融合先验知识的混凝土侵彻深度试验数据异常点检测算法

秦帅; 刘浩; 陈力; 张磊

doi:10.11883/bzycj-2023-0287

融合先验知识的混凝土侵彻深度试验数据异常点检测算法

doi: 10.11883/bzycj-2023-0287

秦帅^{1, 2,},
刘浩^{1, 3},
陈力¹,
张磊^1, ,

1.
军事科学院国防工程研究院，河南洛阳，471000
2.
哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨，150001
3.
哈尔滨工程大学航天与建筑工程学院，黑龙江哈尔滨，150001

基金项目: 国家自然科学基金（12172381）；中原科技创新领军人才项目（234200510016）

详细信息

作者简介:
秦　帅（1995－　），男，博士研究生，2013061315@hrbeu.edu.cn

通讯作者:
张　磊（1974－　），男，博士，研究员，ustczhanglei@163.com

中图分类号: O385
计量
- 文章访问数: 327
- HTML全文浏览量: 104
- PDF下载量: 135
- 被引次数: 0
出版历程
- 收稿日期: 2023-08-14
- 修回日期: 2023-11-23
- 网络出版日期: 2023-11-24
- 刊出日期: 2024-03-14

Outlier detection algorithms for penetration depth data of concrete targets combined with prior knowledge

QIN Shuai^{1, 2
,},
LIU Hao^{1, 3},
CHEN Li¹,
ZHANG Lei^{1
, ,}

1.
Institute of Defense Engineering, AMS, Luoyang 471000, Henan, China
2.
College of Computer Science and Technology, Harbin Engineering University, Harbin 150001, Heilongjiang, China
3.
College of Aerospace and Civil Engineering, Harbin Engineering University, Harbin 150001, Heilongjiang, China

摘要

摘要: 为剔除混凝土侵彻深度试验数据异常点，提出了一种融合先验知识的异常检测算法。利用反向传播（back propagation, BP）神经网络模型拟合试验样本数据的分布，结合偏差指标筛选离群样本点，并通过经验算法评价模型异常检测性能。针对试验数据特点选择全量梯度下降结合动量优化方法，从而提高模型迭代训练的稳定性和效率，并且在构建模型过程中融合领域先验知识约束对样本数据的拟合，使得模型在训练过程中能反映附加特征的影响。结果表明，BP神经网络模型适合于刚性弹对混凝土侵彻试验数据异常点的检测，加入合理的领域先验知识可有效提高模型的检测精度。
- 混凝土侵彻 /
- 神经网络 /
- 先验知识 /
- 异常检测
Abstract: Data quality is the basis for the validity and accuracy of data-driven models, and there may be a large number of anomalies in the raw concrete targets penetration depth data. Therefore, to ensure the accuracy of the subsequent data-driven model, it is necessary to eliminate the outlier of the raw data. Compared with the traditional anomaly detection method, the anomaly detection method based on neural network models is more suitable for complex multi-dimensional and unevenly distributed concrete target penetration depth data. However, relying only on the neural network model to fit the raw experimental data ignores the abundant and effective expert prior knowledge, which will reduce the accuracy of the model, and even lead to wrong prediction results due to the limited amount of data of the training sample, data bad pixels, poor data distribution, etc. To this end, an algorithm for outlier detection of concrete target penetration depth data combined with prior knowledge was proposed. Firstly, the back propagation (BP) neural network model is used to fit the distribution of the experiment samples, then the outlier is screened out based on the deviation index, and at last, the anomaly detection performance of the model is evaluated by the empirical algorithm. Based on the characteristics of the experimental data, the batch gradient descent combined with the momentum optimization method is selected to improve the stability and efficiency during training. Furthermore, by adding domain prior knowledge with the BP neural network model to constrain the fitting of the sample data, the model can reflect the influence of additional features during training. The research results show that the BP neural network model is suitable for the outlier detection of the rigid projectile penetrating concrete experiment data. The fusion of reasonable prior knowledge can improve the detection accuracy and the convergence speed of the model, furthermore, integrating different prior knowledge will cause different results.
- concrete penetration /
- neural network /
- prior knowledge /
- anomaly detection

