针对工业和军事领域的燃料空气混合物爆炸威力预测问题，国内学者探索研究了多种方法，但此类爆炸机理复杂、影响因素众多，目前的预测方法各有相应的限制条件。本文基于人工神经网络原理，构建相应预测模型，开展燃料空气混合物爆炸威力预测研究。
1 模型原理
人工神经网络属于人工智能范畴，适合用于处理分类、预测等影响因素复杂的一类问题。人工神经网络模型应用较广泛的是BP（Back Propagation）模型，其典型结构如图1所示，单个神经单元构成如图2所示。
BP模型算法采用的是误差反向传播算法。
学习信号前馈
式中：x，为图1输入层节点i的输入值，i=1，2，…n；x为隐层节点j的输出值，j=l，2，…q；yk为输出层节点k的输出值，k=l，2，"'m; Wij、Wjk分别为输入层与隐层、隐层与输出层节点的连接权值；θ，为隐层节点的阈值；Ok为输出层节点的阈值。
2模型设计
燃料空气混合物爆炸所形成的破坏作用，主要是通过大体积云雾爆轰及由此引起的空气冲击波实现的，对相关“软”目标毁伤效应严重。衡量燃料空气混合物爆炸威力大小，是一个比较复杂的问题，涉及爆炸源、爆炸形式等多个方面。针对燃料空气混合物爆炸威力预测问题，本文选取液态的环氧丙烷和固态的金属铝粉组成的液固混合燃料，引爆条件是小药量无约束空间。影响燃料空气混合物爆炸威力的因素较多，若使其它条件固定不变，则可选取图3所示的9个主要影响因素作为模型的输入层节点：液态环氧丙烷质量百分含量Cpo、固态金属铝粉质量百分含量CA1、混合燃料氧平衡OB、中心装药质量mc、比药量r、炸高h、环境温度To、湿度ho、气压Po。
模型的输出层节点选取图3所示的反映混合物爆炸威力的5个考察指标：爆压P、爆温T、爆热Q．、气体产物体积v、爆炸威力指数F。
式中：W为燃料质量、△P为云雾区超压、S为云雾覆盖面积、v为云雾体积、H为云雾高度、T为爆温。
对于给定的应用命题，若输入层节点数、输出层节点数、标准输入样本个数均已知，再确定隐层层数和每个隐层的节点数，则模型结构可定。本文标准输入样本选择表1所列的93组数据，输入层节点数为9，输出层节点数为5。根据相关研究成果，在设计变量不产生冗余时，模型隐层层数宜尽量取少，通常取1~3层。本文采用神经网络共轭梯度优化方法，通过间接优化计算，选定2个隐层，每个隐层5个节点。因此，本文设计的模型结构为(9 -5-5 -5)，如图3所示。
3模型训练及应用
对于多层神经网络，增加隐层数量虽能够提升网络的识别能力，但同时也使BP算法更易陷入局部极小值，采取预训练方法可以在一定程度上缓解该问题带来的影响。应用文献的网络预训练及参数初始化方法，对燃料空气混合物爆炸威力预测神经网络模型进行学习训练，学习训练样本见表1。学习训练结束后，针对表2中的8种情形，利用训练后的神经网络模型开展实际预测，表3为预测值与实际计算值的对比结果。在不改变学习训练样本和预测样本的条件下，采用3层BP网络模型进行预测，与本文设计的神经网络模型的预测结果对比如表4所示。
从表3可以看出，模型的预测结果与实际计算结果相吻合，该模型预测的相对误差为0.2%~6. 1010，本文采用的神经网络模型预测方法简便、可行。预测结果表明，随着铝粉含量变化，混合物爆炸威力存在一个最大值，当铝粉含量约65%时，混合物爆炸威力达到最大；爆压随铝粉含量增加呈先增后减趋势，爆温和爆热随铝粉含量增加一直呈上升趋势，但气体产物体积随铝粉含量增加呈急剧下降趋势。
从表4可以看出，与3层BP模型比较，本文设计的模型可以减少训练次数、缩短训练时间、提高预测正确率，具有一定的优势。
本文模型适合用于液固混合材料在空气中爆炸的威力预测，仅局限在小药量无约束空间。今后应开展多种条件下的燃料空气混合物爆炸试验，积累更多的学习训练样本，以便进一步扩大文中所设计神经网络模型的适用范围。
4结论
1)模型训练及应用结果表明，本文采用的预测方法简便、可行，可以为燃料空气混合物爆炸威力预测提供一种新途径。
2)与3层BP模型对比，本文设计的预测模型可以减少训练次数、缩短训练时间、提高预测正确率，具有一定的优势。
3)今后应积累更多的学习训练样本，扩大模型的适用范围。
5摘要：
燃料空气混合物爆炸威力准确预测研究是学术界的一个难题。针对燃料空气混合物爆炸威力有效预测问题，采用神经网络方法，设计多层神经网络模型，进行实际预测应用。应用结果表明，采用的预测方法简便、可行，可以为燃料空气混合物爆炸威力预测提供一种新途径。相比3层BP模型，设计的预测模型可以减少训练次数，缩短训练时间，提高预测正确率，应用优势较明显。
