Processing math: 100%
  • ISSN 1001-1455  CN 51-1148/O3
  • EI、Scopus、CA、JST收录
  • 力学类中文核心期刊
  • 中国科技核心期刊、CSCD统计源期刊

高强混凝土动态压缩试验分析

高光发 郭扬波

柏劲松, 刘洋, 陈翰, 钟敏. 端到端机器学习代理模型构建及其在爆轰驱动问题中的应用[J]. 爆炸与冲击. doi: 10.11883/bzycj-2024-0099
引用本文: 高光发, 郭扬波. 高强混凝土动态压缩试验分析[J]. 爆炸与冲击, 2019, 39(3): 033103. doi: 10.11883/bzycj-2017-0405
BAI Jingsong, LIU Yang, CHEN Han, ZHONG Min. Construction of end-to-end machine learning surrogate model and its application in detonation driving problem[J]. Explosion And Shock Waves. doi: 10.11883/bzycj-2024-0099
Citation: GAO Guangfa, GUO Yangbo. Analysis of the dynamic compressive test of high strength concrete[J]. Explosion And Shock Waves, 2019, 39(3): 033103. doi: 10.11883/bzycj-2017-0405

高强混凝土动态压缩试验分析

doi: 10.11883/bzycj-2017-0405
基金项目: 国家自然科学基金(11472008, 11772160, 11202206);“力学”浙江省重中之重学科开放基金(xklx1513);“十三五”装备预研领域基金(KFJJ13-9M);中央高校基本科研业务费专项资金(30915118801)
详细信息
    作者简介:

    高光发(1980- ),博士,教授,博导,gfgao@ustc.edu.cn

  • 中图分类号: O347.3

Analysis of the dynamic compressive test of high strength concrete

  • 摘要: 准确测量混凝土动态压缩性能及其应变率强化效应一直是冲击动力学研究领域的重点和难点之一。针对混凝土大口径SHPB实验,分析探讨了其中几个主要问题:应力均匀性问题、恒应变率问题和端面接触问题。研究表明:对于此次试验中混凝土试件而言,应力均匀性假设限制试验最大应变率小于166 s−1;杆和试件端面接触不平和接触不良使得测算出的杨氏模量和屈服强度明显小于实际值;在此基础上,给出了五步测试法和预应力法;利用复合整形技术实现了近似恒应变率加载。利用以上所发展和改进的技术得到了C110混凝土动静态应力应变曲线,结果显示,在试验范围内混凝土杨氏模量并没有应变率效应,其单轴压缩屈服强度与应变率对数呈线性正比关系,其唯象应变率强化因子为0.10。理论分析表明,大口径SHPB试验所得混凝土应变率效应是一种唯象效应,对于混凝土类压力敏感屈服材料而言,应该根据其屈服面方程对其进行校正,从而得到其本构方程中材料的应变率强化因子,分别利用Tresca屈服准则和K&C本构中屈服面方程对其进行校正,得到C110材料的真实应变率强化因子分别为0.015和0.038。
  • 人工智能(artificial intelligence,AI)是能够和人一样进行感知、认知、决策和执行的人工程序或系统,是新一轮科技革命和产业变革的重要驱动力量。我国在人工智能方面取得了长足进步,集群作战、有人/无人协同作战、智能自主作战等新型作战方式不断涌现,各类新装备层出不穷,作战领域正在发生前所未有的深刻变革[1];国外的人工智能也在高速地发展,如美国国防高级研究计划局(Defense Advanced Research Projects Agency,DARPA)研制的无人水面艇[2],能够自动航行数月、自己设定目标,并且无需指定航线就能理解周围舰船的行为;2022年,美国洛斯阿拉莫斯国家实验室发布了系列报告[3],介绍了实验室未来材料战略的7大领航领域,其中在材料设计和模型开发领域力求使用机器学习人工智能方法实现材料设计和相关驱动预测,并给出了未来6~10年的研究目标。

