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

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

西北核技术研究所，陕西西安 710024

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
计量
- 文章访问数: 657
- HTML全文浏览量: 404
- PDF下载量: 178
- 被引次数: 6
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

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

Northwest Institute of Nuclear Technology, Xi’an 710024, Shaanxi, China

摘要

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。
- 爆炸冲击波 /
- 神经网络 /
- 状态方程 /
- 数值模拟 /
- 芝麻数据库
Abstract: The main challenge of numerical simulation of intense explosion is how to accurately determine the equations of state for the explosive products. The traditional equations of state are mostly empirical or semi-empirical formulas, which can just deal with ordinary explosions, but the treatment of intense explosions is of great limitation. The parameters of intense explosive products span an extremely wide range, which often exceeds the scope of empirical formula. Neural network has an excellent nonlinear fitting function and can realize the function of the equations of state. At the same time, there are a lot of state parameters of material in the sesame library, and the material parameters suitable for intense explosive products were selected as training data of neural network. The tabulated data of intensive explosive product samples were pretreated to make them better used in neural networks, then the data was adopted as training set to train the BP neural network and a one-dimensional spherical numerical code embedded with neural network equation of state was used to calculate the blast wave parameters of the explosion of fission device. In the process of neural network construction, the structure of neural network was optimized by enumeration experiment, and the structure of multi-layer neural network with a simple structure and good precision was obtained. In the process of numerical calculation, the code called the embedded neural network equations of state module, calculated the pressure of the explosive product through the density and the specific internal energy, and the flow field parameters of the whole explosive blast wave were finally obtained. The numerical results show that the calculated peak overpressure, arrival time and positive pressure duration coincide with the standard values, which proves the feasibility of the application of the neural network equation of states in the intense blast wave calculations. The results are of great significance to the numerical simulation of intense explosion.
- blast wave /
- neural network /
- equation of state /
- numerical simulation /
- sesame EOS data base

HTML全文

乳化炸药作为一种典型的工业炸药，因具有安全、环保和抗水等优点，被广泛应用于工程爆破、矿山开采和爆炸加工等领域^[1-2]。随着乳化炸药应用领域的不断拓展和爆破新技术的不断出现，很多爆炸行为往往是在负压环境中发生的^[3-4]。负压环境会加剧乳化炸药出现絮凝、沉降现象，甚至降低乳化炸药的性能。常温常压下的工业炸药性能及爆轰特性，一般都有成熟理论或相关研究资料作为参考，而负压条件下乳化炸药的爆轰特性鲜有研究。因此，基于负压条件研究乳化炸药的爆轰特性，对于指导爆破工程实践以及丰富炸药爆炸冲击波相关理论具有重要意义。

初始环境压力直接影响着炸药的爆轰特性，研究人员对此进行了一系列的研究。Silnikov等^[5]研究了初始环境压力对凝聚烈性炸药爆轰波参数的影响，发现低环境压力下的冲击波效应相对于正常大气压力下的较弱。Jiang等^[6]在密闭容器中研究了真空度对含铝炸药爆轰参数的影响，结果表明，含铝炸药在空气中的准静态压力和平衡温度高于在真空中。Wang等^[7]研究了20～180 kPa之间的初始环境压力对炸药冲击波的影响，发现冲击波超压随爆炸初始环境压力的提高而增大，且在60 kPa压力附近急剧下降。Xi等^[8]对含硼炸药PBX-B1在真空和空气条件下的爆热和冲击波压力进行了测量和分析，结果表明，PBX-B1在空气环境中的爆热和峰值压力分别为8885 J/g与11.2 MPa，比在真空环境中分别增大了19.2%和155%。汪泉等^[9]研究了负压条件下容器内爆炸引起的振动及噪声特性，结果表明，随着真空度的提高，筒体峰值振动速度、爆炸噪声声压级均呈下降趋势。Veldman等^[10]通过实验和数值模拟研究了球形装药在不同大气压条件下的反射冲击压力和冲量，发现冲击波的正反射压力和比冲量随着环境压力的上升而增大。李科斌等^[11]采用数值模拟研究了不同真空度下爆炸近场特征参量的变化规律，发现不同真空度下比冲量和正压作用时间的变化具有非单调性，它们的极值点和折点与稀疏波尾部间断面密切相关。

