Page 108 - 《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

regression，SVR）和极限梯度提升树（extreme gradient boosting trees，XGBoost）等多种模型进行超参数优
化，实现了对混凝土侵彻深度的精确预测。张磊等 [15] 发展了一套“三阶段”毁伤效应计算框架，通过马
氏距离进行数据清洗，结合经验算法评价体系优选模型，并综合运用 BP 神经网络与 k-近邻检索技术进
行融合建模。此外，许多学者融合了物理先验与数据驱动的方法，以提升模型的泛化能力与可解释性。
Qin 等 [16-17] 和秦帅等 [17] 通过引入基于物理模型的无量纲参数作为先验知识，增强了模型对数据分布的理
解，并采用异常检测技术清洗数据，利用最优经验公式生成补充数据，最终通过集成自注意力机制的决
策融合模块构建了性能更优的预测模型。Khan 等 [18] 应用可解释机器学习并结合深度生成对抗网络
（deep generative adversarial network，DGAN）进行数据增强，建立了弹体侵彻超高性能混凝土靶深度预测
的机器学习模型，明确了冲击能量、速度、弹体几何特性及混凝土力学性能等关键影响因素。在深度学
习侵彻弹道预测方面，张帅 [19] 针对每层厚度特定的多层混凝土靶，基于人工神经网络（artificial neural
network，ANN）实现了侵彻后弹体最终剩余速度与姿态角的预测。
综上所述，利用深度学习处理多层靶侵彻弹道这类典型的非线性问题具有较高的可行性，因此，本
文基于卷积神经网络（convolutional neural network，CNN）构建弹体侵彻多层间隔混凝土靶弹道偏转预测
模型，提出一种融合物理机理与数据驱动的弹道快速预测研究范式。该范式将复杂的侵彻过程解耦为
基于数据驱动的单层靶侵彻与基于物理方程的靶间弹体姿态演化两个阶段，从而在保障预测精度的同
时提升计算效率，并为解决同类非线性动力学问题的建模提供参考。模型综合考虑弹体参数、靶体参数
及弹靶交会条件等影响侵彻弹道偏转的关键因素。通过数值模拟生成的数据集对模型进行训练和测
试，并利用试验数据对模型预测精度进行评估，得到满足工程需求的多层间隔混凝土靶弹道预测模型。

1 弹体侵彻单层混凝土靶数据集

1.1 数值模拟方法与弹靶系统介绍

受限于观测手段，试验中获得的弹体侵彻 表 1 弹体参数 [1]
过程数据往往并不完整。为保证数据集数量充 Table 1 Projectile parameters [1]
足且真实可靠，采用文献 [20] 中已通过验证的数
材料 直径/mm 长度/mm CRH 质心与弹尖距离/mm
值模拟方法对样本量进行扩充。基于 LS-DYNA
30CrMnSiNi2A 30 180 4 94

软件建立数值模拟模型，假设侵彻过程中弹体仅
作平面运动，为提高计算效率，采用 1/2 对称模
型。弹体与靶体均采用六面体网格及拉格朗日
算法。弹体网格尺寸设置为 1.5 mm，具体参数
如表 1 [1] 所示，表中 CRH 为弹体头部形状系数。
混凝土靶体直径为 700 mm，厚度为 100 mm，抗
压强度为 40 MPa。为兼顾计算精度与效率，靶
体 在 弹 靶 作 用 中 心 区 域 采 用 尺 寸 为 1.5 mm×
1.5 mm×1.5 mm 的密集网格，密集区域为 12 倍弹
体直径。远离中心区域的网格尺寸逐渐增大，交
界区域采用蝴蝶网格进行过渡。弹靶有限元模 图 1 有限元模型 [20]
型如图 1 [20] 所示。弹体和混凝土靶体之间设置 Fig. 1 Finite element model [20]
面-面侵蚀接触，对称面设置对称边界条件，靶体周向设置固定边界条件和无反射边界条件。
弹体材料选用随动硬化模型 plastic-kinematic，参数如表 2 [21] 所示。混凝土靶体选用 RHT(Riedel-
Hiermaier-Thoma) 本构模型 [22] ，通过*MAT_ADD_EROSION 关键字引入最大主应变准则，设置单元删除
的应变阈值为 0.4 以模拟靶体材料的破坏过程 [23] ，具体参数如表 3 [24] 所示。该数值模拟方法的可靠性已
在文献中得到验证，能够可靠地用于研究侵彻弹道的影响因素，并有效扩充试验样本量。

051432-3