• 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

李般若, 霍璞, 喻君. 基于GNN的爆炸压力时空分布预测模型[J]. 爆炸与冲击. doi: 10.11883/bzycj-2024-0503
引用本文: 李般若, 霍璞, 喻君. 基于GNN的爆炸压力时空分布预测模型[J]. 爆炸与冲击. doi: 10.11883/bzycj-2024-0503
LI Banruo, HUO Pu, YU Jun. GNN-based predictive model for spatial and temporal distribution of blast overpressure[J]. Explosion And Shock Waves. doi: 10.11883/bzycj-2024-0503
Citation: LI Banruo, HUO Pu, YU Jun. GNN-based predictive model for spatial and temporal distribution of blast overpressure[J]. Explosion And Shock Waves. doi: 10.11883/bzycj-2024-0503

基于GNN的爆炸压力时空分布预测模型

doi: 10.11883/bzycj-2024-0503
基金项目: 国家自然科学基金(52378490);

GNN-based predictive model for spatial and temporal distribution of blast overpressure

  • 摘要: 为了满足对爆炸产生的压力荷载进行准确快速预测的需求,本文提出了一项基于图神经网络(Graph Neural Network,GNN)的爆炸压力时空分布预测人工智能模型。利用开源软件blastFoam进行计算流体动力学(Computational Fluid Dynamics,CFD)仿真,并通过网格重映射技术,以空间六面体网格划分为基础,将物理状态信息编写到节点特征中,以此将计算结果转化为标准的图格式数据,并由此分别建立了一个TNT自由场爆炸数据集和一个TNT密闭空间内爆炸数据集。将GNN模型分别在两个数据集的训练集上进行训练,监测模型在测试集上的均方根误差(Root Mean Square Error,RMSE)和决定系数(R2),并将预测结果与CFD的计算结果进行对比。以上结果均表明,本文提出的人工智能模型针对自由场爆炸和密闭空间爆炸工况均得到了良好的预测效果。该人工智能模型具有在小样本上提取特征能力强、预测速度快、预测效果好、应用场景多样的优势,并且能够实现在三维空间内对爆炸压力场进行时间和空间维度的预测。基于GNN的爆炸压力时空分布预测模型在爆炸荷载的快速预测上具有强大的潜力,对爆炸防护工程、弹药工程和爆破工程具有参考意义。
  • 加载中
计量
  • 文章访问数:  56
  • HTML全文浏览量:  8
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-12-25
  • 网络出版日期:  2025-06-03

目录

    /

    返回文章
    返回