然而，现有研究关于负压环境对炸药爆轰特性的影响主要集中在冲击波特性参数方面，对于爆炸火球传播规律和温度场评估方面的研究较少。近年来发展的比色测温技术具有测量精度高、抗干扰能力强等特点，可满足炸药爆炸瞬态温度场测量的需求^[12]，在测温方面具有光明的应用前景。Yao等^[13]、Wang等^[14]、Hu等^[15]和Cheng等^[16]将比色测温技术应用于炸药爆炸温度场的测量，并与热电偶相结合验证了该方法的准确性。因此，本文中，首先利用自制的可视化爆炸球罐，详细研究真空度对乳化炸药爆炸火焰结构和冲击波参数的影响，并利用比色测温技术对乳化炸药的爆炸温度场进行重构；然后结合AUTODYN软件进行数值模拟，分析真空度对炸药爆炸压力场的影响，探讨负压环境下炸药爆炸过程中的反应机制；以期研究成果可丰富负压环境下炸药爆炸冲击波的理论知识，为工程爆破作业和爆炸防护提供相关参考。

1. 实验材料和方法

1.1 实验材料

本实验采用化学敏化的乳化炸药，其主要成分乳胶基质中NH₄NO₃的质量分数为73%，水的质量分数为11%，复合蜡的质量分数为6%，乳化剂T-154的质量分数为2%，NaNO₃的质量分数为8%。该乳化炸药的制备过程如下：首先，将硝酸铵（工业级）、硝酸钠和水混合加热至110 ℃左右，制成水相并保温存放；随后，称取复合蜡和乳化剂T-154混合加热至100 ℃左右，制成油相；然后，将油相倒入搅拌器中以20 r/s的转速匀速搅拌，并在30 s内将水相匀速倒入油相中，搅拌3 min制得乳胶基质。将化学敏化剂柠檬酸与亚硝酸钠按照质量比1∶1的比例制成混合溶液，待乳胶基质冷却至55～60 ℃，将2种混合溶液分3次添加到乳胶基质中并均匀搅拌，制得乳化炸药，其中敏化剂占乳胶基质质量的0.4%。

1.2 实验方法

在自制的可视化球形爆炸罐内，研究了不同真空度对乳化炸药爆轰特性的影响，实验装置如图1所示。爆炸球罐直径为1.2 m，容积为0.9 m³，两侧观察窗的直径为25 cm，实验用球形乳化炸药药包样品如图2所示，直径约为32 mm，其质量为(20.00±0.05) g，如表1所示。该实验装置由爆炸球罐、真空泵、起爆器、高速相机、PCB压力传感器、噪声测试仪和示波器等组成。起爆前，通过真空泵从罐体内抽出空气制造低压，并根据真空表读数来调整压力以达到实验要求的压力水平；随后，利用数码电子雷管起爆乳化炸药样品，并通过高速相机、压力传感器和噪声测试仪分别记录爆炸火焰传播过程、冲击波压力和噪声。高速相机的拍摄帧率为155000 s⁻¹，同时利用基于黑体理论的比色测温技术重构出炸药爆炸的温度分布云图。实验时将噪声仪的感应器对准爆心并置于同一水平面上，记录距离爆心65 cm处的噪声变化情况。

图 1 真空爆炸实验装置

Figure 1. Vacuum explosion experimental facility

下载: 全尺寸图片幻灯片

图 2 球形乳化炸药药包

Figure 2. A spherical emulsion explosive charge

下载: 全尺寸图片幻灯片

表 1 乳化炸药试样质量

Table 1. Mass of emulsion explosive samples

真空度/kPa	质量/g
真空度/kPa	样品1	样品2	样品3
0	20.01	19.99	20.03
20	19.97	20.04	20.03
40	19.98	20.01	20.00
60	20.00	19.96	20.01
80	20.02	20.04	20.03
100	20.04	19.98	19.99