HTML全文

随着现代工业发展，单一金属材料的性能已很难满足要求，层状金属复合板结合了金属组元各自的优点，可获得单一金属材料不具有的物理和化学性能，同时节约了大量贵重金属材料，具有很高的经济价值与应用前景。目前层状金属复合板广泛采用爆炸法进行焊接^[1]。

铝合金具有密度小、导电性好、导热率高、耐腐蚀等优点，其复合板材已广泛应用于航空航天、汽车、机械制造、船舶、化工等领域。由于铝合金与钢直接爆炸焊接存在一定困难，通常在基覆板中间加入纯铝、钛、镍等过渡层，然后经过2次或多次爆炸焊接将铝合金与钢复合在一起，形成铝合金-铝-钢、铝合金-钛-钢、铝合金-钛-镍-钢等3层或者多层结构的复合板^[2-5]，但爆炸焊接工序多、效率低、成本较高。

本文中采用铝合金与表面开有燕尾槽的钢板进行直接爆炸焊接，为铝合金与钢的爆炸焊接提供一种新方法。其具有简化焊接工序、降低焊接药量、减少环境污染以及提高焊接质量和效率等优点。

1. 实验材料及方法

爆炸焊接基板为Q345钢，尺寸为15 mm×400 mm×400 mm，覆板为5083铝合金，尺寸为4 mm×410 mm×410 mm。其物理性能和机械性能如表 1所示。表中T_m、c、ρ和H_V分别为金属材料的熔点、体积声速、密度和维氏硬度；σ_s和σ_b分别为金属材料的拉伸强度和屈服强度。

表 1 基板与覆板的物理和机械性能

Table 1. Physical and mechanical properties of flyer and base plates

金属材料	T_m/℃	ρ/(g·cm^-3)	H_V	σ_s/MPa	σ_b/MPa	c/(m·s^-1)
5083铝合金	570~640	2.72	61	125	270	6 300
Q345钢	1 523	7.85	168	385	609	6 000

下载: 导出CSV

| 显示表格

在基板表面分别沿着横向和纵向开出上底面2 mm、下底面3 mm、高1 mm的燕尾槽，其中燕尾槽上底面的间距为3 mm，如图 1所示。

图 1 燕尾槽截面示意图

Figure 1. Schematic of cross-section of dovetail grooves

下载: 全尺寸图片幻灯片

实验以乳化基质、敏化剂膨胀珍珠岩以及稀释剂工业食盐调配成的低爆速乳化炸药作为焊接炸药。焊接炸药的药框采用铝蜂窝板，材质为厚50 μm的3003H24铝合金，蜂窝孔呈正六边形，边长8 mm，如图 2所示。其具有结构稳定、强度高、刚度大、平面度好等优点。根据焊接药量选择合适高度的铝蜂窝板后，将炸药填入铝蜂窝板孔隙，制成铝蜂窝炸药，如图 3所示。铝蜂窝板可保证各位置焊接炸药厚度相同。

图 2 铝蜂窝板

Figure 2. Aluminum honeycomb panel

下载: 全尺寸图片幻灯片

图 3 铝蜂窝炸药

Figure 3. Aluminum honeycomb explosive

下载: 全尺寸图片幻灯片

爆炸焊接装置为平行安装结构，起爆端位于炸药的中心位置，如图 4所示。爆炸焊接后采用Carl Zeiss Axio Imager A1m型金相显微镜和XL-30 ESEM型环境电子扫描显微镜观察铝合金与燕尾槽钢爆炸复合板结合界面的微观形貌，然后再采用MTS-810型万能试验机进行拉伸和剪切实验，检测爆炸复合板的力学性能。

