| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 引言 | 第9-11页 |
| 1 文献综述 | 第11-27页 |
| 1．1 课题背景及意义 | 第11-12页 |
| 1．2 可燃气云爆炸形式及特点 | 第12-14页 |
| 1．3 影响气云爆炸强度的因素 | 第14-17页 |
| 1．4 爆炸波破坏准则 | 第17-20页 |
| 1．5 人工神经网络 | 第20-25页 |
| 1．5．1 神经网络基础 | 第20-22页 |
| 1．5．2 神经网络的结构与功能 | 第22-23页 |
| 1．5．3 BP算法 | 第23-25页 |
| 1．6 本文的研究目标及内容 | 第25-27页 |
| 2 可燃气云爆炸实验研究 | 第27-93页 |
| 2．1 实验方法 | 第27-31页 |
| 2．1．1 实验系统 | 第27-30页 |
| 2．1．2 实验方法 | 第30-31页 |
| 2．2 内置障碍物对可燃气云爆炸冲量场的实验研究 | 第31-93页 |
| 2．2．1 实验方案 | 第31-32页 |
| 2．2．2 浓度实验对爆炸冲量的影响 | 第32-33页 |
| 2．2．3 正交实验结果与分析 | 第33-41页 |
| 2．2．4 内置障碍物特性参数变化对爆炸冲量场影响的实验研究 | 第41-69页 |
| 2．2．5 内置障碍物特性参数对爆炸冲量场影响的综合回归分析 | 第69-92页 |
| 2．2．6 内置障碍物实验的小结 | 第92-93页 |
| 3 多能模型在可燃气体爆炸中应用 | 第93-101页 |
| 3．1 多能模型方法的基本概念 | 第93-94页 |
| 3．2 多能模型在障碍物约束的气云爆炸中的应用 | 第94-101页 |
| 3．2．1 多能模型方法中边界条件的设定 | 第94-95页 |
| 3．2．2 多能模型在内设障碍物的气云中的应用 | 第95-101页 |
| 4 基于人工神经网络技术的气云爆燃模拟与预测 | 第101-109页 |
| 4．1 BP算法 | 第101-103页 |
| 4．2 BP网络的构造与计算机实现 | 第103-105页 |
| 4．2．1 BP网络构造 | 第103-104页 |
| 4．2．2 模型网络的归一化处理 | 第104页 |
| 4．2．3 模拟、预测的计算机实现 | 第104-105页 |
| 4．3 模拟预测的实际应用 | 第105-109页 |
| 4．3．1 训练与检验样本的确定 | 第105-107页 |
| 4．3．2 神经网络的检验 | 第107-109页 |
| 结论 | 第109-111页 |
| 参考文献 | 第111-114页 |
| 附录A 浓度实验 | 第114-117页 |
| 附录B 条栅形障碍物对爆炸冲量影响的实验数据 | 第117-142页 |
| 附录C 球袋形障碍物对爆炸冲量影响的实验数据 | 第142-152页 |
| 附录D DT12L数据采集卡操作说明 | 第152-153页 |
| 附录E 符号说明 | 第153-155页 |
| 攻读硕士学位期间发表学术论文情况 | 第155-156页 |
| 致谢 | 第156-157页 |
| 大连理工大学学位论文版权使用授权书 | 第157页 |