Page 25 - 《爆炸与冲击》2025年第5期

第 45 卷 柏劲松，等： 端到端机器学习代理模型构建及其在爆轰驱动问题中的应用 第 5 期

(a) d h =10, w h =20 (b) d h =15, w h =20 (c) d h =10, w h =15

(d) d h =10, w h =25 (e) d h =5, w h =15 (f) d h =15, w h =25

图 5 不同神经网络结构的代理模型计算结果与解析解的比较
Fig. 5 Comparison of calculation results and analytical solutions of surrogate models with different neural network structures

表 1 不同神经网络结构对代理模型的计算效果分析
Table 1 Analysis of calculation effect of surrogate model with different neural network structures
组合序号 d h w h 标准误差
0 10 20 3.884 5×10 −3
1 15 20 3.462 6×10 −3
2 10 15 4.427 2×10 −3
3 10 25 3.309 2×10 −3
4 5 15 2.390 8×10 −3
5 15 25 1.003 1×10 −2

2 爆轰驱动问题中的机器学习代理模型及其验证

2.1 数值模拟模型及代理模型构建
数据是代理模型的基础，其来源主要有实验采集、理论计算和数值模拟。针对爆轰驱动问题，只考
虑单因素（炸药与内壳之间的间隙厚度）影响，采用爆炸与冲击动力学方法 [24-25] 进行数值模拟，模拟结果
用于代理模型的训练数据源。
单因素影响的爆轰驱动模型（图 6）是轴对称模型，其中外壳和内壳的材料为铜，炸药的初始起爆点
为底部壳体的内侧中心位置，炸药与内壳之间的间隙厚度为 h，取值范围为 0～5 mm，测点 P 和 1 P 分别
2
位于外壳底部外界面的中心位置和外壳右侧外界面的中心位置。数值模拟中，输出 h 分别为 0、1、2、3、

2
4 和 5 mm 工况下 P 和 1 P 的速度-时间（t≤25 µs）曲线，同时每间隔 1 µs 输出内、外壳体材料的变形分

051101-4