图 4 爆炸焊接装置示意图

Figure 4. Schematic of explosive welding set-up

下载: 全尺寸图片幻灯片

2. 铝合金-钢爆炸焊接参数

选择合理的焊接参数是实现爆炸焊接并获得良好焊接质量的前提和关键。动态碰撞角、碰撞点移动速度、碰撞速度是爆炸焊接的主要动态参数，其中任意两参数相互独立，其在同一平面内构成了爆炸焊接区域，即爆炸焊接窗口^[6]。在此窗口内均可获得良好的焊接质量，而且一般爆炸焊接下限附近复合板的焊接质量最好^[7-8]。

同种金属材料爆炸焊接产生金属射流的最小碰撞速度v_{p, min}以及碰撞压力p公式为^[9-10]：

$v_{{\rm{p}} \cdot \min }=\left(\frac{\sigma_{{\rm{b}}}}{\rho}\right)^{1 / 2}$

(1)

$p=\frac{1}{2} \rho v_{{\rm{p}}} c$

(2)

式中：σ_b为金属材料的抗拉强度，ρ为金属材料的密度，c为金属材料的体积声速, v_p为金属材料的碰撞速度。

根据式(1)得到两种相同金属材料的最小碰撞速度v_{p, min1}和v_{p, min2}后，代入式(2)得到相应的碰撞压力p_min1和p_min2，取p_min=max(p_min1, p_min2)，则不同金属材料间的最小碰撞速度v_{p, min}为^[10]：

$v_{{\rm{p}}, \min }=p_{\min }\left(\frac{1}{c_{1} \rho_{1}}+\frac{1}{c_{2} \rho_{2}}\right)$

(3)

式中：ρ₁和ρ₂分别为覆板和基板的密度，c₁和c₂分别为覆板和基板的体积声速。

当碰撞点移动速度v_cp等于临界碰撞点移动速度v_c时，金属表面开始从层流过渡到湍流，为获得良好的焊接质量，碰撞点移动速度v_cp应大于临界碰撞点移动速度v_c小于金属材料的体积声速c。临界碰撞点移动速度v_c计算公式为^[11]：

$v_{{\rm{c}}}=\left[\frac{2 Re\left(H_{1}+H_{2}\right)}{\rho_{1}+\rho_{2}}\right]^{1 / 2}$

(4)

式中：Re为适用流动过程的雷诺数，取Re=10.6；H₁和H₂分别为覆板和基板的维氏硬度；ρ₁和ρ₂分别为覆板和基板的密度。

根据式(1)~(4)得到铝合金与钢爆炸焊接的最小碰撞速度v_{p, min}=522 m/s、碰撞压力p=4.5 GPa、临界碰撞点移动速度v_c=2 122 m/s。

S.W.Stivers等^[10]根据临界碰撞点移动速度v_c给出了相应碰撞点移动速度v_cp大于2 000 m/s、小于2 500 m/s的表达式：

$v_{{\rm{cp}}}=v_{{\rm{c}}}+200$

(5)

炸药爆速v_d与碰撞点移动速度v_cp相等, 均为2 222 m/s，所以选用爆速约为2 300 m/s的乳化炸药进行爆炸焊接实验。A.A.Ezra^[12]认为产生强烈塑性流动和金属射流的临界压力p_c大约为金属材料静态屈服强度的10~12倍，则铝合金与钢的临界碰撞压力p_c分别为1.25~1.50 GPa和3.85~4.62 GPa。铝合金与燕尾槽钢爆炸焊接实验的碰撞速度v_p靠近铝合金-钢爆炸复合的最小碰撞速度v_{p, min}，取v_p=600 m/s，此时界面的碰撞压力p=5.1 GPa，则铝合金与燕尾槽钢内表面产生强烈的塑性变形和金属射流。

覆板与基板爆炸焊接简化为一维运动，则对于γ=2.5乳化炸药的覆板碰撞速度v_p可表达为^[13]：

$v_{{\rm{p}}}=1.2 v_{{\rm{d}}} \frac{\left(1+\frac{32}{27} R\right)^{1 / 2}-1}{\left(1+\frac{32}{27} R\right)^{1 / 2}+1}$