    机器学习技术是现代人工智能系统的基础和核心,它使计算机系统能够通过识别和利用现有知识来获取新知识和新技能,赋予了机器从数据中学习潜在规律的能力。在过去几十年里,机器学习影响了许多领域,如自动驾驶[4]、医疗保健[5]、金融[6]、智能制造[7]、能源[8]等。在自然科学领域,机器学习被广泛应用于物理学的多个分支,包括统计物理学[9]、凝聚态物理学[10]、生物物理学[11]、天体物理学[12]等。在材料科学领域,机器学习快速发展,已被应用于加速高应变的连续尺度脆性断裂模拟[13]、多晶金属延性损伤模型参数预测方法[14]、平衡相变[15]等的研究中;而在计算流体力学领域,机器学习也有了大量应用,例如刘泮宏[16]研究了训练集和测试集数据来自不同几何模型时机器学习模型对湍流演化的预测能力,刘永泽[17]实现了舰船毁伤特性的快速准确预测,张筱迪[18]对不同温度和跌落工况下混凝土楼板的动态响应做出了深入分析。

    爆轰驱动问题是材料、结构或产品在炸药爆炸作用下的复杂流动变形问题,是高度非线性的瞬态动力学问题。其典型时刻和典型位置的热力学状态受初始状态或工程因素的影响,可通过动态诊断测试设备或数值模拟获取。本文中,利用机器学习技术,建立物理模型输入参数与输出参数之间的黑箱式映射关系,即端到端代理模型,从而实现实验状态参数的高效预测:在离线阶段,使用比较昂贵的大规模数据(来自数值模拟或实验)和计算资源训练物理模型的代理模型;在在线阶段,使用相对轻量的代理模型替换数值模拟过程,实现敏捷迭代和快速预测。针对爆轰驱动问题,以数值模拟结果为机器学习的训练数据源,基于深度神经网络建立端到端代理模型,以期为爆轰驱动问题的实验设计与快速预测提供技术支撑。

    常规拟合函数,如多项式函数、线性函数、指数函数、对数函数等,可以解析求导,其描述的行为偏线性,对特定问题有较强的拟合能力,但总体上常规拟合函数的表达能力十分有限。与常规拟合函数相比,深度神经网络拟合函数的特点是表达能力强,描述的行为非线性,参数集非常大,可半解析求导,对于通用问题具备较强的拟合能力,其表现形式为:

    {y=f(x,θ)=a(N)W(N)+b(N+1)θ=(W(0),b(1),W(1),b(2),W(2),b(3),W(3),b(4),,W(N),b(N+1))a(0)=xa(1)=tanh(a(0)W(0)+b(1))a(2)=tanh(a(1)W(1)+b(2))a(3)=tanh(a(2)W(2)+b(3))a(4)=tanh(a(3)W(3)+b(4))a(N)=tanh(a(N1)W(N1)+b(N)) (1)

    式中:y为神经网络的输出结果;x为输入变量;a(k)为迭代函数,上标k=0,1,···,NN为迭代层数;θ为输入序参量,包含一次拟合线性项W(k)和线性拟合常数项b(k+1)

    神经网络的体系结构是一个多层前馈网络,由数个隐示层(hidden layer)连续堆叠而成,这种多层结构使神经网络能够学习做出准确预测所需的关键特征。深度神经网络本质上是一组带有权值的边和节点组成的相互连接的层,称为神经元,如图1所示,其中:x1x3为神经网络的输入值,y为输出值。训练过程开始前,每组神经元会被赋予一个随机权重,以保证同层不同神经元的行为不会趋同;训练过程中,如果网络不能准确实现输入到输出的映射时,系统将按照选定的最优化算法调整神经元权重;经过充分的训练后,由神经元权重表达的输出模式(如图2所示)就能较好地近似训练数据集中输入和输出的映射关系。图2中箭头上的数字为权重,红色箭头和节点表示对输出的影响可以忽略的网络结构。图2同时展现了神经网络结构的自组织性。神经网络持续将低维向量非线性映射到高维空间,不断寻找特征、压缩数据,将模型参数放入高维空间中,它能在不同参数下生成模型,即神经网络本身可作为代理模型使用。神经网络一般包括3部分,即显示层(输入变量)、隐示层和显示层(输出变量),隐示层的描述通常包含隐示层的深度和宽度,如图3所示。

    图  1  神经元
    Figure  1.  Neurons
    图  2  由神经元权重表达的输出模式
    Figure  2.  Output pattern represented by neuron weights
    图  3  神经网络的几个概念
    Figure  3.  Several concepts of neural network

