(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210706346.8 (22)申请日 2022.06.21 (71)申请人 北京中科力 信科技有限公司 地址 100000 北京市海淀区海淀大街31号2 层213号 (72)发明人 杨喆　涂欢　 (74)专利代理 机构 北京和信华成知识产权代理 事务所(普通 合伙) 11390 专利代理师 胡剑辉 (51)Int.Cl. G06F 30/20(2020.01) G06F 30/27(2020.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于神经网络的防弹衣结构梯度缓冲 层设计方法 (57)摘要 本发明公开了一种基于神经网络的防弹衣 结构梯度缓冲层设计方法， 对N层等厚度PBDMS ‑ EVA材料进行全排列组合得到MN个缓冲层梯度组 合， 选取至少10*N个缓冲层梯度组合的防弹性能 数值仿真结果， 并基于缓冲层梯度组合和防弹性 能数值仿真结果整合形成样本数据集用于训练 人工神经网络模 型； 通过人工神经网络模型基于 样本数据集进行模型训练得到防弹性能预测模 型， 并利用防弹性能预测模型依次对每个缓冲层 梯度组合进行防弹性能预测， 以及基于防弹性能 预测结果在MN个缓冲层梯度组合中筛选出表征 防弹性能最佳的缓冲层梯度组合。 本发明使用人 工神经网络代替传统以实弹试验或数值模拟为 主导的方法， 可以快速输出缓冲层的防护表现， 大幅缩短了 计算成本 。 权利要求书3页 说明书8页 附图4页 CN 115099028 A 2022.09.23 CN 115099028 A 1.一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于， 包括以下步骤： 步骤S1、 为防弹衣结构设定N层等厚度PBDMS ‑EVA材料构成的缓冲层， 以及由X层纤维材 料构成的防弹层， 其中， PBDMS ‑EVA材料的种类为M类， 每个种类PBDMS ‑EVA材料的材料特性 由PBDMS和EV A的配比所决定； 步骤S2、 依次测定不同种类PBDMS ‑EVA材料的基本力学性能， 通过改变加载速率获得不 同应变速率下不同种类PBDMS ‑EVA材料的性能表现， 并利用显示动力软件LS ‑DYNA对防弹衣 结构的防弹性能利用数值仿 真模型进 行数值仿 真计算， 其中， 所述数值仿 真模型包括 弹体、 防弹层、 缓冲层和表征人体组织的背衬材料， 且防弹层和缓冲层的材料模型参数与实际测 量值一致， 以及数值仿真计算结果需与实弹试验进行校验比对， 以确保数值仿真模型 的高 保真度， 所述防弹性能的表征数值包括背衬材料上 的凹陷深度、 缓冲层背部区域的峰值压 力， 以及防弹层、 缓冲层和背衬材 料的冲击能量吸 收量； 步骤S3、 对 N层等厚度 PBDMS‑EVA材料进行全 排列组合得到MN个缓冲层梯度组合， 根据缓 冲层的层数N确定所需要的数值仿 真个数， 以保证仿 真用数据量的充足性和全面性， 选取至 少10*N个缓冲层梯度组合的防弹性能数值仿 真结果， 并基于缓冲层梯度组合和防弹性能数 值仿真结果整合形成样本数据集用于训练人工神经网络模型； 步骤S4、 通过人工神经网络模型基于样本数据集进行模型训练得到表征缓冲层梯度组 合和防弹性能映射关系的防弹性能预测模型， 并利用防弹性能预测模型依次对每个 缓冲层 梯度组合进行防弹性能预测， 以及基于防弹性能预测结果在MN个缓冲层梯度组合中筛选出 表征防弹性能最佳的缓冲层 梯度组合以用于设计出防护性能最佳的防弹衣结构。 2.根据权利要求1所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于： 所述利用数值仿真模型进行 数值仿真计算， 包括： 数值仿真模型中的子弹、 防弹层、 缓冲层， 以及背衬材料均使用实体单元进行建模并基 于拉格朗日算法实现大变形计算， 其中， 数值仿 真模型中子弹、 防弹层、 缓冲层， 以及背衬材 料的几何尺寸、 边界条件， 和初始状态与实际工况保持一致， 以为与弹道靶实验进 行直接比 对； 材料仿真模型的选择应由各部件所使用的材料特性决定， 针对子弹、 防弹材料、 缓冲材 料， 和背衬材料所具有的特征， 分别采用 “Johnson ‑Cook”金属材料本构模型、 “CompositeMaterial ”复合材料本构模型， “LowDensityFoam ”泡沫材料本构模型， 以及 “Cowper‑Symonds”弹塑性材料本构模型； 基于数值仿真模型和材料仿真模型的整体对称性， 对1/4区域进行数值模拟以保证计 算精度和计算效率的兼顾； 数值模拟完成后， 通过凹陷中心 点处的位移 ‑时程曲线获得稳定 后的最大变形量作为背衬材料的凹陷深度， 通过设置接触压力感知单元直接获得缓冲层背 部区域的峰值压力及压力 分布， 以及通过数值仿真软件直接输出防弹层、 缓冲层和背衬材 料的冲击能量吸 收量， 以得到数值仿真计算结果。 