下载: 导出CSV

| 显示表格

1.3 比色测温原理及标定实验

根据普朗克定律中黑体光谱辐射亮度L₀、波长和热力学温度的关系，可以得到不同波长辐射亮度之比^[14]：

$L = \frac{{{L_0}({\lambda _{1}},T)}}{{{L_0}({\lambda _{2}},T)}} = \frac{{\varepsilon ({\lambda _{1}},T)}}{{\varepsilon ({\lambda _{2}},T)}}{\left( {\frac{{{\lambda _{2}}}}{{{\lambda _{1}}}}} \right)^5}{\rm{exp}}\left[ {\frac{{{c_2}}}{T}\left( {\frac{1}{{{\lambda _{2}}}} - \frac{1}{{{\lambda _{1}}}}} \right)} \right]$

(1)

式中：T为热力学温度，K；λ_i为波长, i=1, 2；c₂为普朗克第二辐射常数；ε(λ_i, T)为物体在波长λ_i下的发射率。

由式(1)可得：

$T = \dfrac{{{c_2}\left( {\dfrac{1}{{{\lambda _{2}}}} - \dfrac{1}{{{\lambda _{1}}}}} \right)}}{{\ln L - \ln {\dfrac{{\varepsilon ({\lambda _{1}},T)}}{{\varepsilon ({\lambda _{2}},T)}}} - 5\ln {\dfrac{{{\lambda _{2}}}}{{{\lambda _{1}}}}} }}$

(2)

利用比色测温方法测量乳化炸药的爆炸温度场，需要先对温度进行标定和校准，实验装置如图3(a)所示。温度标定的步骤如下：通过钨丝灯标定实验^[13]，标定出修正系数随温度的变化规律；采用曲线拟合方法对温度数值的变化规律进行拟合计算，如图3(b)所示。再利用Python代码对灰度图像进行插值运算，重构出彩色图像，再通过R/G值和温度修正系数得到火焰温度。

图 3 高温钨丝灯校准实验

Figure 3. The calibration experiment of the high-temperature tungsten filament lamp

下载: 全尺寸图片幻灯片

2. 结果与讨论

2.1 真空度对炸药爆炸火球特性的影响

为了探究真空度对乳化炸药爆炸火球的影响，对比分析了不同真空度下乳化炸药爆炸火球的传播过程，如图4～5所示，对应的爆炸火球持续时间数据如表2所示。

图 4 0 kPa真空度下乳化炸药爆轰火球的传播过程

Figure 4. Explosion fireball propagation of emulsion explosive under the vacuum degree of 0 kPa

下载: 全尺寸图片幻灯片

图 5 100 kPa真空度下乳化炸药爆轰火球的传播过程

Figure 5. Explosion fireball propagation of emulsion explosive under the vacuum degree of 100 kPa

下载: 全尺寸图片幻灯片

表 2 爆炸火球在不同真空度下的持续时间

Table 2. Duration of explosive fireballs under different vacuum degrees

真空度/kPa	火球持续时间/μs
0	45.15
20	51.60
40	64.50
60	70.95
80	77.40
100	90.30

下载: 导出CSV

| 显示表格

高速相机相邻2张爆炸图片之间的时间间隔为6.45 μs，为了便于描述，将炸药爆炸能够观测到的火焰初始图像时刻记为0 μs。从图4～5中可以看出，在不同真空度下，乳化炸药爆炸火球都经历先膨胀后逐渐破裂消散的过程，且随着真空度的提高，火球更加明亮，持续时间更长，形态更稳定。这是因为炸药起爆后爆炸产物向四周扩散并与外界环境进行热交换，爆炸火球不断增大并通过压缩空气对外做功，整个爆轰过程中能量以热、光、声等形式耗散到周围环境中直至爆炸火球熄灭。此外，机械波传播需要介质，而随着真空度的提高，初始环境中空气介质逐渐减少，此时冲击波和声波主要依靠爆炸产物（传播介质）而传播，但爆炸产物膨胀速度比冲击波和噪声在空气中的传播速度低得多，限制了冲击波和噪声的快速传播，因而能量耗散变慢，这就是为什么随着真空度的提高，火球亮度更高和持续时间更长的原因。另一方面，由于爆轰产物的密度远高于空气的密度，爆轰波从爆轰产物往空气传播的过程中，会向爆轰产物中传递一个稀疏波，从而削弱冲击波的强度，并且随着真空度的降低，爆炸产物与空气间的密度差进一步加大，这种削弱作用越明显。

