# 中文标题 基于经验与物理计算方法的炸药威力、猛度及水下爆炸响应预测：选述机器学习应用的关键综述

《Next Materials》：Empirical and physics-based computational approaches to explosive power, brisance, and underwater detonation response: A critical review with selected machine-learning applications

　　

# 中文摘要翻译

本综述评述了经验方法、热化学方法、数值方法以及机器学习方法在炸药性能预测中的应用。研究聚焦于爆炸威力（explosive power）、猛度（brisance）及水下爆炸响应（underwater detonation response）三个核心性能领域。研究人员从输入参数、物理假设、验证方式、计算成本及局限性等方面对各方法进行了系统比较，区分了已成熟应用的方法组合与潜在的未来集成方向，并着重强调了在含能材料（energetic materials）性能预测中验证（validation）与可比性（comparability）的重要性。

# 论文解读

## 一、研究背景与问题

炸药爆轰是一个将化学能瞬间转化为高温高压气体产物的极端快速能量转换过程。爆炸威力（explosive power）反映炸药的总做功能力，主要由爆热（heat of detonation）与爆轰气体体积（detonation gas volume）决定；猛度（brisance）则表征炸药在邻近范围内的局部粉碎能力，与爆轰波峰值压力和升压速率密切相关。水下爆炸响应涉及冲击波与气泡脉动在不可压缩流体中的复杂耦合效应。论文指出这三类性能参数分别服务于不同的工程需求——破岩和土石方工程需要高威力炸药，而穿甲和破碎硬质目标则依赖高猛度炸药，水下武器设计则须同时兼顾冲击波能与气泡能的分配比例。

目前存在的主要问题是：不同研究采用不同终点指标、不同计算方法和不同参考数据来源，导致研究结果难以横向比较；经验关联式、热化学平衡计算、数值模拟和机器学习方法各自的适用范围、输入需求和验证强度未被系统梳理；机器学习在三个性能领域的发展不均衡，缺乏统一的实验基准。因此，本研究旨在对上述方法进行批判性综述，厘清各方法的适用边界和证据强度。

## 二、研究内容与结论

研究人员系统梳理了炸药威力、猛度和水下爆炸响应的理论预测与实验评估方法。在爆炸威力方面，综述了Kamlet-Jacobs方程、热化学平衡程序（EXPLO5、CHEETAH）、量子化学计算以及多种经验关联式；在猛度方面，评述了光滑粒子流体动力学（smoothed particle hydrodynamics, SPH）数值模拟、砂崩试验和钢板凹痕试验及其经验模型；在水下爆炸方面，分析了冲击波能与气泡能的实验测定方法和半经验预测关联式。研究人员还重点考察了机器学习方法在不同领域的应用现状和验证水平。

研究得出以下核心结论：经验关联式在其标定范围内具有透明高效的优势，但不具备跨化学家族的普适性；热化学模型能提供更详细的机理描述，但依赖数据库质量和状态方程参数；机器学习模型可以从代表性数据集中学习复杂非线性关系，但标签来源、验证设计和适用范围域（applicability domain）决定了其实际可靠程度。三类方法不宜直接排名比较，而应根据预测目标、参考条件和验证程序是否匹配来判断其有效性。

## 三、关键技术方法

本研究涉及的主要方法分为五类：第一，经验关联方法，基于元素组成、生成焓、比冲等参数建立与Trauzl铅柱扩张值、弹道臼炮值等的回归关系；第二，热化学平衡计算方法，采用吉布斯自由能最小化原理和BKW等状态方程计算Chapman-Jouguet爆轰参数；第三，量子化学方法，利用密度泛函理论（density functional theory, DFT）计算生成焓等热力学性质；第四，数值模拟方法，包括SPH模拟和可压缩多相流计算流体力学方法；第五，机器学习方法，涵盖QSPR模型、随机森林、神经网络、图神经网络及多任务多保真度学习。实验数据来源方面，水下爆炸实验采用了直径85.0 m、深度14.5 m的大型圆柱形水池，炸药在4.7 m水深起爆，10个压力传感器布置在距药包中心1.0 m至3.0 m处。

