在飞行员板撞击实验中学习强大的参数推断和密度重建
Evan Bell1, Daniel A Serino2, Ben S Southworth1
1Theoretical Division, Los Alamos National Laboratory, P.O. Box 1663, Los Alamos, NM, 87545, USA.
Scientific reports
|November 19, 2025
概括
从射线图像中准确估计材料特性是一项挑战. 本研究引入了一种机器学习方法,使用不同的冲击速度来推断状态方程和粉碎参数,从而能够更好地估计材料属性.
科学领域:
- 物理 物理学 物理
- 材料科学 是一种材料科学.
- 计算科学 计算科学
背景情况:
- 放射学在冲击物理实验中至关重要,但不会直接产生密度等关键变量.
- 当直接访问状态变量有限时,传统的参数估计会失败.
研究的目的:
- 开发一种机器学习 (ML) 方法,从放射数据中推断材料特性.
- 解决从放射学中估计状态方程 (EoS) 和粉碎孔隙性参数的局限性.
主要方法:
- 使用飞行器板对多孔材料的冲击实验.
- 采用生成机器学习来直接从X光片中产生物理参数的后置分布.
- 结合低和高冲击速度数据,以捕获不同的压缩和冲击传播模式.
主要成果:
- 证明单独的高速数据不足以进行准确的参数推断.
- 展示了ML方法在从模拟实验中估计EoS和粉碎模型参数方面的有效性.
- 验证了估计的参数可以在水力动力学模拟中改善密度重建.
结论:
- 拟议的ML方法可以从放射观测中准确估计材料属性.
- 该方法对噪声和模型不匹配具有稳定性,在实验数据分析中提供了潜在的突破.
- 这种技术有助于更好地理解和预测极端条件下的材料行为.