(6)

式中：R=ρ₀δ₀/ρ₁δ₁，δ₀=W_g/ρ₀。

覆板和基板间距的经验公式为^[10]：

$h=0.2\left(\delta_{0}+\delta_{1}\right)$

(7)

式中：R为质量比；ρ₀为炸药密度，kg/m³；W_g为单位面积炸药药量，g/cm²；h为基板和覆板的间距，cm；δ₁为覆板厚度，cm；δ为焊接炸药厚度，mm。

由式(5)~(7)得到铝合金与燕尾槽钢爆炸焊接参数，炸药密度为0.78 g/cm³、炸药与覆层的质量比为1.19、炸药药量为2 168 g和基层覆层间距为4.1 mm。

3. 实验结果与分析

3.1 铝合金-燕尾槽钢爆炸复合板

爆炸焊接后进行较平、打磨，得到厚18 mm的铝合金-燕尾槽钢复合板，其中铝合金层厚3 mm，钢层厚15 mm。然后沿着爆轰方向切割复合板，观察界面结合紧密，焊接质量良好，靠近边缘处的复合板截面如图 5所示。由于覆板面积比基板大，将空气稀疏波作用范围引向基板边缘之外，使得靠近边缘处铝合金与燕尾槽钢的碰撞压力基本不受影响，而且铝合金与钢依靠燕尾槽相互挤压啮合在一起，抑制反射拉伸波将界面拉开，所以铝合金-燕尾槽钢爆炸复合板的边缘处基本无边界效应。由于铝合金与燕尾槽钢采用一次爆炸焊接工艺复合在一起，减少了焊接工序以及药量，提高了焊接质量和效率，同时减少了环境的污染。

图 5 爆炸复合板截面实物图

Figure 5. Image of actual cross-section of explosive clad plate

下载: 全尺寸图片幻灯片

传统铝合金与钢直接爆炸焊接时在塑性变形热和绝热压缩热作用下界面易产生过熔现象以及多种脆性金属间化合物，而且铝合金的凝固温度范围较宽，使得界面凝固时间以及受反射拉伸波作用时间延长，造成焊接质量较差，甚至界面被拉开，所以铝合金与钢直接爆炸焊接存在一定的困难。本文中采用表面开有燕尾槽的钢板与铝合金进行直接爆炸焊接。在焊接炸药能量的作用下，一部分铝合金与燕尾槽上底面高速撞击，使得碰撞区铝合金与钢的内表面均产生强烈的塑性变形，物理性质类似流体，此时形成的金属射流消除了碰撞点前金属表面的氧化膜和污染物，露出具有活性的新鲜金属，使其在高温、高压以及剧烈的塑性变形作用下进行冶金结合，另一部分铝合金则向燕尾槽内高速运动，被压入燕尾槽的铝合金与燕尾槽下底面进行冶金结合过程中，同时向燕尾槽的倾斜面运动，充满整个燕尾槽，此时界面空气受到绝热压缩，使铝合金与燕尾槽倾斜面在绝热压缩热的作用下形成中间过渡层，从而复合在一起。总之，铝合金与燕尾槽钢在燕尾槽的挤压啮合作用下充分进行冶金结合，抑制反射拉伸波将界面拉开，实现直接爆炸焊接。

3.2 铝合金-燕尾槽钢爆炸复合板力学性能分析

界面结合强度是衡量焊接质量优劣的重要指标之一，按照GB/T 6396-2008《复合钢板力学及工艺性能试验方法》和GB/T 6396-2002《金属材料室温拉伸试验方法》分别切割4个平行试件进行拉伸实验和剪切实验，结果如表 2所示, 表中S_b和σ_b分别为拉伸试件的截面面积和拉伸强度，S_τ和σ_τ分别为剪切试件的结合面积和剪切强度。。