2.2 真空度对乳化炸药爆炸温度的影响

图6～7为不同真空度下乳化炸药爆炸温度场分布云图，炸药在起爆后产生高温火球，随着火球的发展，火球前沿的温度相对于内部始终偏低。这是因为爆炸火球前沿与外界产生热交换，造成前沿温度快速下降，而内部产物持续进行反应，对火球内部提供能量。此外，对比不同真空度下乳化炸药温度云图可知，随着真空度的提高，爆炸火球内部高温的维持时间更长，火球破裂时间推迟，破裂速度更加缓慢。当真空度为0 kPa时，火球在19.35 μs时破裂；而当真空度为100 kPa时，爆炸火球在58.05 μs才开始破裂。这是由于真空度的提高使得罐体内空气介质变少，此时以冲击波传播形式释放的能量随之减少，火球能量耗散慢，从而使火球维持较长时间后才出现破裂。

图 6 0 kPa真空度下乳化炸药瞬态爆炸温度场

Figure 6. Transient explosion temperature field of emulsion explosive under the vacuum degree of 0 kPa

下载: 全尺寸图片幻灯片

图 7 100 kPa真空度下乳化炸药瞬态爆炸温度场

Figure 7. Transient explosion temperature field of emulsion explosive under the vacuum degree of 100 kPa

下载: 全尺寸图片幻灯片

图8为不同真空度下乳化炸药爆炸平均温度（爆炸火球的平均温度为拍摄图片中火焰区域所有像素点所对应温度的平均值）的时程曲线。从图8可以看出，炸药起爆后的初始温度在2200 K左右，在0～40 kPa的初始真空度条件下，乳化炸药爆炸平均温度呈持续下降趋势，而在60～100 kPa的初始真空度条件下，乳化炸药爆炸平均温度呈下降-上升-下降的趋势。此外，当真空度从60 kPa提高到100 kPa时，第2次温度峰值及到达时间均随之提高，爆炸火球高温持续时间也更长。由此可见，初始低真空度（0～40 kPa）对爆炸火球温度影响较小，而60 kPa以上的真空度会提高乳化炸药的爆炸温度并延缓其衰减。分析认为，低真空度条件下，初始罐体内仍存在大量的空气，爆炸产生的能量可通过空气传播机械波（冲击波和噪声）和热量而快速耗散，导致火球温度持续下降；随着真空度的进一步提高（60～100 kPa），爆炸产物快速膨胀并对外做功而导致爆轰能量减少，造成爆炸火球初始温度下降，但是由于高真空度环境下空气介质少，机械波传播和热交换主要依靠爆炸产物作为传播介质，因而乳化炸药爆炸产生的能量耗散速率迅速降低，随着乳化炸药爆轰后燃反应的进行，爆炸产物温度又会出现上升的情况，当后燃反应提供的能量小于爆炸火球传播耗散的能量时，爆炸产物的温度又开始降低，因而在初始高真空度环境下爆炸火球温度出现下降-上升-下降的趋势。

图 8 不同真空度下乳化炸药爆炸平均温度-时间曲线

Figure 8. Average temperature-time curves of explosion of emulsion explosives under different vacuum degrees

下载: 全尺寸图片幻灯片

2.3 真空度对乳化炸药爆轰冲击波参数的影响

图9为不同真空度下乳化炸药爆炸的典型压力（p）时程曲线，不同真空度下乳化炸药样品爆炸冲击波的正冲量为：

图 9 在不同真空度下乳化炸药爆炸的典型压力-时间曲线

Figure 9. Typical pressure-time curves of explosion of emulsion explosive under different vacuum degrees

