神经网络状态方程在强爆炸冲击波数值模拟中的应用

李秦超 姚成宝 程帅 张德志 刘文祥

李秦超, 姚成宝, 程帅, 张德志, 刘文祥. 神经网络状态方程在强爆炸冲击波数值模拟中的应用[J]. 爆炸与冲击, 2023, 43(4): 044202. doi: 10.11883/bzycj-2022-0222
引用本文: 李秦超, 姚成宝, 程帅, 张德志, 刘文祥. 神经网络状态方程在强爆炸冲击波数值模拟中的应用[J]. 爆炸与冲击, 2023, 43(4): 044202. doi: 10.11883/bzycj-2022-0222
LI Qinchao, YAO Chengbao, CHENG Shuai, ZHANG Dezhi, LIU Wenxiang. Application of the neural network equation of state in numerical simulation of intense blast wave[J]. Explosion And Shock Waves, 2023, 43(4): 044202. doi: 10.11883/bzycj-2022-0222
Citation: LI Qinchao, YAO Chengbao, CHENG Shuai, ZHANG Dezhi, LIU Wenxiang. Application of the neural network equation of state in numerical simulation of intense blast wave[J]. Explosion And Shock Waves, 2023, 43(4): 044202. doi: 10.11883/bzycj-2022-0222

神经网络状态方程在强爆炸冲击波数值模拟中的应用

doi: 10.11883/bzycj-2022-0222
详细信息
    作者简介:

    李秦超(1998- ),男,硕士研究生,liqinchao@nint.ac.cn

    通讯作者:

    刘文祥(1982- ),男,博士,研究员,liuwenxiang@nint.ac.cn

  • 中图分类号: O382.1

Application of the neural network equation of state in numerical simulation of intense blast wave

  • 摘要: 强爆炸数值模拟的主要挑战在于如何准确地描述爆炸产物状态方程。利用BP神经网络和强爆炸产物状态数据对神经网络产物状态方程进行训练,并将得到的状态方程植入自编的一维球对称数值模拟程序,对强爆炸冲击波参数进行了计算。结果显示,计算得到的冲击波峰值超压、冲击波到时、正压时间与标准值吻合较好,证明将神经网络状态方程应用于强爆炸冲击波数值模拟是可行的。研究结果对确定强爆炸数值模拟方法具有很好的借鉴意义。
  • 图  1  神经网络状态方程概念

    Figure  1.  Conceptual sketch of equation of state using neural network

    图  2  数据样本散点图

    Figure  2.  Data sample scatter plot

    图  3  神经网络参数结构

    Figure  3.  Neural network parameter structure

    图  4  神经网络状态方程建立过程

    Figure  4.  Establishment process of equation of state using neural network

    图  5  神经网络结构

    Figure  5.  Neural network structure

    图  6  神经网络训练表现

    Figure  6.  Neural network training performance

    图  7  神经网络整体运算结构

    Figure  7.  The overall operational structure of neural network

    图  8  隐含层运算结构

    Figure  8.  Hidden layer operation structure

    图  9  训练集检测拟合精度

    Figure  9.  Fitting accuracy of training set

    图  10  神经网络压力输出相对误差

    Figure  10.  Relative error of pressure output value of neural network

    图  11  测试集检测是否过拟合

    Figure  11.  Test set detecting over-fitting

    图  12  爆后166 ms爆炸流场分布

    Figure  12.  Explosive flow field distribution at 166 ms after the explosion

    图  13  爆炸流场历程曲线

    Figure  13.  Explosive flow field history curve

    图  14  数值计算结果对比

    Figure  14.  Comparison of numerical results

    表  1  芝麻数据库中铁蒸气数据(部分)

    Table  1.   Iron steam data in sesame data(part)

    密度/(kg·m−3)比内能/(MJ·kg −1)压力/GPa密度/(kg·m−3)比内能/(MJ·kg −1)压力/GPa
    61.32825.062384.18117.0121.508704.39
    61.32883.3711600.9117.0177.8212937.6
    61.328255.243982.1117.01241.897347.0
    61.328848.0912766117.01757.2222873
    61.3283368.354259117.013055.897777
    下载: 导出CSV

    表  2  不同隐含层数量对应的理论单层最大节点数

    Table  2.   The number of the maximum nodes of single layer

    隐含层总数12345678
    理论最大节点27530221815131211
    下载: 导出CSV

    表  3  神经网络结构测试均方误差

    Table  3.   Mean squared error of different Neural network structure

    LNδ1/10−5δ2/10−5δ3/10−5δ4/10−5δ/10−5
    2516.72.82.01.45.725
    1013.228.512.12.914.175
    152.60.91.01.61.525
    201.51.20.91.41.25
    251.41.814.62.55.075
    30*11.25.816.911.611.375
    351.15.21.81.12.3
    100.310.10.80.22.85
    153.80.90.22.11.75
    200.40.50.94.21.5
    22*1.15.60.62.72.5
    452.64.00.915.65.775
    100.61.01.10.50.8**
    150.74.51.11.01.825
    18*2.60.73.824.37.85
    557.514.32.01.46.3
    101.40.50.62.01.125**
    15*0.70.21.110.03
    651.20.91.71.81.4
    100.50.51.00.50.625**
    13*0.50.50.80.40.55**
    754.119.11.40.96.375
    91.22.23.31.92.15
    12*0.40.50.71.30.725**
    注: * 理论最大节点数;** 平均δ小于1.2×10−5
    下载: 导出CSV

    表  4  神经网络参数组成

    Table  4.   Neural network parameter composition

    节点权值阈值激活函数
    输入层2
    隐含层11010×210×1y=tanhx
    隐含层21010×1010×1y=tanhx
    隐含层31010×1010×1y=tanhx
    隐含层41010×1010×1y=tanhx
    输出层11×101y = x
    元素总和4333041
    下载: 导出CSV