## 四、研究结果

### 4.1 爆炸威力的理论与计算预测

该部分综述了爆热和爆轰气体体积的多种预测途径。Kamlet-Jacobs方程基于元素组成和密度提供快速估算，但采用理想化分解方案；热化学平衡程序通过吉布斯自由能最小化可同时预测多个爆轰参数；DFT计算适用于尚无实验数据的新设计化合物但计算成本高；机器学习模型在数据量充足时可实现快速筛选。研究还介绍了相对威力指数（power index）的概念，即以苦味酸或TNT为基准的归一化比较方法。多重经验关联式被用于预测Trauzl试验值，包括基于爆热与比冲的回归式、基于爆热与碳氧比的关联式、基于气/凝聚相生成焓的关系式以及引入结构校正因子的分子式关联式。经过对18种化合物的对比，含正负校正因子的分子结构模型（式10）均方根误差最低（RMSE=8），但研究强调此结果仅针对所编译的数据集，不代表普遍的预测优越性。

### 4.2 基于实验测试的爆炸威力评估与经验预测

Trauzl铅柱试验和弹道臼炮试验是评估炸药实际做功能力的经典实验方法。弹道臼炮试验中，式(15)和式(13)对HMX和RDX的TNT当量预测均与实验吻合良好，两者RMSE分别为10.8和10.4。研究指出，弹道臼炮的角度偏转与据此推算的冲量和机械功应明确区分，比较时须保证同一装置、同一装药质量和同一TNT参考协议。

### 4.3 猛度的数值模拟与实验评估

SPH模拟能够捕捉经验公式无法表征的瞬态波动力学和约束效应，但依赖详细的本构模型和反应模型，计算强度大。砂崩试验方面，研究人员提出了基于元素组成的相对猛度关联式(式16)，适用于纯炸药、混合炸药和含铝炸药体系；对含铝炸药另建立了专门关联式(式17)，因铝在爆轰后会与产物继续反应，需采用部分平衡假设。钢板凹痕试验方面，凹痕深度与相对猛度、爆轰压力和Gurney速度均建立了经验关系。对比三种凹痕深度预测模型发现，式(21)和式(25)的RMSE分别为0.163 mm和0.165 mm，优于式(22)的0.236 mm。

### 4.4 水下爆炸响应的数值模拟与实验评估

水下爆炸能量分为冲击波能、气泡能和热损耗三部分。Cole经典公式被用于从压力-时间历程计算冲击波能，气泡能则通过首次气泡脉动周期估算。实验表明，Al/O比约0.4时冲击波能达到峰值，而气泡能随铝含量增加持续上升。半经验关联式(式28)和(式29)可快速估算冲击波能和气泡能。数值模拟方法能捕捉气泡合并、破裂、不对称坍塌等复杂现象，但计算成本高且依赖准确的化学动力学参数。机器学习在水下爆炸中的应用侧重于结构响应预测和逆向参数估计，与分子性质预测属于不同类型的任务。

## 五、讨论与结论总结

论文讨论部分强调，经验关联式与机器学习模型的预测能力都应在其适用范围内理解，不应将计算标签或模拟生成标签与独立实验验证混为一谈。研究人员提出了一个分阶段集成策略：首先明确预测终点与参考条件，然后以经验关联为基线，将热化学计算作为物理信息特征或辅助标签引入多任务/多保真度模型，在具备控制方程和模拟数据时采用物理信息神经网络，最后通过主动学习选择信息量最大的新计算或实验。不确定性量化应区分测量变异、输入数据不确定性、模型不确定性和域偏移不确定性，并建议采用引导区间、保形预测和适用范围域检查等手段。最终结论指出：单一指标或单一模型无法全面表征爆炸性能，经验关联、热化学计算、数值模拟、实验测试和机器学习各有所长且互为补充；现有证据不支持建立一个能够同时覆盖爆炸威力、猛度和水下响应的统一验证流程，未来研究应加强数据来源的记录、终点特异性验证以及跨化学家族、测试条件和模拟设置的迁移能力测试。