下载: 全尺寸图片幻灯片

${I_ + } = \int_0^{{t_ + }} {p(t){\text{d}}t}$

(3)

式中：I₊为正冲量，t₊为乳化炸药爆轰时正压作用时间。

由图9和表3可知，随着初始真空度的升高，乳化炸药冲击波峰值压力不断下降，当初始真空度在0～60 kPa时，冲击波峰值压力的降幅很小；当初始真空度在60～80 kPa时，冲击波峰值压力的降幅开始增加；而当真空度从80 kPa提高到100 kPa时，乳化炸药的冲击波峰值压力出现了骤降的现象。这是因为初始真空度低的情况下，爆炸能量可以通过空气介质直接进行传播，因此压力衰减相对较小；而在初始高真空度环境下，爆炸能量的传播主要依靠乳化炸药爆炸产物，其膨胀速度严重阻碍了冲击波的传播，因而爆炸压力的衰减相对较大^[17]。由表3可知，乳化炸药爆炸冲击波的正冲量随着初始真空度的提高不断降低，且变化规律与真空度对冲击波超压的影响一致。由此可见，提高环境初始真空度可有效削弱冲击波的次生灾害^[18]。而随着真空度的不断升高，测点处的冲击波正压作用时间相差不大，这是因为冲击波的正压作用时间与乳化炸药爆轰反应的时间有关，同时也说明真空度主要影响乳化炸药的爆轰产物（后燃反应），而对爆轰反应过程影响不大。

表 3 不同真空度下乳化炸药爆炸的冲击波参数

Table 3. Shock wave parameters for explosion of emulsion explosive under different vacuum degrees

真空度/kPa	峰值压力/kPa	正压作用时间/μs	正冲量/(Pa·s)
0	64.58	542	13.18
20	61.44	541	11.98
40	57.19	543	10.92
60	53.04	532	10.43
80	44.06	526	9.11
100	25.76	514	4.17

下载: 导出CSV

| 显示表格

2.4 不同真空度下乳化炸药爆炸数值模拟

2.4.1 计算模型

为进一步探究真空度对乳化炸药爆轰特性的影响机制，利用AUTODYN软件对密闭容器中乳化炸药的爆炸过程进行了模拟。建立了如图10所示的一维球对称楔形计算模型，模型由炸药和空气两部分组成，采用多物质的Euler算法进行数值模拟，炸药为20 g球形乳化炸药，起爆方式为中心点起爆，空气域宽端的边界条件设置为无反射边界（flow out），空气域的最后（x=600 mm处）设置1个观测点，用于输出爆炸冲击波特征参量的结果^[19]。

图 10 一维球对称楔形计算模型

Figure 10. The one-dimensional spherically symmetric wedge computational model

下载: 全尺寸图片幻灯片

对空气采用理想状态气体方程^[20]来描述，即：

${p_1} = \left( {\gamma - 1} \right)\frac{\rho }{{{\rho _0}}}{e_0}$

(4)

式中：p₁为空气压力，kPa；γ为空气绝热指数，取值1.4；ρ为空气压缩后的密度，kg/m³；ρ₀为空气初始密度，取值1.225 kg/m³；e₀为空气的初始比内能，取值206.8 GJ/m³。通过改变空气的初始密度近似实现不同的初始真空度^[21]，如表4所示。

表 4 不同真空度下的空气密度

Table 4. Air density under different vacuum degrees

真空度/kPa	空气密度/(kg·m⁻³)
0	1.225
20	0.980
40	0.735
60	0.490
80	0.245
100	0.0123

下载: 导出CSV

| 显示表格

对乳化炸药，采用JWL方程进行描述^[20]：

${p_2} = A\left( {1 - \frac{\omega }{{{R_1}V}}} \right){{\text{e}}^{ - {R_1}V}} + B\left( {1 - \frac{\omega }{{{R_2}V}}} \right){{\text{e}}^{ - {R_2}V}} + \frac{{\omega e}}{V}$