表 2 爆炸复合板的力学性能实验结果

Table 2. Experimental results of mechanical properties of explosive clad plate

实验编号	S_b/(mm×mm)	σ_b/MPa	S_τ/(mm×mm)	σ_τ/MPa
1	10×10	522	4.5×25	178
2	10×10	538	4.5×25	183
3	10×10	527	4.5×25	190
4	10×10	543	4.5×25	172

下载: 导出CSV

| 显示表格

由表 2可知，铝合金-燕尾槽钢爆炸复合板的平均拉伸强度为532.5 MPa，平均剪切强度为180.8 MPa。铝合金-燕尾槽钢复合板的理论抗拉强度下限为507.3 MPa^[14]，复合板4个平行试件的抗拉强度均大于其理论抗拉强度下限。一般在冲击载荷作用下金属材料的抗拉强度将增大，所以铝合金-燕尾槽钢爆炸复合板的抗拉强度大于其理论抗拉强度下限。

铝合金-燕尾槽钢爆炸复合板拉剪实验时界面未发生分离，断裂位置位于铝合金一侧，如图 6所示。由表 2可知，铝合金-燕尾槽钢爆炸复合板界面的剪切强度大于172 MPa，满足铝合金-钢复合板结合强度的要求。铝合金与钢在冶金结合和燕尾槽的挤压啮合作用下抑制复合板界面被拉开，同时其结合面积比传统铝合金-钢复合板大145%，使复合板界面的结合强度增大，所以拉剪实验时断裂位置位于铝合金一侧。

图 6 拉剪破坏试件实物图

Figure 6. Image of actual tensile shear failure specimen

下载: 全尺寸图片幻灯片

4. 铝合金-燕尾槽钢爆炸复合板结合界面的微观形貌观察

4.1 复合板结合界面金相组织

选取铝合金-燕尾槽钢爆炸复合板结合界面的4个位置进行金相组织观察，分别位于铝合金与燕尾槽上底面(A)、倾斜面(B)、下底面(C)以及拐角处(D)，如图 7所示。

图 7 爆炸复合板金相观察位置

Figure 7. Metallographic observation points of explosive clad plate

下载: 全尺寸图片幻灯片

根据图 7标注的位置，采用金相显微镜得到铝合金与燕尾槽上底面、倾斜面、下底面以及拐角处结合界面的金相组织，如图 8所示。

图 8 爆炸复合板界面的金相组织图

Figure 8. Metallographic images at the interfaces of 5083/Q345 clad plate

下载: 全尺寸图片幻灯片

由图 8中4个不同位置的金相组织可知，铝合金与燕尾槽上底面、倾斜面、下底面基本均以平直状的方式结合，铝合金与燕尾槽拐角处结合紧密。铝合金与钢产生金属射流的临界碰撞压力分别为1.25~1.50 GPa和3.85~4.62 GPa，而本实验中铝合金与燕尾槽钢爆炸焊接的碰撞压力为5.1 GPa，界面两侧产生强烈的塑性变形和金属射流，使得铝合金与钢以冶金结合的方式复合在一起。由于铝合金与钢的密度、熔点等物理性能相差较大，所以铝合金与钢复合板界面结合均呈平直状。

4.2 复合板结合界面扫描电镜

图 9(a)、(b)、(c)和(d)分别为铝合金与燕尾槽上底面、倾斜面、下底面以及拐角处结合界面的扫描电镜图，由图 9可知，铝合金与钢结合界面出现不同于铝合金层与钢层的中间过渡层，其中铝合金与燕尾槽上底面中间过渡层的厚度为0~20 μm；铝合金与燕尾槽倾斜面的中间过渡层的厚度为20~120 μm，其中含有气孔等微观缺陷；铝合金与燕尾槽下底面中间过渡层的厚度为0~30 μm。铝合金与燕尾槽倾斜面的中间过渡层厚度比铝合金与上底面和下底面的中间过渡层厚度大。

