Page 107 - 《爆炸与冲击》2026年第5期

第 46 卷 梁俊宣，等： 基于CNN的弹体侵彻多层间隔混凝土薄靶弹道特性预测模型 第 5 期

penetration-flight prediction framework was established, enabling rapid prediction of ballistic characteristics for multi-layer
spaced thin concrete targets. The results indicate that an increase in counterclockwise angular velocity leads to a positive
increase in the radial residual velocity behind the target and an upward deflection of the trajectory, whereas clockwise angular
velocity produces the opposite effect. These findings demonstrate that projectile angular velocity is a critical and non-
negligible factor in thin-target penetration. For single-layer target cases, the model exhibited strong predictive capability, with
the mean MSE values of the training and test sets stabilizing at approximately 0.001 2 and 0.001 9, respectively. For multi-layer
target predictions, while maintaining high accuracy (with a maximum relative error of 10.65% in residual velocity and a
maximum absolute error of 3.47° in attitude angle), the computational time of the proposed method was only about 0.05% of
that required by conventional numerical simulation. This study not only elucidates the influence of the key factor-projectile
angular velocity-on penetration ballistics, but also proposes a novel “data-driven and physics-equation fusion” modeling
paradigm, providing an important methodological reference for weapon damage effectiveness assessment and design
optimization.
Keywords: penetrating projectile; multi-layered spaced concrete; ballistic characteristics; convolutional neural network;
prediction model

为有效打击具有多层间隔混凝土结构的坚固目标，通常使用侵彻类武器贯穿多层楼板后在预定位
置起爆。然而，由于弹体入射姿态通常非正且每层靶厚度较薄，使得侵彻过程中弹体姿态和运动轨迹极
[1]
易发生偏转 ，严重影响毁伤性能。因此，快速精确预测弹体在侵彻过程中的姿态变化、运动轨迹及速度
衰减，对武器毁伤效能评估与设计优化具有重要的工程应用价值。
弹体侵彻贯穿多层混凝土靶作用过程涉及多变量耦合作用，加之混凝土材料的非均匀性和其动态
力学性能的复杂性，使得侵彻过程中弹体姿态及弹道轨迹的确定成为一个复杂的非线性问题。传统的
侵彻弹道研究方法主要包括试验研究、理论分析和数值模拟。其中多层混凝土靶侵彻试验成本高昂、初
始条件难以保证，且受限于现有观测技术，通常仅能获取侵彻前后弹体姿态与速度变化等有限数据 [1-3] ，
因此多用于验证理论与数值模拟方法的可靠性，难以直接用于弹道预测。理论分析方法则常需引入简
化假设（如忽略侵彻过程中的弹身受力 [3-5] ），且涉及较为复杂的迭代计算，适用范围有限。数值模拟方法
虽能较为准确地反映弹体实际偏转行为，但由于多层混凝土靶侵彻模型中靶板层数较多，弹体在靶间飞
行阶段占用大量计算资源 ，导致计算效率低下，难以满足弹道快速预测的需求。随着人工智能技术的
[6]
快速发展，数据驱动型科研范式为解决此类问题提供了新的技术途径。该方法依托大量科研数据，挖掘
其中隐含的规律，无需引入过多假设即可对高度非线性、多变量耦合的物理过程进行建模与控制，已在
弹体侵彻效应研究中得到应用。早期研究主要侧重于利用不同类型的神经网络构建输入参数与侵彻深
度之间的非线性映射关系。王玉岚等 和李建光等 利用量纲分析确定关键影响因素，分别基于改进的
[8]
[7]
反向传播（back propagation，BP）神经网络与径向基函数（radial basis function，RBF）神经网络模型构建了
弹体侵彻花岗岩与混凝土深度的非线性预测模型，并且可以预测弹体质量损失。Hosseini 等 [9] 构建了基
于 原 始 参 数 和 无 量 纲 参 数 的 两 种 神 经 网 络 模 型 ， 研 究 发 现 基 于 前 馈 反 向 传 播 （ feed-forward back
propagation，FFBP）的模型表现最优，并确认弹丸速度和混凝土抗压强度是影响侵彻深度的最关键参数。
常慧珠 [10] 进一步拓展了输入维度，创新性地将弹丸温度作为关键参数纳入 BP 神经网络模型，实现了对
弹体侵彻混凝土深度的预测。为提升小样本条件下的预测性能，学者们提出了多种优化算法与混合建
模策略。Gonzalez-Carrasco 等 [11] 针对弹体冲击场景中数据有限、计算成本高的问题，提出了一种集成的
神经网络性能调优四阶段流程，显著提升了有限数据下多层感知机（multilayer perceptron，MLP）的分类准
确率。张树霞等 [12] 、潘强等 [13] 分别采用粒子群优化算法（particle swarm optimization，PSO）对支持向量机
（support vector machine，SVM）参数进行优化，建立了基于 PSO-SVM 的动能弹侵彻混凝土深度预测模
型。该模型在预测精度上均优于传统经验公式与灰色理论模型。李萌等 [14] 则综合运用线性插值与添加
高 斯 噪 声 进 行 数 据 增 强 ， 并 采 用 遗 传 算 法 与 贪 心 算 法 对 MLP、 RBF、 支 持 向 量 回 归 （ support vector

051432-2