式中：p₂为爆轰产物压力，A、B、R₁、R₂、ω为炸药的特征参数（均为常数），V为爆轰产物的相对比容，e为炸药的初始内能。乳化炸药参数如表5所示^[22]，其中ρ₁为乳化炸药密度，D为爆速。

表 5 乳化炸药JWL参数^[22]

Table 5. The parameters of JWL equation of state for emulsion explosive^[22]

p₂/GPa	ρ₁/(g·cm⁻³)	D/(m·s⁻¹)	A/GPa	B/GPa	R₁	R₂	ω	e/(GJ·m⁻³)
5.73	1.15	5150	2.36	0.198	4.47	1.20	0.33	1.60

下载: 导出CSV

| 显示表格

2.4.2 真空度对冲击波特性的影响

图11为不同真空度下乳化炸药冲击波超压的数值模拟与实验结果的对比，可以看出，随着初始真空度从0 kPa提升至100 kPa，距离起爆点60 cm处的爆炸冲击波峰值压力随着真空度的提升而降低9.5%～59.6%，最大降幅出现在初始真空度为80 kPa到初始真空度为100 kPa的2组数据之间，变化规律与实验结果吻合。峰值压力的模拟结果与实验结果吻合较好，其平均相对误差为10.3%。

图 11 不同真空度下乳化炸药的冲击波超压

Figure 11. Shock wave overpressures of emulsion explosive under different vacuum degrees

下载: 全尺寸图片幻灯片

图12～13为不同真空度下乳化炸药冲击波波阵面的形成与发展历程。图12为常压下乳化炸药爆轰的模拟结果。在0 μs时，炸药未起爆，整个压力场的云图没有发生变化；在8.01 μs时，炸药刚刚起爆，在楔形模型左侧的尖端处出现了流场变化，瞬间的冲击波压力极高，但此时的冲击波在乳化炸药内部传播；在25.01 μs时，爆轰波传播到了爆炸产物-空气分界面（图中黑线），可以看见非常强的间断面，爆轰波在这时有一部分传播至空气中，另一部分向爆心反射，出现二次冲击现象^[10]；在32.02 μs时，可以看见爆轰产物-空气界面的间断面依旧存在，爆心处压力也会稍稍增大，爆轰产物传播距离增大；在53.01 μs时刻，爆心压力下降，爆轰产物-空气界面的冲击波继续向前传播，整个间断面被拉宽，峰值压力逐步下降^[21]；在249.10 μs时，可以明显看出，爆心压力降低，冲击波波阵面与爆轰产物界面分离，且将模型宽端处的空气压缩，压力提升。

图 12 0 kPa真空度下冲击波波阵面的形成与发展

Figure 12. Formation and development of the shock wave front under the vacuum degree of 0 kPa

下载: 全尺寸图片幻灯片

图 13 100 kPa真空度下冲击波波阵面的形成与发展

Figure 13. Formation and development of the shock wave front under the vacuum degree of 100 kPa

下载: 全尺寸图片幻灯片

图13为初始真空度100 kPa时的冲击波传播过程。对比图12与13可知，随着真空度的降低，冲击波波阵面与爆炸产物界面之间的距离逐步缩小，且在传播时间相同的情况下，真空度越高，冲击波传播越快。这主要是因为爆轰波在空气中传播需要介质，而常压下由于有大量空气的存在，爆轰波很快就与爆轰产物分离。在0～80 kPa的初始真空度下，爆轰产物与爆轰波分离越来越慢；当初始真空度为100 kPa时，由于环境空气过于稀薄，冲击波传播缺少介质无法与爆轰产物分离，且模型宽端处压力也无明显提升。因此，随着真空度的提高，爆轰产物界面与冲击波峰值超压界面距离也越来越近。在完全真空的环境下，爆轰产物与冲击波波阵面不分离，且冲击波波阵面传播速度与爆轰产物界面传播速度为一恒定值。