    影响机器学习代理模型精度的因素很多,包括数据、优化算法、网络结构等。机器学习所需的数据分为2个子集:第1个子集被称为训练数据集,用于拟合代理模型;第2个子集称为测试数据,不在模型训练过程中使用,而是作为代理模型行为的期望,用于测试训练完成的模型的预测能力。机器学习方法中不同的优化算法也会对代理模型的计算结果产生影响,为了进一步说明,对比分析了BFGS(Broyden-Fletcher-Goldfarb-Shanno)和ADAM(adaptive moment estimation)2种算法。其中BFGS算法由Broyden[19]、Fletcher[20]、Goldfarb[21]和Shanno[22]在20世纪70年代初提出,主要针对无约束优化问题,通过目标函数和一阶导数构造出目标函数的曲线近似,具有收敛速度快的优点,是一种比较常用的牛顿算法。ADAM算法是一种基于低阶自适应矩估计的随机目标函数的一阶梯度优化算法[23],通过对梯度指数的加权平均实现对网络的平滑处理、降低梯度的摆动幅度,适用于含大规模数据和参数的优化问题,相比于传统梯度下降法,收敛速度更快、效果更好,能提高算法的整体性能。图4比较了爆炸加载波形的数值模拟结果与2种优化算法的结果,其中:实线为模拟结果,虚线为算法优化结果。可以看出,相较于BFGS算法,ADAM算法的结果更接近数值模拟结果,因此,本文的机器学习均采用ADAM算法。深度神经网络的超参数选择,特别是神经网络隐示层深度(dh)和隐示层宽度(wh)的取值,也会对代理模型的计算结果产生影响。这里以一个算例来进行说明。机器学习的数据来源于双变量函数y1=sinθ1cosφ,其中:y1为函数;θ1为第1个变量,θ1∈[−π/2, π/2];φ为第2个变量,φ∈[−π/2, π/2]。输出数据维度为200×200,使用ADAM优化算法获得基于神经网络的机器学习代理模型。选取6种不同(dh, wh)组合,比较代理模型与解析解之间的差异,结果如图5所示,其中:实线表示解析结果,虚线表示代理模型的输出。表1给出了代理模型与解析解之间的标准误差,可以看出,不同的超参数可能使代理模型的预测标准误差相差数倍。

    图  4  BFGS和ADAM算法优化结果与模拟结果的比较
    Figure  4.  Comparison of optimization results of BFGS and ADAM algorithm with simulation results
    图  5  不同神经网络结构的代理模型计算结果与解析解的比较
    Figure  5.  Comparison of calculation results and analytical solutions of surrogate models with different neural network structures
    表  1  不同神经网络结构对代理模型的计算效果分析
    Table  1.  Analysis of calculation effect of surrogate model with different neural network structures
    组合序号dhwh标准误差
    010203.8845×10−3
    115203.4626×10−3
    210154.4272×10−3
    310253.3092×10−3
    45152.3908×10−3
    515251.0031×10−2
    下载: 导出CSV 
    | 显示表格

    数据是代理模型的基础,其来源主要有实验采集、理论计算和数值模拟。针对爆轰驱动问题,只考虑单因素(炸药与内壳之间的间隙厚度)影响,采用爆炸与冲击动力学方法[24-25]进行数值模拟,模拟结果用于代理模型的训练数据源。

    单因素影响的爆轰驱动模型(图6)是轴对称模型,其中外壳和内壳的材料为铜,炸药的初始起爆点为底部壳体的内侧中心位置,炸药与内壳之间的间隙厚度为h,取值范围为0~5 mm,测点P1P2分别位于外壳底部外界面的中心位置和外壳右侧外界面的中心位置。数值模拟中,输出h分别为0、1、2、3、4和5 mm工况下P1P2的速度-时间(t≤25 µs)曲线,同时每间隔1 µs输出内、外壳体材料的变形分布,这2套数据用于机器学习代理模型的训练。数值模拟的计算域为12 cm×20 cm,网格尺寸为0.1 mm,每一个模型的串行计算机时约为45 h。

    图  6  单因素影响的爆轰驱动模型
    Figure  6.  Single-factor-influenced detonation drive model

    采用3种不同的机器学习代理模型。第1种为速度(v)剖面代理模型,可表示为:

    v=f(h,t) (2)

    第2种为速度反函数代理模型,可表示为:

    h=f1(v,t) (3)

    第3种为流场中材料动态时空分布代理模型,可表示为:

    Z=G(h,cx,cy,t) (4)

