2020年的數據預測的2021—2025年的環境溫度變化曲線。從中可以看出,所有地點的預測數據變化規律以及上下幅值均與已有數據保持一致,證明了神經網絡對包裝箱外部環境預測的準確性。

(a) 直接讀取的溫度變化——江津(a) Temperature changes directly read—Jiangjin

(b) 直接讀取的溫度變化——敦煌(b) Temperature changes directly read—Dunhuang

(c) 直接讀取的溫度變化——拉薩(c) Temperature changes directly read—Lasa

(d) 直接讀取的溫度變化——萬寧 (d) Temperature changes directly read—Wanning

(e) 直接讀取的溫度變化——漠河(e) Temperature changes directly read—Mohe

(f) 神經網絡預測的溫度變化情況——江津(f) Temperature prediction through neural network—Jiangjin

(g) 神經網絡預測的溫度變化情況——敦煌(g) Temperature prediction through neural network—Dunhuang

(h) 神經網絡預測的溫度變化情況——拉薩(h) Temperature prediction through neural network—Lasa

(i) 神經網絡預測的溫度變化情況——萬寧(i) Temperature prediction through neural network—Wanning

(j) 神經網絡預測的溫度變化情況——漠河(j) Temperature prediction through neural network—Mohe

為了進一步驗證神經網絡預測準確性,本文收集了各個試驗點2021年1月到6月的溫度數據。圖5展示了敦煌和漠河兩個站點神經網絡預測數據與天氣網站下載數據曲線,兩者溫度變化趨勢保持一致,再次證明了神經網絡的準確性。

(a) 敦煌2021年上半年溫度變化情況(a) Temperature changes in the half of 2021 in Dunhuang

(b) 漠河2021年上半年溫度變化情況(b) Temperature changes in the half of 2021 in Mohe

3.2 包裝箱內部溫度預測功能

包裝箱內部溫度的預測是在包裝箱外部環境變化的基礎上,通過熱傳導計算的溫度。軟件開發的同時,我們在敦煌、漠河等地點同時投放了相應的包裝箱,用以驗證軟件準確性、校正軟件精度以及為軟件后續改進提供數據支撐。

圖6為箱外試驗測試與氣象局數據對比及箱內試驗測試與軟件預測數據對比圖。值得注意的是,由于目前的試驗數據量不足以支撐軟件神經網絡計算的需求,因此軟件目前的數據輸入來源于氣象局網站上面的輸入。由于氣象局網站數據為當地的日平均溫度數據,因此與實測的站點數據有一定差異。圖6對比了敦煌和漠河兩個站點2019年11月至2020年11月整整13個月的溫度數據,其中圖6(a)為漠河站點這13個月包裝箱內外的溫度變化情況,圖6(b)為敦煌站點相應的溫度變化情況。從圖中可以看出,漠河站點實測的外部溫度數據同氣象局溫度數據保持一致,但是敦煌站點氣象局的數據比站點實測數據整體低了5 ℃左右,這可能是由于測試站點位置與氣象局觀測位置不同帶來的差異。圖中黑色曲線、紫色曲線分別為這13個月站點實測的包裝箱內部溫度變化情況和軟件預測的包裝箱內部溫度變化情況,從圖中可以看出,當外界環境溫度與實測環境溫度一致時,通過軟件預測的包裝箱內部溫度變化情況與實測數據保持一致;當外界環境溫度比實測溫度低,軟件預測內部溫度整體也比實測低,但是整體的變化情況,包括溫度的起降只有細微的差別,這證明了軟件的理論機制準確性。值得一提的是,此軟件的輸入是開源的,只要有足夠的數據,可隨時替換神經網絡輸入信息,因此此軟件可用于任何地方的貯存包裝箱內部環境溫度預測。與此同時,我們的試驗也還在進行中,爭取采集更多的包裝箱實際環境數據,隨后替換從網上下載的數據,用以提高軟件在需求站點的適用性。

(a) 漠河站點包裝箱外部環境及 內部溫度變化對比(a) Comparison of outside environment and inside temperature changes at Mohe

(b) 敦煌站點包裝箱外部環境及 內部溫度變化對比(b) Comparison of outside environment and inside temperature changes at Dunhuang

4 貯存微環境影響因素分析

軟件的目的不僅僅是對包裝箱內部溫度的預測,更重要的是根據預測結果,改進貯存方案,為彈藥提供最優的貯存環境。本文基于軟件預測功能,簡要從貯存地點以及時間選擇進行分析。

4.1 包裝箱形狀及材料對包裝箱內部溫度的影響

包裝箱的形狀尺寸是由貯存彈藥決定的,因此其改動性不大。對比圖7(a)和圖7(c)所示,改變包裝箱的形狀,對包裝箱內部的變化影響并不大。包裝箱的材料應根據需求,在權衡各方面性能的條件下,做出最優選擇。本軟件暫時給出常用的三種材料:鋁合金、聚乙烯、不飽和樹脂。圖7(a)、(b)、(d)為相同外界條件、相同形狀大小、相同密封材料下,不同包裝箱材料對包裝箱內部溫度的影響,其結果與實際理論保持一致,即:材料導熱系數越大,導熱性越好,則包裝箱內部溫度受環境溫度影響越大;相反,包裝箱材料導熱系數越小,則導熱性越差,包裝箱內部溫度受外部環境溫度影響越小。

