Особливості підготовки штучного набору даних для моделювання процесу управління вогнем артилерійських установок
Анотація
Наведено особливості підготовки штучного набору даних на підставі імітаційного моделювання польоту снаряда та рандомізації параметрів моделювання, призначеного для навчання нейромережевих компонент автоматизованих систем управління вогнем (АСУВ) артилерійських установок. Розроблено методику підготовки якісних навчальних наборів даних без проведення ресурсомістких натурних випробувань систем управління артилерійським вогнем із одночасним урахуванням динамічних параметрів польоту снаряда. Методику реалізовано як п'ятиетапний конвеєр виконання дій, що послідовно поєднує підготовку систематичної сітки кутів наведення гармати, рандомізацію фізичних параметрів стрільби згідно з принципом Domain Randomization, результати імітаційного моделювання польоту снаряда за моделлю чотирьох ступенів свободи відповідно до стандарту NATO STANAG 4355, а також багаторівневу фільтрацію та консолідацію отриманих результатів розрахунку. Адаптовано фреймворк CTT (англ. Classical Test Theory) для формалізованого багатовимірного оцінювання якості штучного набору даних у завданнях регресійного балістичного прогнозування траєкторії польоту снаряда за дев'ятьма метриками у трьох вимірах: достовірність, відтворюваність та відповідність. Підготовлений штучно набір даних обсягом 67102 записів для 12 артилерійських установок калібру 155 мм охоплює повний практичний діапазон стрільби за різних погодних умов. Верифікацію якості штучного набору даних виконано шляхом їхнього аналізу за адаптованими метриками CTT та результатами глибокого навчання нейронної мережі за окремими моделями для режимів низької та високої стрільби. Зведений показник якості штучного набору даних за фреймворком CTT становив 0,875. Навчання нейронної мережі продемонструвало MAE у діапазоні 2,2–2,9° для кута підвищення гармати та 2,5–2,9° для азимута стрільби за R² = 0,86–0,87, а класифікаційна точність стрільби становила 93,3–96,7 %, що підтверджує придатність підготовленого штучного набору даних для навчання нейронної мережі щодо прогнозування траєкторії польоту снаряда.
Завантаження
Посилання
Ashish, V., Noam, S., Niki, P., Jakob, U., Llion, J., Aidan N, G., Łukasz, K., & Illia, P. (2017). Attention is All you Need. In 31st Conference on Neural Information Processing Systems (NIPS 2017). https://doi.org/10.48550/arXiv.1706.03762
Becker, S., Hug, R., Huebner, W., Arens, M., & Morris, B. (2021). Generating Synthetic Training Data for Deep Learning-based UAV Trajectory Prediction. In 2nd International Conference on Robotics, Computer Vision and Intelligent Systems, pp. 13–21. https://doi.org/10.5220/0010621400003061
Bragado, A. C., Solera-Rico, A., & Gómez, M. A. (2023). Implementation of Trajectory Propagator for Artillery Projectiles Based on Artificial Neural Networks. Conference New Technologies and Developments in Unmanned Systems, pp. 187–192. https://doi.org/10.1007/978-3-031-37160-8_29
Chen, D., Yang, C., Ji, H., Jiang, B., & Liu, Z. (2019). Application and Implementation of CNN in Artillery Countermeasure Training System. IOP Conference Series: Materials Science and Engineering, 612(3), article ID 032015. https://doi.org/10.1088/1757-899X/612/3/032015
Corriveau, D. (2017). Validation of the NATO Armaments Ballistic Kernel for use in small-arms fire control systems. Defence Technology, 13(3), 188–199. https://doi.org/10.1016/j.dt.2017.04.006
Elsaadany, A., & Wen-jun, Y. (2014). Accuracy Improvement Capability of Advanced Projectile Based on Course Correction Fuze Concept. The Scientific World Journal, 2014, article ID 273450. https://doi.org/10.1155/2014/273450
Elsaadany, A., & Wen-jun, Y. (2014). Accurate trajectory prediction for typical artillery projectile. In 33rd Chinese Control Conference, IEEE, pp. 6368–6374. https://doi.org/10.1109/chicc.2014.6896037
Ghosh, A. K., & Prakash, O. (2004). Neural Models for Predicting Trajectory Performance of an Artillery Rocket. Journal of Aerospace Computing, Information, and Communication, 1(2), 112–115. https://doi.org/10.2514/1.3398
Herbut, A., & Brząkała, W. (2024). Polynomial chaos expansion vs. Monte Carlo simulation in a stochastic analysis of wave propagation. Wave Motion, 130, article ID 103390. https://doi.org/10.1016/j.wavemoti.2024.103390
Ilg, M., Rogers, J., & Costello, M. (2011). Projectile Monte-Carlo Trajectory Analysis Using a Graphics Processing Unit. AIAA Atmospheric Flight Mechanics Conference, Portland. https://doi.org/10.2514/6.2011-6266