    式中:v为速度,t为时间,Z为体积分数,G为任意多元函数,cxcy为空间坐标。

    采用如图3所示的深度神经网络代理模型,根据具体问题中的数据集规模、输入/输出数据的维度、数据分布特征等因素调整隐示层深度(dh)和宽度(wh)这2个参数。模型参数的选取原则为:(1) 数据集规模较小、输入/输出数据维度较低时,为减轻过拟合现象,不宜采用大规模的神经网络模型,即应选取较小的dhwh;(2) 输入数据与输出数据之间的映射关系越接近线性,越容易被小规模的神经网络模型描述,即可选择较小的dhwh;(3) 如果同一组数据集可以训练多个代理模型,然后再选择其中最有效的一个,则应在满足精度要求的前提下,尽可能选择规模更小的模型,即选择dhwh更小的模型配置。在速度剖面(速度-时间曲线)代理模型和速度反函数代理模型中,dh=8、wh=20;在流场中材料动态时空分布代理模型中,dh=16、wh=50。

    代理模型在训练过程中接收输入的数值模拟数据。在速度剖面代理模型和速度反函数代理模型中,自变量为2个,且输入数据具有典型的一维特征,规模较小;在流场中材料动态时空分布代理模型中,自变量有4个,输入数据涉及空间位置坐标,与数值模拟的网格数相关,规模较大。在代理模型的构建过程中,考虑到速度剖面和材料空间分布的取值均可能接近零,此时,相对误差无法定义,因此,采用更具普适性的均方误差(mean square error,MSE)作为损失函数。同时,为了限制神经网络模型的过拟合程度,采用L2正则化优化模型参数。在评估代理模型的预测效果时,依旧采用了相对误差。

    图7显示了h分别为0、1、2、3、4和5 mm工况下测点P1P2的速度剖面。可以看出,P1的速度剖面比较光滑,P2的速度剖面出现明显的层裂现象,说明P2处的外界面材料存在局部拉伸情况。图8比较了采用速度剖面代理模型计算的P1P2的速度剖面与训练点上的数值模拟结果,其中,为清晰地展示速度剖面曲线上的波动特征,图8(b)采用增量层叠的方式放置曲线。表2给出了速度剖面代理模型在训练点上的相对误差(为避免除零错误,本文中所有速度剖面的相对误差均采用有效时间内的积分作为分母),均小于0.01%,可见其精度极高。

    图  7  P1P2处模拟的速度剖面
    Figure  7.  Numerical simulated velocity profiles at P1 and P2
    图  8  训练点上速度代理模型和数值模拟的计算结果比较
    Figure  8.  Results calculated by the speed surrogate model at the training points and the numerical simulation result
    表  2  训练点上速度剖面代理模型计算的相对误差
    Table  2.  Relative errors of velocity surrogate model calculation at training points
    h/mm 相对误差/%
    P1 P2
    0 0.0034 0.0040
    1 0.0078 0.0094
    2 0.0063 0.0036
    3 0.0057 0.0014
    4 0.0027 0.0094
    5 0.0035 0.0067
    下载: 导出CSV 
    | 显示表格

    以预测点上相关物理量的计算精度评估代理模型的预测能力,图9给出了h分别为0.5、1.5、2.5、3.2、4.7 mm工况下采用速度剖面代理模型计算的P1P2的速度剖面,并与数值模拟结果进行比较。从图9可以看出,P1处,代理模型预测的速度剖面与数值模拟结果吻合良好;P2处,预测的层裂现象出现时刻与数值模拟结果存在差异,说明代理模型对于材料破坏行为的预测能力还存在不足。表3给出了速度剖面代理模型在预测点上的相对误差,可以看出,P1处(没有层断裂),机器学习代理模型预测的速度剖面精度很高,相对误差小于0.01%;P2处(有层断裂),代理模型预测的精度明显降低,相对误差在0.1%~1.0%之间。根据式(2),给出ht,瞬间就能给出v,一条上百个点的速度曲线的计算机时不到1 s。

    图  9  预测点上速度代理模型给出的计算结果及其与数值模拟结果的比较
    Figure  9.  Results calculated by the velocity surrogate model at the prediction points with their comparison with the numerical simulation results
    表  3  预测点上速度剖面代理模型计算的相对误差
    Table  3.  Relative errors calculated by velocity surrogate model at prediction points
    h/mm 相对误差/%
    P1 P2
    0.5 0.0571 0.6665
    1.5 0.0524 0.8081
    2.5 0.0034 0.4332
    3.2 0.0116 0.1963
    4.7 0.0129 0.1669
    下载: 导出CSV 
    | 显示表格