2.5 不同真空度对爆炸噪声的影响

在乳化炸药应用过程中，爆炸噪声也是环境污染的重要来源之一，如何有效抑制乳化炸药爆炸噪声具有重要的研究价值。利用噪声测试仪，实验测得了不同初始真空度下乳化炸药爆炸噪声的声压级极值，如图14所示。在乳化炸药质量相同情况下，随着初始真空度的提高，测点噪声最大声压级逐渐降低。当罐体内的初始真空度为60和100 kPa时，距离爆心65 cm处的爆炸噪声分别为90.5 dB和84.7 dB，与常压状态下相比降低了30.1 dB和35.9 dB，降幅分别达到24.6%和29.8%。噪声波属于机械波，其传播需要介质。当罐体内的初始真空度增加时，空气介质越稀薄，因而爆炸噪声波衰减越严重。当初始真空度在0～40 kPa时，罐体内仍存有大量气体介质，并且乳化炸药爆炸产物会对其进行一定的补充，而当真空度高于40 kPa后，波前气体稀薄或几乎无空气介质，噪声的传播主要依靠爆炸产物，此时波阵面和爆炸气体的膨胀一同向外运动，声波的运动速度不会超过爆炸气体运动速度，因此高真空度有利于降低乳化炸药的爆炸噪声。

图 14 不同初始真空度下乳化炸药爆炸噪声的声压级最大值

Figure 14. The maximum sound pressure levels of noises induced by explosion of emulsion explosive under different initial vacuum degrees

下载: 全尺寸图片幻灯片

3. 结　论

(1)随着初始真空度的提高，爆炸火球亮度更高，持续时间更长，形态更稳定。当初始真空度提高到一定程度时，冲击波和噪声波的传播从依靠空气介质转变为依靠爆炸产物，此时爆炸产物的膨胀速度成为冲击波和噪声波传播的限制因素。

(2)在0～40 kPa的初始真空度条件下，乳化炸药爆炸火球的平均温度呈持续下降趋势，而在60～100 kPa的初始真空度条件下，乳化炸药爆炸火球的温度呈下降-上升-下降的趋势，造成该现象的主要原因是：初始真空度影响了爆轰波能量的耗散速率。

(3)随着初始真空度的提高，乳化炸药爆炸冲击波的峰值压力和比冲量不断下降，但正压作用时间变化不明显；数值模拟结果表明，随着真空度的提高，爆轰产物界面与冲击波峰值超压界面距离越来越近，在完全真空的环境下，爆轰产物与冲击波波阵面不分离。

(4)真空度的提高有利于降低爆炸噪声，当罐体内的初始真空度为60和100 kPa时，距离爆心65 cm处的爆炸噪声分别为90.5 dB和84.7 dB，与常压状态下相比分别降低了30.1 dB和35.9 dB，降幅分别达到24.6%和29.8%。

图 1 神经网络状态方程概念

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

下载: 全尺寸图片幻灯片

图 2 数据样本散点图

Figure 2. Data sample scatter plot

下载: 全尺寸图片幻灯片

图 3 神经网络参数结构

Figure 3. Neural network parameter structure

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

图 5 神经网络结构

Figure 5. Neural network structure

下载: 全尺寸图片幻灯片

图 6 神经网络训练表现

Figure 6. Neural network training performance

下载: 全尺寸图片幻灯片

图 7 神经网络整体运算结构

Figure 7. The overall operational structure of neural network

下载: 全尺寸图片幻灯片

图 8 隐含层运算结构

Figure 8. Hidden layer operation structure

下载: 全尺寸图片幻灯片

图 9 训练集检测拟合精度

Figure 9. Fitting accuracy of training set

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

图 11 测试集检测是否过拟合

Figure 11. Test set detecting over-fitting

下载: 全尺寸图片幻灯片

图 12 爆后166 ms爆炸流场分布

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

下载: 全尺寸图片幻灯片

图 13 爆炸流场历程曲线

Figure 13. Explosive flow field history curve

下载: 全尺寸图片幻灯片

图 14 数值计算结果对比

Figure 14. Comparison of numerical results

下载: 全尺寸图片幻灯片

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
61.328	25.062	384.18	117.01	21.508	704.39
61.328	83.371	1600.9	117.01	77.821	2937.6
61.328	255.24	3982.1	117.01	241.89	7347.0
61.328	848.09	12766	117.01	757.22	22873
61.328	3368.3	54259	117.01	3055.8	97777