图 9 爆炸复合板界面扫描电镜图

Figure 9. SEM images of the interfaces of explosive clad plate

下载: 全尺寸图片幻灯片

铝合金与燕尾槽钢在爆炸焊接过程中，界面空气受到绝热压缩向四周和燕尾槽运动，铝合金与燕尾槽上底面与下底面高速碰撞下产生剧烈的塑性变形以及塑性变形热，使其以直接结合和不连续的熔化块相结合的方式结合，而被压入燕尾槽的铝合金在与燕尾槽下底面冶金结合过程中，同时受到挤压向燕尾槽倾斜面运动，此时界面空气受到绝热压缩，在绝热压缩热的作用下产生厚度不均的连续熔化层，从而使铝合金与燕尾槽倾斜面结合在一起。由于铝合金与燕尾槽倾斜面的空气无法全部排出，进入熔体金属内产生气孔等微观缺陷。

4.3 铝合金-燕尾槽钢爆炸复合板结合界面能谱分析

为进一步研究铝合金-钢爆炸复合板的中间过渡层，分别对铝合金与燕尾槽上底面的界面进行线扫描能谱分析以及复合板的铝合金层、中间过渡层和钢层进行点扫描能谱分析，如图 10和表 3所示。

图 10 爆炸复合板界面能谱分析

Figure 10. EDS analysis across the interface of explosive clad plate

下载: 全尺寸图片幻灯片

表 3 界面不同位置的化学成分(摩尔分数)

Table 3. Chemical components at different points on the interface (mole fraction)

界面位置	x_Al/%	x_Fe/%
1	99.16	0.84
2	73.32	26.68
3	76.11	23.89
4	72.45	27.55
5	0.43	99.57

下载: 导出CSV

| 显示表格

由图 10可知，对铝合金与燕尾槽钢上底面的界面进行线扫描，在中间过渡层出现宽约20 μm的平台，并根据表 3中间过渡层铝、铁的原子分数比例可知，表明中间过渡层生成了含有Al和Fe的金属间化合物。铝与钢爆炸焊接过程中界面两侧金属在高温、高压和强烈的塑性变形作用下产生熔化，可能生成FeAl₃、FeAl₂、FeAl等多种脆性金属间化合物^[15]。

5. 结论

(1) 铝合金与燕尾槽钢在燕尾槽的挤压啮合作用下充分进行冶金结合，抑制反射拉伸波将界面拉开，从而实现爆炸复合，为铝合金与钢的爆炸焊接提供一种新方法。

(2) 铝合金与燕尾槽钢爆炸复合板界面结合紧密，焊接质量良好。拉剪实验时试件断裂位置位于铝合金一侧，其剪切强度大于172 MPa，满足Al/Fe复合板结合强度的要求。

(3) 铝合金与燕尾槽上底面、倾斜面、下底面结合界面均呈平直状，其中铝合金与燕尾槽上底面、下底面以直接结合和不连续的熔化块相结合的方式结合，铝合金与燕尾槽倾斜面以连续的熔化层的方式结合。铝合金与燕尾槽倾斜面的中间过渡层厚度比铝合金与燕尾槽上底面以及下底面中间过渡层厚度大，而且其中间过渡层含有气孔等微观缺陷。

(4) 5083/Q345复合板界面的中间过渡层生成了含有Al和Fe的金属间化合物。

图 1 构建的4种神经网络模型基本结构

Figure 1. Basic structures of the four neural network models constructed

下载: 全尺寸图片幻灯片

图 2 4种神经网络模型预测的无量纲侵彻深度与真实无量纲侵彻深度的相对偏差

Figure 2. Relative deviations between the predicted dimensionless penetration depths by the four neural network models and the actual dimensionless penetration depth

下载: 全尺寸图片幻灯片

图 3 4种模型训练误差对比

Figure 3. Comparison of training losses of the four models

下载: 全尺寸图片幻灯片

表 1 试验数据示例

Table 1. Examples of experimental data

d/m	m/kg	v/(m·s⁻¹)	f_c/MPa	N^*	x/d
0.01292	0.064	371	13.8	1	9.83
0.0762	5.9	308	35.1	3	3.04
0.305	191.62	79	39.0	2	0.098
0.01292	0.064	1142	13.8	0	65.79
$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$