    如果已知P1P2的速度剖面,可通过式(3)获得h。为了检验速度反函数代理模型对h的计算分辨能力,在训练点h=1.00 mm和预测点h=2.50 mm附近(偏离±2%)分别取2个点h=0.98 mm、h=1.02 mm以及h=2.45 mm、h=2.55 mm,即h取0.98、1.00、1.02、2.45、2.50和2.55 mm,数值模拟给出了P1的速度剖面(图10)作为输入,采用训练好的速度反函数代理模型计算h。经过5×104个循环步后,计算结果为:h取0.98、1.00和1.02 mm(训练点及附近)时,速度反函数代理模型计算的h分别为0.975021.000031.01923 mm,相对误差分别为0.510%、0.003%和0.075%;h取2.45、2.50和2.55 mm(预测点及附近)时,模型计算的h分别为2.434762.487272.53592 mm,相对误差分别为0.62%、0.51%和0.56%。可以看出,速度反函数代理模型在训练点和预测点附近计算的h有很高的计算精度。根据式(3),给出速度剖面,h优化迭代的计算机时约为6 min。

    图  10  应用代理模型依据速度剖面反向求解h
    Figure  10.  Applying the surrogate model to solve the h values according to velocity profiles

    对于爆炸力学流场,用于代理模型训练的输入数据为h、内外壳体材料的体积分数和th取0、1、2、3、4、5 mm, t取0、1、2、3、···、25 µs,共计156组数据。采用流场中材料动态时空分布代理模型,深度神经网络的dhwh分别取16和50,计算流场的体积分数。图11给出了t=25 µs时代理模型计算的材料的空间分布,并与数值模拟结果进行对比。表4给出了流场中材料动态时空分布代理模型计算的流场体积分数与数值模拟结果的标准差以及相对误差(体积分数为0~1之间的无量纲数),可以看出,在训练点上标准差小于6.4%,相对误差小于1%,计算精度较高。图12为预测点(h取0.25、1.50、3.75、4.75 mm)上不同时刻流场中材料动态时空分布代理模型计算的流场体积分数,并与数值模拟结果进行比较,二者吻合较好。

    图  11  t=25 µs时训练点上流场中材料动态时空分布代理模型计算的流场体积分数与数值模拟结果的比较
    Figure  11.  Comparison of material distribution surrogate model with numerical simulation results at training point at t=25 μs
    表  4  t=25 µs时训练点上流场中材料动态时空分布代理模型计算的标准差和相对误差
    Table  4.  Standard and relative errors calculated by the material distribution surrogate model at training points at t=25 μs
    h/mm 标准差 相对误差/%
    0 5.99×10−2 0.3953
    1 5.81×10−2 0.2721
    2 5.95×10−2 0.0955
    3 6.15×10−2 0.3082
    4 6.30×10−2 0.3415
    5 6.39×10−2 0.2211
    下载: 导出CSV 
    | 显示表格
    图  12  预测点上流场中材料动态时空分布代理模型计算的流场体积分数与数值模拟结果的比较
    Figure  12.  Material distribution calculated by surrogate model at prediction points with comparison to simulation data

    双因素影响的爆轰驱动模型如图13所示,其中:c为有机玻璃厚度,d为有机玻璃与炸药之间的间隙厚度,c取0、1、2、3、4、5 mm,d取0、1、2 mm,共计18组数据。深度神经网络中,根据v = f(c, d, t),dhwh分别取8和20,获得速度,P1处的速度剖面如图14所示;根据Z = G(c, d, cx, cy, t),dhwh分别取16和50,获得流场体积分数。图15给出了c=1 mm、d=1 mm、t=25 µs时代理模型计算的流场体积分数,并与数值模拟结果进行比较,二者符合良好。

    图  13  双因素影响的爆轰驱动模型
    Figure  13.  Two-factor-influenced detonation drive model
    图  14  代理模型计算的P1处的速度剖面与数值模拟结果的比较
    Figure  14.  Numerical simulation and surrogate model calculation results of speed history at P1
    图  15  c=1 mm、d=1 mm、t=25 µs时代理模型计算的流场体积分数与数值模拟结果的比较
    Figure  15.  Numerical simulation of material distribution and calculation results of surrogate model at the point while c=1 mm, d=1 mm, t=25 µs