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	1	2	3	4	5	6	7	8
理论最大节点	275	30	22	18	15	13	12	11

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

L	N	δ₁/10⁻⁵	δ₂/10⁻⁵	δ₃/10⁻⁵	δ₄/10⁻⁵	δ/10⁻⁵
2	5	16.7	2.8	2.0	1.4	5.725
	10	13.2	28.5	12.1	2.9	14.175
	15	2.6	0.9	1.0	1.6	1.525
	20	1.5	1.2	0.9	1.4	1.25
	25	1.4	1.8	14.6	2.5	5.075
	30*	11.2	5.8	16.9	11.6	11.375
3	5	1.1	5.2	1.8	1.1	2.3
	10	0.3	10.1	0.8	0.2	2.85
	15	3.8	0.9	0.2	2.1	1.75
	20	0.4	0.5	0.9	4.2	1.5
	22*	1.1	5.6	0.6	2.7	2.5
4	5	2.6	4.0	0.9	15.6	5.775
	10	0.6	1.0	1.1	0.5	0.8**
	15	0.7	4.5	1.1	1.0	1.825
	18*	2.6	0.7	3.8	24.3	7.85
5	5	7.5	14.3	2.0	1.4	6.3
	10	1.4	0.5	0.6	2.0	1.125**
	15*	0.7	0.2	1.1	10.0	3
6	5	1.2	0.9	1.7	1.8	1.4
	10	0.5	0.5	1.0	0.5	0.625**
	13*	0.5	0.5	0.8	0.4	0.55**
7	5	4.1	19.1	1.4	0.9	6.375
	9	1.2	2.2	3.3	1.9	2.15
	12*	0.4	0.5	0.7	1.3	0.725**
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

层	节点	权值	阈值	激活函数
输入层	2	−	−	−
隐含层1	10	10×2	10×1	y=tanhx
隐含层2	10	10×10	10×1	y=tanhx
隐含层3	10	10×10	10×1	y=tanhx
隐含层4	10	10×10	10×1	y=tanhx
输出层	1	1×10	1	y = x
元素总和	43	330	41	−

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)
15	50	0.2	1.492	1067

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/%
爆心距/m	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
50	53.57	46.48	2.592	2.944	372.3	405.7	15.3	12.0	8.2
100	7.264	6.139	15.10	16.65	360.2	403.7	18.3	9.3	10.8
200	1.097	0.8511	82.10	88.22	299.1	353.2	28.9	6.9	15.3
300	0.4524	0.3095	207.4	219.8	284.1	320.7	46.2	5.6	11.4

下载: 导出CSV

参考文献(16)

[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.

施引文献

期刊类型引用(4)

1.	李丹一，程扬帆，李翔，王浩，赵长啸，沈兆武. Al/PTFE/TiH_2三元活性材料与RDX组合装药的爆炸释能特性. 兵工学报. 2025(01): 39-49 . 百度学术
2.	陈正严，吴红波，蔡心远，马成帅，谢守东. 模拟高原环境下敏化方式对乳化炸药爆轰性能的影响研究. 高压物理学报. 2024(04): 147-155 . 百度学术
3.	张宇，马智勇，程志鹏，徐森，吴星亮. 乳胶基质危险性分级技术发展. 爆破器材. 2024(05): 1-7 . 百度学术
4.	潘长鑫，刘锋，毕如洁，代伟，朱正德，程雨航. 密闭环境中压力对现场混装乳化炸药微观结构和热稳定性的影响. 含能材料. 2024(10): 1080-1090 . 百度学术