El documento de la referencia presenta una metodología de optimización adaptativa, y optimización bayesiana (BO), para diseñar un blindaje reactivo explosivo (ERA), de peso mínimo, para protección contra proyectiles flecha de calibre medio y contra proyectiles de carga hueca. La optimización se hizo utilizando una metodología BO convencional y se la compara con un enfoque convencional de prueba y error de un experto humano. También se evalúa un tercer enfoque, que utiliza un novedoso marco de trabajo en equipo entre humanos y máquinas para BO. Los datos para la optimización se generan mediante simulaciones numéricas que se ha demostrado que proporcionan un acuerdo cualitativo razonable con los experimentos de referencia. Se ha demostrado que la metodología de trabajo en equipo humano-máquina identifica el diseño ERA óptimo en el menor número de evaluaciones, superando tanto a las metodologías independientes humanas como a las independientes BO. A partir de un espacio de diseño de casi 1800 configuraciones, el enfoque de equipo humano-máquina identifica el diseño ERA de peso mínimo en 10 muestras.
Abstract
We evaluate an adaptive optimisation methodology, Bayesian optimisation (BO), for designing a minimum weight explosive reactive armour (ERA) for protection against a surrogate medium calibre kinetic energy (KE) long rod projectile and surrogate shaped charge (SC) warhead. We perform the optimisation using a conventional BO methodology and compare it with a conventional trial-and-error approach from a human expert. A third approach, utilising a novel human-machine teaming framework for BO is also evaluated. Data for the optimisation is generated using numerical simulations that are demonstrated to provide reasonable qualitative agreement with reference experiments. The human-machine teaming methodology is shown to identify the optimum ERA design in the fewest number of evaluations, outperforming both the stand-alone human and stand-alone BO methodologies. From a design space of almost 1800 configurations the human-machine teaming approach identifies the minimum weight ERA design in 10 samples.
Fuente: https://www.sciencedirect.com