Jacewicz, M., Lichota, P., Miedziński, D., & Głębocki, R. (2022). Study of Model Uncertainties Influence on the Impact Point Dispersion for a Gasodynamicaly Controlled Projectile. Sensors, 22(9), article ID 3257. https://doi.org/10.3390/s22093257
Ji, Wen, Gong, Chunlin, Jia, Xuyi, Li, Chunna, & Wang, Gang. (2024, December). Unsteady aerodynamic modeling and flight trajectory simulation of dual-spin projectile based on DNN and transfer-learning. Aerospace Science and Technology, vol. 155, part 3, article ID 109711. https://doi.org/10.1016/j.ast.2024.109711
Li, Y., Bai, H., Chen, D., Feng, Y., Yin, J., Zhao, J., Yang, S., & Wang, T. (2025). Spatiotemporal model for real-time projectile prediction in digital prototyping of artillery. Journal of Computational Design and Engineering, 12(8), 60–77. https://doi.org/10.1093/jcde/qwaf072
Mostafa, K., Xiaoting, R., & Hossam, H. (2015). A Rapid Gun Firing Correction Algorithm Using Discrete Time Transfer Matrix Method. In 16th International Conference on Aerospace Sciences & Aviation Technology. https://doi.org/10.21608/asat.2015.23008
Qian, L., Chen, G., Tong, M., & Tang, J. (2022). General design principle of artillery for firing accuracy. Defence Technology, 18(12), 2125–2140. https://doi.org/10.1016/j.dt.2022.09.001
Rothe, H., Kuhrt, A., Schroeder, S., & Trebing, S. (2005). Fire control algorithms and software for the modular naval artillery concept (MONARC) of the German navy. Book Computational Ballistics II. WIT Press, pp. 406–416. URL: https://www.witpress.com/elibrary/wit-transactions-on-modelling-and-simulation/40/14941
Roux, A., Changey, S., Weber, J., & Lauffenburger, J.-P. (2023). LSTM-Based Projectile Trajectory Estimation in a GNSS-Denied Environment. Sensors, 23(6), article ID 3025. https://doi.org/10.3390/s23063025
Rubel, Y., & Hrytsiuk, Y. (2025). Current state of automated fire control systems for artillery systems. Herald of Khmelnytskyi National University. Technical Sciences, 355(4), 520–530. https://doi.org/10.31891/2307-5732-2025-355-73
Rubel, Y., & Hrytsiuk, Y. (2025). Intelligent fire correction in automated fire control systems for artillery installations. Collection of Scientific Papers with Proceedings of the 1st International Scientific and Practical Conference. International Scientific Unity, Prague, Czech Republic, pp. 192–198. https://doi.org/10.70286/isu-14.05.2025
Rubel, Y., & Hrytsiuk, Y. (2026). Architectural approach to implementing a hybrid artillery fire control system. Collection of Scientific Papers with Proceedings of the 4th International Scientific and Practical Conference. International Scientific Unity, Graz, Austria, pp. 125–130. https://doi.org/10.70286/isu-14.01.2026.006
Tian, F., Sun, X. W., Zhang, X., Shan, H. Y., & Wang, L. J. (2014). Research on the Simulation of Naval Gun Exterior Trajectory Differential Equations in Real-Time Solution. Advanced Materials Research, 981, 758–761. https://doi.org/10.4028/www.scientific.net/amr.981.758
Tobin, J., Fong, R., Ray, A., Schneider, J., Zaremba, W., & Abbeel, P. (2017). Domain randomization for transferring deep neural networks from simulation to the real world. In 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). https://doi.org/10.1109/iros.2017.8202133
Toulliou, K., Arefin, S., Sandou, G., & Font, S.. (2025). Modeling and Simulation of a 155mm Spinning Glide-Guided Projectile From Experimental Data Using Multivariate Orthogonal Functions. 2025 29th International Conference on System Theory, Control and Computing (ICSTCC), Cluj-Napoca, Romania, pp. 887–892. https://doi.org/10.1109/ICSTCC66753.2025.11240509
Wang, C., Dong, Q., Wang, X., & Sui, Z. (2024). Statistical dataset evaluation: A case study on named entity recognition. Natural Language Processing, 31(1), 1–21. https://doi.org/10.1017/nlp.2024.37
Wang, Gang, Zhang, Tengyue, Lin, Tianyu, Lin, Haizhen, & Xi, Ke. (2025, November). Investigation of flight stability for fixed canard dual-spin projectile via CFD/RBD coupled method. Defence Technology, vol. 53, 1–18. https://doi.org/10.1016/j.dt.2025.05.025
Wang, L., Chen, Z., & Yang, G. (2021). An Uncertainty Analysis Method for Artillery Dynamics with Hybrid Stochastic and Interval Parameters. Computer Modeling in Engineering & Sciences, 126(2), 479–503. https://doi.org/10.32604/cmes.2021.011954
Wang, Y.-W., Zhu, W.-F., Di, J.-W., & Hu, X.-H. (2018). Study on the analysis method on ballistic performance of deterred propellant with large web size in large caliber artillery. Defence Technology, 14(5), 522–526. https://doi.org/10.1016/j.dt.2018.07.027
Zang, H., Gao, C., Hu, Y., & Jing, W. (2025). Trajectory prediction algorithm of ballistic missile driven by data and knowledge. Defence Technology, 48, 187–203. https://doi.org/10.1016/j.dt.2025.02.001
