Page 106 - 《爆炸与冲击》2026年第8期
P. 106

第 46 卷        李    志,等: 考虑参数不确定性的水下爆炸冲击波荷载Bayesian建模与表征                         第 8 期

               β Co v  显著降低,其他模型的     β Co  v  与先验模型变化不大。(3) 结合图         6  可知,相对于    θ 模型,p 、I、e 模型参
                                                                                                   s
                                                                                              m
               数的方差收敛较快,但          θ、I、e 模型的     ε RMS E  变化较小,反映    θ、I、e 模型的精度受样本量的影响较小,
                                                                           s
                                         s
               p 模型的精度随着样本量的增加而显著提高。总体而言,结合图                             6  可判定,在    Bayesian  概率建模中,θ、
                m
               I、e 模型在样本量达到约          20%  时,p 模型在样本量达到         30%~60%   时,其精度即可达到“性价比”最优
                                              m
                  s
               的平衡点,此时可考虑停止采样。
                4    结 论

                   基于  682  组水下爆炸试验数据,通过系统分析爆炸荷载各参数的变异性,建立了融合                                 Cole 经验模型
               的  Bayesian  概率模型。研究结果表明:
                   (1) 模型参数变异系数为         0.03~0.48,模型误差变异系数为           0.19~0.38,揭示了水下爆炸冲击波荷载
               的显著不确定性特征,其中仅压力峰值模型误差呈现准                         Normal 分布,其他参数则表现出更复杂的分布特
               征,且误差特性随比例爆距增加而趋于稳定。
                   (2) 基于  Bayesian  推断构建的概率模型,因其样本效率优势而具有更高的工程应用价值。Bayesian
               概率建模过程随着样本量增加,θ、p 、I、e 的模型参数后验方差系统性收缩,该模型能在保证一定精度
                                                    s
                                              m
               的条件下,有效兼顾试验成本与效率,其中                  θ、I、e 模型与     p 模型在样本量分别达到           20%、30%~60%    时
                                                          s
                                                                   m
               可停止采样,模型精度即可达到最优成本点。但所有模型的                         β Co v  变化受样本量影响较小,其中        e  的 s  Bayesian
               概率模型的     β Co v  显著降低,其他模型     β Co v  与  Cole 先验模型变化不大。
                   (3) 与  Cole 先验模型相比,所建立的         Bayesian  概率模型能够有效表征水下爆炸冲击波荷载的不确定
               性,概率模型不仅提供了点估计,也能够量化模型不确定性,为水下结构的抗爆可靠性设计提供了考虑
               荷载变异性的随机荷载输入,该模型框架可扩展应用于其他爆炸荷载场景的可靠性分析,为工程风险评
               估提供更全面的信息。
                   (4) 需要说明的是,构建的         Bayesian  概率建模框架主要以         TNT  炸药的   Cole 经典模型为基础。该框
               架的优势在于能够在水下爆炸试验数据相对稀缺的条件下,有效支撑了荷载不确定性的量化与概率表
               征。然而,模型中通过引入            TNT  当量系数(N )实现多炸药数据的归一化分析,虽增强了工程实用性,但
                                                      eq
               也因无法完全反映不同炸药能量输出特性的差异而引入额外误差。该误差在                                    Bayesian  框架中虽被归并
               为模型参数不确定性的一部分,但仍可能影响模型对特定炸药的预测精度。为此,可将该概率建模框架
               拓展至其他爆炸荷载经验模型,通过建立特定炸药试验参数数据库,选用不同经验模型作为基础框架,
               结合特定炸药的专属参数,构建与之适应的                    Bayesian  概率模型,推动水下爆炸荷载不确定性研究的体系
               化与标准化。


               参考文献:
               [1]   COLE R H, WELLER R. Underwater explosions [J]. Physics Today, 1948, 1(6): 35. DOI: 10.1063/1.3066176.
               [2]   ZAMYSHLYAEV B V, YAKOVLEV Y S. Dynamic loads in underwater explosion: AD-757183 [R]. Washington: Naval
                    Intelligence Support Center, 1973.
               [3]   KESHAVARZ M H, BAGHERI V. A simple correlation for assessment of the shock wave energy in underwater detonation [J].
                    Zeitschrift für Anorganische und Allgemeine Chemie, 2019, 645(18/19): 1146–1152. DOI: 10.1002/zaac.201900221.
               [4]   HUANG C, LIU M B, WANG B, et al. Underwater explosion of slender explosives: directional effects of shock waves and
                    structure  responses  [J].  International  Journal  of  Impact  Engineering,  2019,  130:  266–280.  DOI:  10.1016/j.ijimpeng.2019.
                    04.018.
               [5]   LIU L, GUO R, GAO K, et al. Full-field peak pressure prediction of shock waves from underwater explosion of cylindrical
                    charges [J]. Propellants, Explosives, Pyrotechnics, 2017, 42(8): 912–920. DOI: 10.1002/prep.201700070.
               [6]   HE  M,  ZHANG  S,  WANG  S  P,  et  al.  A  refined  numerical  investigation  of  a  large  equivalent  shallow-depth  underwater
                    explosion [J]. AIP Advances, 2023, 13(7): 075016. DOI: 10.1063/5.0156558.


                                                         083401-16
   101   102   103   104   105   106   107   108   109   110   111