    表  5  装置初始参数

    Table  5.   Initial device parameter

    TNT当量/kt质量/kg半径/m平均密度/(g·cm−3)比内能/(GJ·kg−1)
    15500.21.4921067
    下载: 导出CSV

    表  6  数值计算误差

    Table  6.   Error of numerical simulation

    爆心距/m峰值超压/GPa 到时/ms 正压作用时间/ms 误差/%
    计算值参考值计算值参考值计算值参考值峰值超压到时正压作用时间
    5053.5746.482.5922.944 372.3405.7 15.312.0 8.2
    1007.2646.13915.1016.65360.2403.718.39.310.8
    2001.0970.851182.1088.22299.1353.228.96.915.3
    3000.45240.3095207.4219.8284.1320.746.25.611.4
    下载: 导出CSV
  • [1] BLAZEK J. Computational fluid dynamics: principles and applications [M]. 3rd ed. San Diego: Butterworth-Heineman, 2015. DOI: 10.1016/C2013-0-19038-1.
    [2] 奥尔连科Л Π. 爆炸物理学 [M]. 孙承纬, 译. 北京: 科学出版社, 2011.

    ОРЛЕНΚО Л Π. Explosion physics [M]. SUN C W, trans. Beijing: Science Press, 2011.
    [3] GHABOUSSI J, GARRETT JR J H, WU X. Knowledge-based modeling of material behavior with neural networks [J]. Journal of Engineering Mechanics, 1991, 117(1): 132–153. DOI: 10.1061/(ASCE)0733-9399(1991)117:1(132.
    [4] JUNG S, GHABOUSSI J. Neural network constitutive model for rate-dependent materials [J]. Computers & Structures, 2006, 84(15/16): 955–963. DOI: 10.1016/j.compstruc.2006.02.015.
    [5] 曹吉星. 钢纤维混凝土的动态本构模型及其有限元方法 [D]. 成都: 西南交通大学, 2011.

    CAO J X. Dynamic constitutive model of steel fiber reinforced concrete and its finite element method [D]. Chengdu: Southwest Jiaotong University, 2011.
    [6] 何龙, 张冉阳, 赵刚要, 等. 基于BP神经网络的GH5188高温合金本构模型 [J]. 特种铸造及有色合金, 2021, 41(2): 223–226. DOI: 10.15980/j.tzzz.2021.02.020.

    HE L, ZHANG R Y, ZHAO G Y, et al. Constitutive model of GH5188 superalloy based on BP neural network [J]. Special Casting & Nonferrous Alloys, 2021, 41(2): 223–226. DOI: 10.15980/j.tzzz.2021.02.020.
    [7] 崔浩, 郭锐, 宋浦, 等. BP-GA算法确定未反应炸药的JWL状态方程参数 [J]. 含能材料, 2022, 30(1): 43–49. DOI: 10.11943/CJEM2021133.

    CUI H, GUO R, SONG P, et al. Determination of parameters of JWL equation of state for unreacted explosives based on BP-GA algorithm [J]. Chinese Journal of Energetic Materials, 2022, 30(1): 43–49. DOI: 10.11943/CJEM2021133.
    [8] 乔登江. 地下核爆炸现象学概论(上册) [M]. 北京: 国防工业出版社, 2002: 46-47.
    [9] 夏先贵. SESAME库的引进和开发 [J]. 爆轰波与冲击波, 1992(2): 26–29.

    XIA X G. Introduction and development of SESAME data [J]. Detonation Wave & Shock Wave, 1992(2): 26–29.
    [10] 夏先贵. 开发应用SESAME EOS数据库在爆轰物理实验中应用 [J]. 爆轰波与冲击波, 1993(3): 19–28.
    [11] 周鼎涛. BP神经网络是不是隐含层节点越多越好, 还是只要最优就行? [EB/OL]. (2022-03-22)[2022-04-01]. https://m.jingyanlib.com/resultpage?id=J7SO2K-JQlcCGxGpLzDIEw.
    [12] 姚成宝, 付梅艳, 韩峰, 等. 欧拉坐标系下具有锐利相界面的可压缩多介质流动数值方法研究 [J]. 力学学报, 2020, 52(4): 1063–1079. DOI: 10.6052/0459-1879-20-054.

    YAO C B, FU M Y, HAN F, et al. Numerical scheme of multi-material compressible flow with sharp interface on eulerian grids [J]. Chinese Journal of Theoretical and Applied Mechanics, 2020, 52(4): 1063–1079. DOI: 10.6052/0459-1879-20-054.
    [13] KHAN F A. On Tsar Bomba—the most powerful nuclear weapon ever tested [J]. Physics Education, 2021, 56(1): 013002. DOI: 10.1088/1361-6552/abbcbc.
    [14] FETTER S, FROLOV V A, MILLER M, et al. Detecting nuclear warheads [J]. Science & Global Security, 1990, 1(3/4): 225–253. DOI: 10.1080/08929889008426333.
    [15] TAYLOR T B. Verified elimination of nuclear warheads [J]. Science & Global Security, 1989, 1(1/2): 1–26. DOI: 10.1080/08929888908426321.
    [16] GLASSTONE S, DOLAN P J. The effects of nuclear weapons [M]. Washington: United States Department of Defense and the United States Department of Energy, 1977.
  • 加载中
图(14) / 表(6)
计量
  • 文章访问数:  489
  • HTML全文浏览量:  330
  • PDF下载量:  152
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-24
  • 修回日期:  2022-10-24
  • 网络出版日期:  2022-10-25
  • 刊出日期:  2023-04-05

目录

    /

    返回文章
    返回