(a) 包裝箱a:長方體(1 800 mm×350 mm× 350 mm×5 mm)/鋁合金(a) Packing a: cuboid(1 800 mm×350 mm× 350 mm×5 mm)/aluminum alloy

(b) 包裝箱b:長方體(1 800 mm×350 mm× 350 mm×5 mm)/聚乙烯(b) Packing b: cuboid(1 800 mm×350 mm× 350 mm×5 mm)/polyethylene

(c) 包裝箱c:圓柱體(1 800 mm×500 mm× 5 mm)/鋁合金(c) Packing c: cylinder(1 800 mm×500 mm× 5 mm)/aluminum alloy

(d) 包裝箱d:長方體(1 800 mm×350 mm× 350 mm×5 mm)/不飽和樹脂(d) Packing d: cuboid(1 800 mm×350 mm× 350 mm×5 mm)/unsaturated resin

4.2 貯存起始時間對包裝箱內部溫度的影響

貯存起始時間決定了包裝箱內部的初始溫度。圖8展示了漠河站點投放的鋁合金和聚乙烯兩種材料的包裝箱,分別在冬天和夏天投入使用一年的溫度變化情況,其中冬天投入使用起始時間為2019年1月1日,夏天投入使用起始時間為2019年7月1日。聚乙烯導熱系數很低,所以環境溫度的變化對它影響并不大,不管其起始時間是夏天還是冬天,其溫差幅值都在4 ℃范圍內。所以,投放初始時間對包裝箱內部的影響很大,甚至直接影響其貯存時間內的平均溫度,因此對于隔熱性好的材料,選擇初始時間非常重要。反觀鋁合金材料,不管在什么時候投入,其箱內溫度變化情況均與環境溫度變化保持一致。因此對于導熱性好的材料,相比于貯存起始時間,環境溫度變化對其影響更大。

4.3 貯存地點對包裝箱內部溫度的影響

貯存地點決定了包裝箱外部環境變化情況,如漠河全年溫差可高達40 ℃,而萬寧幾乎全年都保持在20～30 ℃。圖9為不同材料包裝箱貯存地點對內部溫度的影響,從圖中得出,對于導熱系數高的材料,選擇貯存地點時可將該地點的環境溫度變化情況作為重要的影響因素,而對于導熱系數低的材料,貯存環境對其影響同樣是通過影響其初始溫度進一步影響其內部溫度變化的。因此,對于導熱系數低的材料,可在存放前通過控制初始溫度從而實現對內部環境溫度的控制。

(a) 包裝箱a和c外部:起始時間為冬天(a) Outside packing a and c: starts in winter

(b) 包裝箱a內部:聚乙烯,起始時間為冬天(b) Inside packing a: polyethylene, starts in winter

(c) 包裝箱b和d外部:起始時間為夏天(c) Outside packing b and d: starts in summer

(d) 包裝箱b內部:聚乙烯,起始時間為夏天(d) Inside packing b: polyethylene, starts in summer

(e) 包裝箱c內部:鋁合金,起始時間為冬天(e) Inside packing c: aluminum alloy, starts in winter

(f) 包裝箱d內部:鋁合金,起始時間為夏天(f) Inside packing d: aluminum alloy, starts in summer

(a) 包裝箱a和c外部:地點為漠河(a) Outside packing a and c: location is Mohe

(b) 包裝箱a內部:聚乙烯,地點為漠河(b) Inside packing a: polyethylene, location is Mohe

(c) 包裝箱b和d外部:地點為萬寧(c) Outside packing b and d: location is Wanning

(d) 包裝箱b內部:聚乙烯,地點為萬寧(d) Inside packing b: polyethylene, location is Wanning

(e) 包裝箱c內部:鋁合金,貯存地點為漠河(e) Inside packing c: aluminum alloy, location is Mohe

(f) 包裝箱d內部:鋁合金,地點為萬寧(f) Inside packing d: aluminum alloy, location is Wanning

5 結論

本文基于MATLAB App Designer開發了一款貯存微環境預測程序軟件。該軟件以神經網絡以及傳熱理論為基礎,實現了江津、萬寧、漠河、拉薩、敦煌五個站點的外部環境溫度預測以及在對應站點貯存包裝箱內部溫度變化預測。并通過將軟件預測數據同敦煌和漠河試驗數據對比,證明了軟件預測溫度變化情況與實測數據的高度一致性。進一步根據預測結果,提出可根據不同包裝箱材料,進一步調控貯存地點以及控制貯存起始溫度,從而實現對箱內溫度的控制。