Page 9 - 《爆炸与冲击》2026年第5期

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

实现整个压力场演化过程预测。模型的目标数据输出为对应场景下高精度数值模拟计算结果。由于镜
像爆源算法结果、信号距离场、能量密度因子的计算不依赖于数值模拟，因此，模型的推理过程可在不
开展数值模拟的前提下进行。
以下将对起爆街道预测模型、非起爆街道预测模型及模型的目标数据输出分别展开介绍。
1.2 起爆街道预测模型
起爆街道预测模型用于对起爆点所在街道开展预测。图 3 展示了该模型的推理过程，包括前处理、
计算模型、后处理 3 个部分。为实现 t 时刻爆炸流场预测，在前处理部分，基于镜像爆源法计算对应目
i
标场景的 t ～t i+ 3 共 5 个时刻的低精度压力场，基于双通道信号距离场记录目标场景的几何信息，将多
i−1
时 刻 压 力 场 与 信 号 距 离 场 合 并 后 作 为 计 算 模 型 部 分 的 网 络 输 入 。 在 计 算 模 型 部 分 ， 基 于 三 层 3D-
UNet 网络的 U 型编码器-解码器网络架构实现数据映射，并输出指定 t 时刻的起爆街道压力场。模型的
i
输入、输出均采用三维张量形式。图 3 中以 [C, X, Y, Z] 格式展示了单批次数据输入时对应不同网络模
块的张量维度，其中 C 表示通道数量，X、Y、Z 表示对应各方向的数据个数。网络的输入为七通道三维
张量，由来自 5 个时刻镜像爆源法的压力通道及 2 个信号距离场通道组合而成。网络的输出为单通道三
维张量，作为目标时刻的起爆街道压力场预测结果。在后处理部分，基于模型输出，可获取指定平面的
流场二维切片及指定测点的荷载时程。

t i−1
t i
5 time-channels t i+1
t i+2 …… …… [16,32,32,32] [48,32,32,32] …… …… …… ……
t i+3
2 geometric-channels [32,16,16,16] [96,16,16,16] [1,16,16,16]
[7,16,16,16] [7,32,32,32] [8,32,32,32] [16,32,32,32] [16,32,32,32] [8,16,16,16] 0.18
MOI MOI
Gauge … … … … … p/MPa 0.12 Deep learning
LSDYNA
Diffraction path [64,8,8,8] [192,8,8,8]
Reflection path 0.06
Ground 0 2 4 6 8 10
Detonation [16,16,16,16] [16,16,16,16] [32,16,16,16] [32,16,16,16]
t/ms
source … … … … … Pressure histories
Pressure/
Rigid wall MOI_UNet_L 0.200
MPa
[32,8,8,8] [32,8,8,8] [64,8,8,8] [64,8,8,8] Concat 0.175
0.150
0.100
z … … … 3D Conv+ReLu 0.125
h 0.075
d 2 x Ground 3D Max pool 0.050
y 0.025
L 2
L 1 d 1/2 3D Up-conv 0
d 1/2 [64,4,4,4] [64,4,4,4] [128,4,4,4] Pressure contour
Explosion scene 3D Conv
Pre-processing Calculation model (3D-UNet) Post-processing
图 3 起爆街道预测模型的推理过程
Fig. 3 Inference procee of the detonation street prediction model
1.2.1 物理机制引入
合理选择与目标输出强相关的物理信息并将其作为模型输入，是提升深度学习模型训练稳定性与
预测性能的有效手段。为此，本研究采用镜像爆源法和信号距离场为起爆街道预测模型引入基于物理
机制的信息描述，具体如下。
(1) 镜像爆源法
镜像爆源算法可基于炸点位置和场景信息实现低精度压力场快速计算，其核心假设是将目标点的
压力时程视作原爆源和镜像爆源的荷载时程叠加结果。图 4 展示了一条基于镜像爆源法的单次反射冲
击波传播路径，其中 I 为单次反射对应的镜像点，其下标表示反射时的壁面。假设所有镜像点具有与原
1
始爆源相同的炸药当量，通过叠加原爆源和所有镜像爆源产生的荷载时程，即可获得目标点的荷载时程。

051411-4