3.根据权利要求2所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于： 所述数值仿真计算结果需与实 弹试验进行 校验比对， 包括： 在实弹实验中测量出背衬材料的凹陷深度、 缓冲层背部区域的峰值压力以及防弹层、 缓冲层和背衬材料的冲击能量吸收量与数值仿 真计算结果中的背衬材料的凹陷深度、 缓冲 层背部区域的峰值压力以及防弹层、 缓冲层和背衬材料的冲击能量吸收量进行对应项比权　利　要　求　书 1/3 页 2 CN 115099028 A 2较， 以获得 数值仿真模型的模拟精度； 通过对数值仿真模型中子弹冲击区域的网格模型进行细化以及设置合理 的接触刚度， 以提高数值仿真模型的模拟精度来确保数值仿真模型的高保真度。 4.根据权利要求3所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于： 所述对N层等厚度PBDMS ‑EVA材料进行全排列组合得到 MN个缓冲层 梯度组合， 包括： 对N层等厚度PBDMS ‑EVA材料依据M类进行全排列组合得到MN个缓冲层梯度组合， 所述MN 个缓冲层梯度组合包括： {ij|j∈[1,N],ij∈[1,M]}， 其中， ij为缓冲层梯度组合中第j层的 PBDMS‑EVA材料种类。 5.根据权利要求4所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于： 所述 根据缓冲层的层数N确定所需要的数值仿真个数， 包括： 将数值仿真个数设定为缓冲层的层数N的10倍， 以保证仿真用数据量的充足性和全面 性。 6.根据权利要求5所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于： 所述选取至少10 *N个缓冲层 梯度组合的防弹性能数值仿真结果， 包括： 将人工神经网络的拟合效率和拟合精度作为两个优化目标， 并基于两个优化目标将在 MN个缓冲层梯度组合中确定缓冲梯度组合选取数量转换为多目标优化问题进行求解， 并利 用遗传算法对所述多目标优化算法进行求解确定出在MN个缓冲层梯度组合中确定缓冲梯 度组合选取数量为 10*N个， 实现保证样本数量充足的条件 下尽可能减少数值仿 真的任务量 以兼顾人工神经网络的拟合精度和拟合效率； 利用梯度变化方式在MN个缓冲层梯度组合中选取出10*N个缓冲层梯度组合， 以保证样 本选取的均衡性与代 表性。 7.根据权利要求6所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于， 将10*N个缓冲层梯度组合利用数值仿 真模型进 行数值仿 真计算得到所述防弹性能 数值仿真结果。 8.根据权利要求7所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于， 所述通过人工神经网络模型基于样本数据集进行模型训练得到表征缓冲层梯度组 合和防弹性能映射关系的防弹性能预测模型， 包括： 将样本数据集中缓冲层梯度组合作为人工神经网络模型的输入项， 样本数据集中防弹 性能数值仿 真结果作为人工神经网络模型的输出项， 并利用人工神经网络模型基于所述输 入项和输出项 进行模型训练得到所述防弹性能预测模型； 所述人工神经网络模型输入层的输入参量设定为N， 每个输入参量为输入项中每层的 PBDMS‑EVA材料种类； 所述防弹性能预测模型的模型表达式为： [out1,out 2,out3]＝BP(i n[ij])； 式中， out1表征为防弹性能数值中背衬材料的凹陷深度， out2表征为防弹性能数值中 缓冲层背部区域的峰值压力， out3表征为防弹性能数值中防弹层、 缓冲层和背衬材料的冲 击能量吸 收量， in[ij]表征为缓冲层 梯度组合， BP表征为人工神经网络模型。 9.根据权利要求8所述的一种基于神经网络的防弹衣结构梯度缓冲层设计方法， 其特 征在于， 所述利用防弹性能预测模型依次对每 个缓冲层 梯度组合进行防弹性能预测， 包括：权　利　要　求　书 2/3 页 3 CN 115099028 A 3