Page 40 - 《爆炸与冲击》2026年第10期

第 46 卷 徐 蓉，等： 基于数据驱动混杂点阵结构的惯性效应和结构效应竞争机制分析 第 10 期

样的优化需求。同时，混杂点阵结构的力学响应受胞元数量配比和空间排列等因素影响，呈非线性关
系，难以直接建立解析模型。为高效准确预测混杂点阵结构的力学响应，采用基于双向长短期记忆网络
（bidirectional long short-term memory network, Bi-LSTM）的机器学习方法 [33] 。Bi-LSTM 通过叠加前向与后
向长短期记忆网络层，构建独特的网络架构，如图 5 所示。前向层输出为输入数据正向传输过程中生成
的隐藏状态信息 h ，后向层输出为反向传输过程中产生的隐藏状态信息 h 。通过耦合这两个方向的
t−B
t−F
隐藏信息，Bi-LSTM 能够精准捕获 HOIL 构型应力-应变曲线上各应力点之间的复杂映射关系。本文中
输入层接收 24 维的 HOIL 构型特征，对应关键控制节点 A～X 的胞元类型；输出层对应应力-应变曲线上
∆ε = 0.01 为步长离散得到的各应力点的应力值。Bi-LSTM 具备同时捕捉变形过程中“历
以应变增量
史”与“未来”状态响应关联的能力，前向层捕捉从加载开始到当前应变的变形历史，后向层则从致密
化端反向学习结构响应的后续趋势，能够综合利用变形前期的特征与后续应变阶段的潜在行为模式，精
准预测应力-应变曲线的未来走向。这种双向信息融合机制相较于传统单向模型，能更全面、准确地理
解混杂点阵结构在变形过程中的动态特性，为相关领域的研究与应用提供了更为可靠的技术支持。

B C D F G
A E H
I K
J
L Forward Backward Stress
M N O P layer layer
Q R T W X Δε Strain
S V
U
LSTM LSTM
t=1 A block block h 1-B S 1
h 1-F
LSTM LSTM
t=2 B block block h 2-B S 2

h 2-F

LSTM LSTM
t=24 X block block S n
h 24-B
h 24-F
Input Bi-LSTM Full-connected Output
layer layer layer layer
图 5 Bi-LSTM 结构预测模型
Fig. 5 Prediction model of Bi-LSTM architecture

在训练 Bi-LSTM 预测模型前，需构建包含 200 个代表性构型的数据集，涵盖构型特征及应力-应变
数据这 2 个核心要素。24 个关键控制节点作为构型特征，通过二值化与矩阵化转化为长度为 24 的标准
化数组，确保预测模型有效读取与处理。200 个代表性构型的应力-应变数据通过有限元模拟获取，输出
为应力-应变曲线上 701 个离散应变点对应的应力值，为模型训练提供可靠支撑。模型采用修正线性单
元（rectified linear unit, ReLU）作为激活函数，并使用 Adam 优化器最小化预测应力与有限元结果之间的
均方误差（mean squared error, MSE）。在训练阶段，将 200 个代表性构型的数据集按 80% 与 20% 的比例
划分为训练集与验证集。利用训练集对 Bi-LSTM 模型进行迭代训练，使用验证集计算作为训练评价指
标的损失参数，共训练 300 次直至损失参数稳定。保存损失参数最小的模型版本作为最优预测模型。经
训练后的模型可在输入任一构型特征后，于秒级时间内输出完整的应力-应变曲线。相较于单个构型需
6 h 以上计算时间的传统有限元方法，该预测模型实现了每秒预测 300 种构型的高效性能，极大提升了预
测的时效性与实用性。
基于 Bi-LSTM 模型预测的应力-应变曲线，进一步分析能量吸收特性，归纳 HOIL 的力学性能规

101501-5