    应用人工智能机器学习技术,对深度神经网络优化算法进行了初步探索,以典型爆轰驱动问题为算例,构建了基于数值模拟数据的端到端代理模型,并给出了代理模型的计算精确度,验证了代理模型从速度剖面反演工程因素的能力。为验证深度学习代理模型的预测能力,基于一种单影响因素典型爆轰驱动模型,在数字模拟生成的数据上训练和测试了深度学习代理模型的预测误差和计算效率。测试表明:端到端代理模型具有较高的预测能力,相对误差均小于1%,可用于高度非线性的爆轰驱动问题的快速设计、高精度预测和敏捷迭代,是深度学习技术和爆炸与冲击动力学融合的有效尝试。在另一种双影响因素典型爆轰驱动模型上所进行的测试中,深度学习代理模型依然能够与数值模拟数据符合良好,表明所提出的端到端深度学习代理模型可以在一定程度上推广到多影响因素爆轰驱动模型。考虑到多影响因素模型的复杂性,深度学习代理模型在不同场景中是否适用以及应该如何应用,将是进一步研究的重要问题。

    感谢中国工程物理研究院流体物理研究所实验物理数值模拟创新研究中心原职工张恒第在计算程序实现上提供的帮助。

  • 图  1  准静态压缩曲线(100 mm×200 mm)

    Figure  1.  Quasi-static compressive stress-strain curves

    图  2  准静态压缩强度及曲线

    Figure  2.  Quasi-static compressive strengths

    图  3  SHPB装置示意图

    Figure  3.  Illustration of SHPB installation

    图  4  四个端面接触问题

    Figure  4.  Four problems of interface contact

    图  5  端面接触不平问题解决方案

    Figure  5.  Solution for interface contact problems

    图  6  改进前后应力应变曲线对比

    Figure  6.  Comparison between original and improved curves

    图  7  端部接触缝隙对应力波传播的影响

    Figure  7.  Influence of the gap on stress wave propagation

    图  8  接触缝隙对应力应变曲线的影响

    Figure  8.  Influence of the gap on stress-strain curves

    图  9  复合整形后的应变波形

    Figure  9.  Strain waveform after compound shaping

    图  10  不同应变率应力应变曲线

    Figure  10.  Stress strain curves at different strain rates

    图  11  不同应变率时的压缩屈服应力

    Figure  11.  Compressive yield stress at different strain rates

    图  12  压缩屈服应力的应变率强化效应

    Figure  12.  Strain rate effect on the dynamic increase factor

    图  13  C110混凝土试件唯象应变率效应

    Figure  13.  Experimental strain rate effect of C110 concrete

    图  14  Tresca 准则

    Figure  14.  Tresca criterion

    图  15  静水压校正后的应变率强化因子

    Figure  15.  Calibrated dynamic increase factor with different yield criteria

    图  16  图16 K&C 应变率强化模型

    Figure  16.  K&C strain rate enhancement model

  • [1] 高光发. 混凝土材料动态压缩强度的应变率强化规律 [J]. 高压物理学报, 2017, 31(3): 261–270 doi: 10.11858/gywlxb.2017.03.007

    GAO Guangfa. Effect of strain-rate hardening on dynamic compressive strength of plain concrete [J]. Chinese Journal of High Pressure Physics, 2017, 31(3): 261–270 doi: 10.11858/gywlxb.2017.03.007
    [2] 高光发, 李永池, 罗春涛, 等. 混凝土靶高速侵彻的率相关相似律研究 [J]. 弹箭与制导学报, 2011, 31(3): 98–100 doi: 10.3969/j.issn.1673-9728.2011.03.028

    GAO Guangfa, LI Yongchi, LUO Chuntao, et al. The study on rate-dependent similarity law of high velocity penetration into concrete target [J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2011, 31(3): 98–100 doi: 10.3969/j.issn.1673-9728.2011.03.028
    [3] 高光发, 李永池, 胡秀章, 等. 一种改进的混凝土抗侵彻模型及算法 [J]. 兵器材料科学与工程, 2011, 34(2): 11–15 doi: 10.3969/j.issn.1004-244X.2011.02.004

