Page 187 - 《爆炸与冲击》2026年第5期

第 46 卷 韩思豪，等： 机器学习驱动的折纸超材料夹芯结构低速冲击响应预测及多目标优化 第 5 期

网络（LSTM）及本文所使用的残差人工神经网络（ResANN）。虽然 ResANN 的训练时间因其略多的参数
量而稍高于其他模型，但其在关键性能指标上展现了显著优势。其拥有最优的预测速度和最高的预测

精度，并且取得了最佳的拟合效果。这些量化结果表明，ResANN 所引入的残差连接机制通过有效缓解
深层神经网络的梯度消失问题和促进特征复用，显著提升了冲击响应预测的精度与效率。

表 3 多类神经网络模型的性能对比
Table 3 Performance comparison of various types of neural network models
神经网络模型 参数量 训练时间/s 预测时间/s Smooth L 1 loss R 2
ResANN 4 103 552 2 146.46 2.14 393.052 0.990 6
ANN 3 972 480 2 004.74 2.47 463.131 0.988 0
CNN 3 973 472 1 961.79 3.32 1 886.840 0.885 0
LSTM 4 245 632 1 609.75 2.73 1 837.110 0.889 4

2.2 冲击响应预测及参数调控机制
完成 ResANN 训练后，图 8(a)～(c) 展示了选取的典型样本的预测结果。3 种折纸超材料简要表示为
Θ 7 ，分别代表冲击后夹芯复合结构处于结构完整、局部破坏和完全失效。结果表明，3 种情况
Θ 5 、 Θ 6 和
下 ResANN 均 能 准 确 捕 捉 力 - 时 间 曲 线 中 的 特 征 ， 如 峰 值 力 、 失 效 时 间 点 等 。 图 8(d) 展 示 了 上 述
2
3 个预测结果与有限元仿真结果的对比，预测结果的 Smooth L loss 为 379.425，相关系数 R =0.999 4，二者
1
结果高度吻合。图 8(e) 描述了 2 种结果的数据分布对比，3 组预测结果的数据分布都展现出了高度的一
致性。因此，利用训练好的 ResANN 模型代替计算代价高昂的有限元数值仿真，为冲击载荷下的夹芯复
合结构研究提供了高效可靠的数字化预测工具。

18 16
Simulated Simulated
15 Predicted Predicted
α=16.36° 12 α=26.52°
12 β=19.14° β=24.65°
θ=15.99°
Force/kN 9 Force/kN 8
θ=20.18°
6
4
3

0 1 2 3 4 5 0 1 2 3 4 5
Time/ms Time/ms
(a) Impact responses of Θ 5 (b) Impact responses of Θ 6
16
Simulated 15 R =0.999 4
2
Predicted Smooth L 1 loss=379.425
12 α=15.73°
β=33.48° 10
Force/kN 8 Predicted force/kN
θ=27.97°

4 5

0 1 2 3 4 5 0 5 10 15
Time/ms Simulated force/kN
(d) Comparison of predicted and simulated results
(c) Impact responses of Θ 7

051441-9

Θ Θ Θ