下载: 导出CSV

表 2 各速度区间数据分布

Table 2. Data distribution in each velocity range

速度区间/(m·s⁻¹)	样本数/个	速度区间/(m·s⁻¹)	样本数/个
[0, 400]	379	(800, 1200]	117
(400, 800]	542	(1200, 1700]	40

下载: 导出CSV

表 3 各质量区间数据分布

Table 3. Data distribution in each mass range

质量区间/kg	样本数/个	质量区间/kg	样本数/个
[0, 50]	991	(100, 500]	56
(50, 100]	31

下载: 导出CSV

表 4 异常数据示例

Table 4. Examples of outlier data

数据编号	d/m	m/kg	v/(m·s⁻¹)	f_c/MPa	N^*	x/d	备注
306	0.0127	0.0587	399	29.2	0	9.40
307	0.0127	0.0587	334.9	29.2	0	11.19	异常数据
308	0.0127	0.0587	453.8	29.2	0	11.04
569	0.05	4.5	417	135	2	9.9
571	0.05	4.5	460	135	2	11.2
573	0.05	4.5	456	135	2	10.8
577	0.05	4.5	456	135	2	5	异常数据
$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$

下载: 导出CSV

表 5 模型异常检测性能对比

Table 5. Comparison of the outlier detection performances of the models

模型	样本总数	模型剔除异常样本点数	经验算法评判异常样本点数	准确率
无融合先验知识	1078	128	87	0.6796
融合单先验参数	1078	113	78	0.6903
融合双先验参数	1078	115	86	0.7478
融合三先验参数	1078	112	82	0.7321

下载: 导出CSV

参考文献(23)

