Page 31 - 《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

−1.2 Simulation data −1.2 Simulation data
c=0 mm c=3 mm c=0 mm c=3 mm
−1.3 c=1 mm c=4 mm c=1 mm c=4 mm
c=2 mm c=5 mm −1.3 c=2 mm c=5 mm
−1.4 −1.4
v/(km·s −1 ) −1.5 v/(km·s −1 ) −1.5
−1.6
−1.7 Surrogate output −1.6 Surrogate output
c=0 mm c=3 mm c=0 mm c=3 mm
−1.8 c=1 mm c=4 mm −1.7 c=1 mm c=4 mm
c=2 mm c=5 mm c=2 mm c=5 mm
−1.9 −1.8
12 14 16 18 20 22 24 12 14 16 18 20 22 24
t/μs t/μs
(a) d=0 mm (b) d=1 mm
Simulation data
−1.2 c=0 mm c=3 mm
c=1 mm c=4 mm
−1.3 c=2 mm c=5 mm

v/(km·s −1 ) −1.4

−1.5
Surrogate output
−1.6 c=0 mm c=3 mm
c=1 mm c=4 mm
−1.7 c=2 mm c=5 mm
12 14 16 18 20 22 24
t/μs
(c) d=2 mm

图 14 代理模型计算的 P 1 处的速度剖面与数值模拟结果的比较
Fig. 14 Numerical simulation and surrogate model calculation results of speed history at P 1

(a) Simulation result (b) Surrogate output

图 15 c=1 mm、d=1 mm、t=25 µs 时代理模型计算的流场体积分数与数值模拟结果的比较
Fig. 15 Numerical simulation of material distribution and calculation results of surrogate model
at the point while c=1 mm, d=1 mm, t=25 µs
3 结 论

应用人工智能机器学习技术，对深度神经网络优化算法进行了初步探索，以典型爆轰驱动问题为算
例，构建了基于数值模拟数据的端到端代理模型，并给出了代理模型的计算精确度，验证了代理模型从
速度剖面反演工程因素的能力。为验证深度学习代理模型的预测能力，基于一种单影响因素典型爆轰
驱动模型，在数字模拟生成的数据上训练和测试了深度学习代理模型的预测误差和计算效率。测试表
明：端到端代理模型具有较高的预测能力，相对误差均小于 1%，可用于高度非线性的爆轰驱动问题的快
速设计、高精度预测和敏捷迭代，是深度学习技术和爆炸与冲击动力学融合的有效尝试。在另一种双影
响因素典型爆轰驱动模型上所进行的测试中，深度学习代理模型依然能够与数值模拟数据符合良好，表
明所提出的端到端深度学习代理模型可以在一定程度上推广到多影响因素爆轰驱动模型。考虑到多影
响因素模型的复杂性，深度学习代理模型在不同场景中是否适用以及应该如何应用，将是进一步研究的
重要问题。

051101-10