Page 4 - 《爆炸与冲击》2026年第5期

第 46 卷 第 5 期 爆 炸 与 冲 击 Vol. 46, No. 5
2026 年 5 月 EXPLOSION AND SHOCK WAVES May, 2026

DOI：10.11883/bzycj-2026-0110

“人工智能赋能冲击动力学”专刊简介 *

人工智能（AI）正以前所未有的广度和深度重塑冲击动力学研究范式，为爆炸、侵彻、高速撞击等极
端载荷下复杂动力学问题的解决开辟全新技术路径。在传统冲击动力学研究中，“理论建模-实验验证-
数值仿真”三位一体方法虽在物理机理认知上成果丰硕，但长期受困于计算效率瓶颈、高成本实验限制
及复杂非线性问题求解难题。AI 的引入，推动研究从“物理方程驱动”向“数据与物理融合驱动”范
式跃迁，通过机器学习、深度学习等技术，实现复杂系统高效代理建模、高维规律挖掘与跨尺度整合，在
保障物理一致性的同时，大幅提升研究效率与预测能力。
在复杂动力学行为智能模拟与精准预测领域，AI 优势显著。传统方法依赖计算流体动力学（CFD）
或显式动力有限元方程求解，难以实现快速预报与多场景推演。如今，图神经网络（GNN）和长短期记忆
网络（LSTM）等时序模型，可从历史数据或高保真仿真中学习冲击波传播、破片飞散、流固耦合等时空
演化规律，为灾害预警与防护设计提供实时响应能力。
材料动态本构关系智能建模方面，AI 推动本构理论从“经验公式拟合”向“数据驱动发现”演
进。传统 Johnson - Cook 等模型参数标定依赖假设与试验，难以精准描述高熵合金等新型材料在高应变
率下的复杂响应。人工神经网络（ANN）与物理信息神经网络（PINN）等机器学习方法，能从动态实验数
据中学习率相关、温相关及损伤演化的本构关系，甚至构建无需预设数学形式的隐式本构模型，为新材
料高动态载荷下行为预测与优化设计提供更精准高效的工具。
实验数据高效处理与智能增强环节，AI 成为关键赋能手段。冲击实验数据常存在稀疏、噪声大、全
域多场信息难以同步捕获等问题，传统信号处理与图像分析方法依赖专家经验，效率低下。卷积神经网
络（CNN）与生成对抗网络（GAN）等深度学习技术，可实现冲击波信号、高速摄影图像、数字图像相关
（DIC）数据的自动去噪、特征提取与信息增强，为构建高质量数据库提供新途径。
多尺度与多物理场耦合建模领域，AI 提供了突破的统一框架。冲击损伤涉及从微观位错运动、孔
洞成核到宏观结构失效的跨尺度过程，传统多尺度方法计算冗长、信息传递复杂。通过将控制方程、本
构关系与损伤准则嵌入神经网络的损失函数，PINN 等智能工具可构建宏微观行为耦合的建模框架。这
种智能求解方法，能够在保证物理规律一致性的前提下，显著提升多物理场耦合问题的求解效率。
结构优化与安全评估方面，AI 驱动抗冲击设计从“经验试错”迈向“智能生成”。传统优化受计
算成本限制，多局限于参数扫描，只在现有经验框架内进行参数调整，难以实现质的突破。AI 驱动的代
理模型与多目标优化算法，可在高维设计空间快速寻优，实现防护结构轻量化、能量吸收与承载能力协
同提升。同时，知识图谱与风险评估模型结合，整合爆炸毁伤案例、材料性能、结构响应等多源信息，为
极端场景下快速安全评估与智能决策提供强大支撑。
展望未来，随着物理信息 AI、数字孪生与量子计算等技术发展，AI 将进一步推动冲击动力学实现从
现象解释到精准预测、再到智能设计的跨越，驱动冲击动力学研究不断催生新理论、新方法、新技术，为
国防安全与重大工程防护提供核心驱动力。
该专刊主要征稿范围包括：复杂动力学行为的智能模拟与精准预测，材料动态本构关系的智能建模
与优化，实验数据的高效处理与智能增强，多尺度与多物理场耦合建模的智能化突破，结构优化与抗冲
击设计，极端条件下的安全与风险评估。经邀稿/自由来稿和按照《爆炸与冲击》期刊的严格审稿流程，录
用了 16 篇研究论文。在此对作者与审稿专家的辛勤付出表示衷心的感谢，对《爆炸与冲击》编辑部和曾
月蓉老师的大力支持表示诚挚的敬意！

中国科学技术大学 郑志军 教授
西北工业大学 郭伟国 教授

051401-1