[1]	张磊, 吴昊, 赵强, 等. 基于数据挖掘技术的地下工程目标毁伤效应计算方法 [J]. 爆炸与冲击, 2021, 41(3): 031101. DOI: 10.11883/bzycj-2020-0114. ZHANG L, WU H, ZHAO Q, et al. Calculation method of damage effects of underground engineering objectives based on data mining technology [J]. Explosion and Shock Waves, 2021, 41(3): 031101. DOI: 10.11883/bzycj-2020-0114.
[2]	LI Q L, WANG Y, SHAO Y D, et al. A comparative study on the most effective machine learning model for blast loading prediction: from GBDT to Transformer [J]. Engineering Structures, 2023, 276: 115310. DOI: 10.1016/j.engstruct.2022.115310.
[3]	ALMUSTAFA M K, NEHDI M L. Machine learning model for predicting structural response of RC slabs exposed to blast loading [J]. Engineering Structures, 2020, 221: 111109. DOI: 10.1016/j.engstruct.2020.111109.
[4]	ALMUSTAFA M K, NEHDI M L. Machine learning model for predicting structural response of RC columns subjected to blast loading [J]. International Journal of Impact Engineering, 2022, 162: 104145. DOI: 10.1016/j.ijimpeng.2021.104145.
[5]	ZHAO C F, ZHU Y F, ZHOU Z H. Machine learning-based approaches for predicting the dynamic response of RC slabs under blast loads [J]. Engineering Structures, 2022, 273: 115104. DOI: 10.1016/j.engstruct.2022.115104.
[6]	NETO L B, SALEH M, PICKERD V, et al. Rapid mechanical evaluation of quadrangular steel plates subjected to localised blast loadings [J]. International Journal of Impact Engineering, 2020, 137: 103461. DOI: 10.1016/j.ijimpeng.2019.103461.
[7]	WANG H Z, BAH M J, HAMMAD M. Progress in outlier detection techniques: a survey [J]. IEEE Access, 2019, 7: 107964–108000. DOI: 10.1109/ACCESS.2019.2932769.
[8]	PANG G S, SHEN C H, CAO L B, et al. Deep learning for anomaly detection: a review [J]. ACM Computing Surveys, 2021, 54(2): 38. DOI: 10.1145/3439950.
[9]	MURALIDHAR N, ISLAM M R, MARWAH M, et al. Incorporating prior domain knowledge into deep neural networks [C]//2018 IEEE International Conference on Big Data. Seattle: IEEE, 2018: 36–45. DOI: 10.1109/BigData.2018.8621955.
[10]	ZHANG W E, SHENG Q Z, ALHAZMI A, et al. Adversarial attacks on deep-learning models in natural language processing: a survey [J]. ACM Transactions on Intelligent Systems and Technology, 2020, 11(3): 24. DOI: 10.1145/3374217.
[11]	VON RUEDEN L, MAYER S, BECKH K, et al. Informed machine learning: a taxonomy and survey of integrating prior knowledge into learning systems [J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(1): 614–633. DOI: 10.1109/TKDE.2021.3079836.
[12]	FORRESTAL M J, LUK V K. Dynamic spherical cavity-expansion in a compressible elastic-plastic solid [J]. Journal of Applied Mechanics, 1988, 55(2): 275–279. DOI: 10.1115/1.3173672.
[13]	文鹤鸣. 混凝土靶板冲击响应的经验公式 [J]. 爆炸与冲击, 2003, 23(3): 267–274. WEN H M. Empirical equations for the impact response of concrete targets [J]. Explosion and Shock Waves, 2003, 23(3): 267–274.
[14]	CHEN X W, LI Q M. Deep penetration of a non-deformable projectile with different geometrical characteristics [J]. International Journal of Impact Engineering, 2002, 27(6): 619–637. DOI: 10.1016/S0734-743X(02)00005-2.
[15]	LI Q M, CHEN X W. Dimensionless formulae for penetration depth of concrete target impacted by a non-deformable projectile [J]. International Journal of Impact Engineering, 2003, 28(1): 93–116. DOI: 10.1016/S0734-743X(02)00037-4.
[16]	任辉启, 穆朝民, 刘瑞朝, 等. 精确制导武器侵彻效应与工程防护[M]. 北京: 科学出版社, 2016: 54−58.
[17]	陈小伟. 穿甲/侵彻力学的理论建模与分析 [M]. 北京: 科学出版社, 2019.
[18]	王清华, 徐丰, 郭伟国. 基于ANN-GA协同寻优的动态拉伸试样尺寸优化方法 [J]. 爆炸与冲击, 2022, 42(1): 014201. DOI: 10.11883/bzycj-2021-0218. WANG Q H, XU F, GUO W G. A method of geometry optimization for dynamic tensile specimen based on artificial neural network and genetic algorithm [J]. Explosion and Shock Waves, 2022, 42(1): 014201. DOI: 10.11883/bzycj-2021-0218.
[19]	李秦超, 姚成宝, 程帅, 等. 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 Q C, YAO C B, CHENG S, et al. 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.
[20]	MUSTAPHA A, MOHAMED L, ALI K. An overview of gradient descent algorithm optimization in machine learning: Application in the ophthalmology field [C]//The 3rd International Conference on Smart Applications and Data Analysis. Marrakesh, Morocco: Springer, 2020: 349–359. DOI: 10.1007/978-3-030-45183-7_27.
[21]	ZHANG L, WANG J M, JIANG M W, et al. Evaluation method based on random forests for empirical algorithms of penetration effects [C]//2022 International Conference on Machine Learning, Cloud Computing and Intelligent Mining (MLCCIM). Xiamen, Fujian, China: IEEE, 2022: 73–78. DOI: 10.1109/MLCCIM55934.2022.00020.
[22]	FULLARD K, BARR P. Development of design guidance for low velocity impacts on concrete floors [J]. Nuclear Engineering and Design, 1989, 115(1): 113–120. DOI: 10.1016/0029-5493(89)90264-1.
[23]	YOUNG C W. Penetration equations [R]. Albuquerque, NM, United States: Sandia National Lab, 1997. DOI: 10.2172/562498.