Page 17 - 《爆炸与冲击》2026年第5期
P. 17
第 46 卷 黄 阳，等： 基于物理信息及数据融合驱动的复杂街区爆炸荷载快速计算方法 第 5 期
道和非起爆街道中的冲击波主要影响区域，压力预测的相对误差在 20% 以内。对于压力时程曲线，所提
出方法对冲击波的到达时刻和首个超压峰值均可实现较高精度的预测。尽管随着冲击波在街区内发生
复杂的反射与绕射后，模型预测精度有所下降，但它依然有效捕捉了压力时程的变化趋势。
0.5 0.16
The proposed method The proposed method
0.4 Numerical model Numerical model
0.14
Pressure/MPa 0.3 Pressure/MPa 0.12
0.2
0.1 0.10
0.08
0 2 4 6 8 10 0 2 4 6 8 10
(a) Gauge 1 (b) Gauge 2
0.115
The proposed method
Numerical model
0.110
Pressure/MPa 0.105
0.100
0.095
0 2 4 6 8 10
(c) Gauge 3
图 12 不同测点的压力时程
Fig. 12 Pressure-time histories at different gauges
表 4 对比了数值模拟方法及所提出方法的 表 4 计算及数据存储代价对比
计算及数据存储代价。得益于极低的推理成本，
Table 4 Comparison of computing and data storage costs
双网络协同预测方法能在 7 min 内完成整个街
方法 计算时间/min 单一时刻流场数据存储/MB
区 10 ms 的压力场演化过程预测，耗时仅占对应
数值模拟 340 386
数值模拟方法计算时间的 2%。在数据存储方
双网络协同预测方法 7 0.442
面，所提出方法同样具有优势。由于深度学习模
型采用张量格式仅存储流场压力信息，无需记录流场密度等物理量，因此单一时刻数据存储体积不足
LS-DYNA 输出的 D3PLOT 文件的 0.2%。较低的单帧数据存储代价可在既定内存资源下显著提高压力
场的时间采样率或延长记录时长，这对于有效记录冲击波在复杂街区内的反射、绕射等传播过程具有工
程意义。
4 结 论
本研究针对复杂街区爆炸荷载快速预测问题，基于流场物理信息与数据融合驱动提出了一种快速
计算方法。该方法基于“空间分区、逐步推理”策略，构建了由起爆街道预测模型和非起爆街道预测模
型组成的双网络协同预测框架。基于不同的复杂街区爆炸场景，验证了所提出方法的有效性。主要研
究结论如下。
051411-12