    GAO Guangfa, LI Yongchi, HU Xiuzhang, et al. An improved anti-penetration engineering model and algorithm of concrete [J]. Ordnance Material Science and Engineering, 2011, 34(2): 11–15 doi: 10.3969/j.issn.1004-244X.2011.02.004
    [4] 高光发, 李永池, 刘卫国. 多孔硬脆性材料的SHPB实验技术 [J]. 力学与实践, 2011, 33(6): 35–39 doi: 10.6052/1000-0992-lxysj2010-178

    GAO Guangfa, LI Yongchi, LIU Weiguo. Expermental technique of SHPB for porous hard and brittle materials [J]. Mechanics in Engineering, 2011, 33(6): 35–39 doi: 10.6052/1000-0992-lxysj2010-178
    [5] 宋力, 胡时胜. SHPB测试中的均匀性问题及恒应变率 [J]. 爆炸与冲击, 2005, 25(3): 207–216 doi: 10.3321/j.issn:1001-1455.2005.03.003

    SONG Li, HU Shisheng. Stress uniformity and constant strain rate in SHPB test [J]. Explosion and Shock Waves, 2005, 25(3): 207–216 doi: 10.3321/j.issn:1001-1455.2005.03.003
    [6] LU F, LIN Y, WANG X, et al. A theoretical analysis about the influence of interfacial friction in SHPB tests [J]. International Journal of Impact Engineering, 2015, 79: 95–101. doi: 10.1016/j.ijimpeng.2014.10.008
    [7] 毛勇建, 李玉龙. SHPB试验中试件的轴向应力均匀性 [J]. 爆炸与冲击, 2008, 28(5): 448–454 doi: 10.3321/j.issn:1001-1455.2008.05.011

    MAO Yongjian, LI Yulong. Axial stress uniformity in specimens of SHPB tests [J]. Explosion and Shock Waves, 2008, 28(5): 448–454 doi: 10.3321/j.issn:1001-1455.2008.05.011
    [8] GORHAM D A. Specimen inertia in high strain-rate compression [J]. Journal of Physics D Applied Physics, 2000, 22(12): 1888. doi: 10.1088/0022-3727/22/12/014
    [9] XIAN Qian, QIU Yun, YAN Peng, et al. Effects of imperfect experimental conditions on stress waves in SHPB experiments [J]. Acta Mechanica Sinica, 2015, 31(6): 827–836. doi: 10.1007/s10409-015-0439-0
    [10] GORHAM D A. The effect of specimen dimensions on high strain rate compression measurements of copper [J]. Journal of Physics D: Applied Physics, 2000, 24(8): 1489–1492. doi: 10.1088/0022-3727/24/8/041
    [11] IWAMOTO T, YOKOYAMA T. Effects of radial inertia and end friction in specimen geometry in split Hopkinson pressure bar tests: A computational study [J]. Mechanics of Materials, 2012, 51: 97–109. doi: 10.1016/j.mechmat.2012.04.007
    [12] MENG H, LI Q M. Correlation between the accuracy of a SHPB test and the stress uniformity based on numerical experiments [J]. International Journal of Impact Engineering, 2003, 28(5): 537–555. doi: 10.1016/s0734-743x(02)00073-8
    [13] 尚兵, 吴立朋, 庄茁. 应力不均匀性对混凝土材料动态实验结果的影响 [J]. 工程力学, 2011, 28(12): 33–38

    SHANG Bing, WU Lipeng, ZHUANG Zhuo. The effect of stress heterogeneous on test data of concrete using SHPB [J]. Engineering Mechanics, 2011, 28(12): 33–38
    [14] 朱珏, 胡时胜, 王礼立. SHPB试验中黏弹性材料的应力均匀性分析 [J]. 爆炸与冲击, 2006, 26(4): 315–322 doi: 10.3321/j.issn:1001-1455.2006.04.005

    ZHU Jue, HU Shisheng, WANG Lili. Analysis on stress uniformity of viscoelastic materials in split Hopkinson bar tests [J]. Explosion and Shock Waves, 2006, 26(4): 315–322 doi: 10.3321/j.issn:1001-1455.2006.04.005
    [15] 刘瑞堂, 果春焕, 张智峰. 分离式Hopkinson压杆系统冲击压缩过程中试样的应力均匀化过程 [J]. 机械工程材料, 2009, 33(2): 25–27

    LIU Ruitang, GUO Chun-huan, ZHANG Zhifeng. Stress uniformization process in specimens during compression process with split Hopkinson pressure bar system [J]. Materials for Mechanical Engineering, 2009, 33(2): 25–27
    [16] 丰平, 张庆明, 陈利, 等. SHPB测试中斜坡加载对应力均匀性和恒应变率的影响分析 [J]. 北京理工大学学报, 2010, 30(5): 513–516

