土介质炸点痕迹反演爆源特征的研究

论述了土介质炸点痕迹特征参量及其控制影响因素,通过对国内外现有研究成果的再分析和有效利用,得到爆源特征与炸点痕迹特征参量之间的关系。在此基础上,建立利用土介质上的炸点痕迹反演爆源特征的方法,并实现编程计算。通过实例分析说明了该方法的可行性。     

爆炸抛撤粒子群数值模拟

瓦斯煤尘爆炸卷扬和消防灭火弹以及抑爆器是爆炸抛撒粒子群问题在工业安全生产中的应用.基于离散颗粒元建立了爆炸抛撒粒子群模型,编写了计算爆炸抛撒粒子群程序.用自编程序对不同装填层数、不同颗粒粒径等粒子群抛撤问题进行数值模拟.粒子群的初速度分布与颗粒数目满足正态分布.当粒子装填层数相同、粒径不同时,粒子云的厚度随着时间的变化均近似于线性增长.在爆炸抛撒的早期,两种粒子云的厚度近似于相同;在爆炸抛撒的后期,小粒径颗粒形成的粒子云体积略大于大粒径颗粒的粒子云体积.     

大尺寸坑道气体爆炸试验状态控制数值仿真

真实管廊尺寸或大尺寸气体爆炸试验是研究城市管廊气体泄漏爆炸事故最直接有效的方法,为使该类试验的设计更加科学有效,通过对坑道甲烷气体泄漏爆炸试验进行等尺寸的数值仿真,探究了坑道内甲烷气体泄漏及静置过程中甲烷分布的时空规律,提出了相关参数,以有效地定量表征三维空间内甲烷气体分布的不均匀程度,并研究了坑道内甲烷气体分布的不均匀程度控制方式,以及其对气体爆炸燃爆参数的影响.     

基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法

爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应。借助基于机器学习(Machine Learning, ML)算法的代理模型可以有效缩短定量分析周期,但可供算法学习的数据量少是该项技术在化工事故后果分析中应用所面临的主要问题。因此,将物理模型分析与深度神经网络相融合,通过数据集构建、数据降维、数据回归和数据生成4个步骤,最终构建高效的卷积变分自编码器(Variational Autoencoder with Deep Convolutional Layers, VAEDC)与多层前馈神经网络(Multi-layer Forward Neural Network, MFNN)混合模型,用于实时预测区域爆炸压力场。基于特定区域,根据定义的算法输入与输出,利用CFD技术对各种爆炸过程进行模拟以获得大量的数据;基于CFD模拟数据,利用VAEDC将区域压力场的高维特征降维为隐空间变量,利用MFNN拟合爆炸相关参数、流场观测时刻与隐变量的映射关系,并以储罐区为例进行建模分析。结果表明...