基于深度学习的爆炸冲击波信号重构模型

针对爆炸冲击波信号重构问题,引入深度卷积神经网络(DCNN)捕捉冲击波信号的局部信息和高阶特征,引入双向长短期记忆网络(Bi-LSTM)捕捉冲击波超压数据时序依赖关系,进而构建了基于深度学习的爆炸冲击波信号重构模型.相关实验研究表明,本文构建的爆炸冲击波信号重构模型,综合考量了信号的时序关系、频谱特征、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构实验中,模拟和实测超压峰值平均误差分别为3.53％和13.71％,正压作用时间平均误差分别为7.35％和14.26％,比冲量平均误差分别为4.02％和11.92％;在基于残缺数据的冲击波压力曲线重构实验中,模拟和实测信号重构的缺失值与原始值基本吻合,且偏差均在0附近;均满足爆炸冲击波压力重构指标要求.研究结果对爆炸冲击波信号重构有重要指导意义.