    FENG Ping, ZHANG Qingming, CHEN Li, et al. Influence of incidentpulse of slope on stress uniformity and constant strain rate in SHPB test [J]. Transactions of Beijing Institute of Technology, 2010, 30(5): 513–516
    [17] RAMESH K T. High Rates and Impact Experiments[M]. Springer US, 2008: 929-960. DOI: 10.1007/978-0-387-30877-7_33.
    [18] PAN Y, CHEN W, SONG B. Upper limit of constant strain rates in a split Hopkinson pressure bar experiment with elastic specimens [J]. Experimental Mechanics, 2005, 45(5): 440–446. doi: 10.1007/bf02427992
    [19] RAVICHANDRAN G, SUBHASH G. Critical Appraisal of Limiting Strain Rates for Compression Testing of Ceramics in a Split Hopkinson Pressure Bar [J]. Journal of the American Ceramic Society, 1994, 77(1): 263–267. doi: 10.1111/j.1151-2916.1994.tb06987.x
    [20] ZHANG Q B, ZHAO J. A Review of Dynamic Experimental Techniques and Mechanical Behaviour of Rock Materials [J]. Rock Mechanics & Rock Engineering, 2014, 47(4): 1411–1478. doi: 10.1007/s00603-013-0463-y
    [21] GUO Y B, GAO G F, JING L, et al. Response of high-strength concrete to dynamic compressive loading [J]. International Journal of Impact Engineering, 2017, 108: 114–135. doi: 10.1016/j.ijimpeng.2017.04.015
    [22] 毛勇建, 李玉龙, 史飞飞. 用经典Hopkinson杆测试弹性模量的初步探讨 [J]. 固体力学学报, 2009, 30(2): 170–176 doi: 10.19636/j.cnki.cjsm42-1250/o3.2009.02.010

    MAO Yongjian, LI Yulong, SHI Feifei. A discussion on determining Young’s moduli by conventional split Hopkinson bar [J]. Acta Mechanica Solida Sinica, 2009, 30(2): 170–176 doi: 10.19636/j.cnki.cjsm42-1250/o3.2009.02.010
    [23] 方秦, 洪建, 张锦华, 等. 混凝土类材料SHPB实验若干问题探讨 [J]. 工程力学, 2014, 31(5): 1–14 doi: 10.6052/j.issn.1000-4750.2013.05.st07

    FANG Qin, HONG Jian, ZHANG Jinhua, et al. Issues of SHPB test on concrete-like material [J]. Engineering Mechanics, 2014, 31(5): 1–14 doi: 10.6052/j.issn.1000-4750.2013.05.st07
    [24] GAMA B A, LOPATNIKOV S L, GILLESPIE J W. Hopkinson bar experimental technique: A critical review [J]. Applied Mechanics Reviews, 2004, 57(4): 223–250. doi: 10.1115/1.1704626
    [25] GORHAM D A, WU X J. An empirical method for correcting dispersion in pressure bar measurements of impact stress [J]. Measurement Science & Technology, 1996, 7(7): 1227. doi: 10.1088/0957-0233/7/9/006
    [26] LU Y. Determination of the radial inertia-induced transition strain-rate in split Hopkinson pressure bar tests [J]. Journal of Mechanical Science & Technology, 2011, 25(11): 2775–2780. doi: 10.1007/s12206-011-0703-6
    [27] FORRESTAL M J, WRIGHT T W, CHEN W. The effect of radial inertia on brittle samples during the split Hopkinson pressure bar test [J]. International Journal of Impact Engineering, 2007, 34(3): 405–411. doi: 10.1016/j.ijimpeng.2005.12.001
    [28] DAVIES E D H, HUNTER S C. The dynamic compression testing of solids by the method of the split Hopkinson pressure bar [J]. Journal of the Mechanics and Physics of Solids, 1963, 11(3): 155. doi: 10.1016/0022-5096(63)90050-4
  • 加载中
图(16)
计量
  • 文章访问数:  6723
  • HTML全文浏览量:  2024
  • PDF下载量:  120
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-11-07
  • 修回日期:  2018-06-21
  • 网络出版日期:  2019-03-25
  • 刊出日期:  2019-03-01

目录

/

返回文章
返回