造型颗粒统计特征参量CT量化表征方法

为了量化表征造型颗粒结构统计特征参量，基于显微CT、图像处理与统计分析技术开展了造型颗粒统计特征参量表征方法研究，利用该方法对TATB基造型颗粒统计特征参量进行表征并用筛网筛分实验对表征结果进行了验证，对表征结果的稳定性和重复性进行了评估。结果表明，该方法可实现对造型颗粒粒径、形貌、孔隙、密度、堆积特性的量化表征，TATB基造型颗粒的粒径与球形度分别近似服从指数高斯和韦伯分布，本征密度1.35 g·cm^-3，可见孔隙率2.3%(空间分辨率14.3μm)，体积分数0.69。评估实验表明该方法具有较好准确性，表征结果具有较好的稳定性和重复性，粒径表征结果与筛网筛分结果相符，主要统计特征参量在不同时间段的测量结果相对偏差小于1%，形貌和孔隙特性表征结果受样品堆积状态影响相对较大。     

基于CT图像序列的围压TATB基PBX冲击损伤特性

为研究高聚物黏结炸药(PBX)在冲击载荷作用下损伤特性,以分离式霍普金森压杆(SHPB)对TATB基PBX进行了动态冲击实验,利用X射线显微层析成像(X?ray Micro?computed tomography,X?μCT)进行了损伤观测表征,基于CT图像序列并结合数字图像处理算法,对损伤裂纹进行了提取与三维重构,并提出一种基于CT图像序列的缺陷体积占比的损伤变量评价方法,对不同子弹冲击速度作用下的损伤变量值进行了计算。结果表明,损伤裂纹沿着与端面约为60°方向由两端向中间延展,裂纹整体呈"沙漏"分布特征,且随着子弹冲击速度增加,裂纹延伸方向基本保持不变,由于炸药初始损伤的存在,损伤变量值并不一直增大,而是先减小再增大,后呈急剧增大趋势。     

基于深度学习的PBX裂纹像素级识别方法

高聚物粘结炸药（Polymer Bonded Explosive, PBX）内部裂纹对其性能及可靠性具有明显影响,裂纹的精确识别是PBX内部质量检测的关键。针对PBX内部裂纹识别,基于U-Net和SegNet两种像素级图像识别网络,建立了5种深度学习网络,对比研究了网络连接方式和预训练模型对裂纹识别的影响。基于CT获取的PBX裂纹图建立了数据集,对5种网络进行了训练,采用准确率（A）、F1值（F₁）和平均交并比（MIoU）指标对网络进行了评估,在此基础上选择细节识别性能最优的网络用于PBX裂纹的识别和量化分析。结果表明,针对裂纹像素级识别,U-Net型网络优于Seg-Net型网络,网络中Concatenate操作比Pooling Indices操作保留更多图像细节信息,采用预训练模型MobileNet和ResNet可以提高网络训练速度,但导致其裂纹像素级识别性能降低。利用建立的识别方法开展PBX裂纹识别研究,实现了对PBX裂纹的像素级识别,裂纹检出率0.9570,单像素识别准确率为0.9936,MIoU为0.9873,相对裂纹面积为0.7585。     

TATB基高聚物粘结炸药残余应力的测试和消除研究

以TATB基高聚物粘结炸药(PBX)为对象,采用盲孔法测定了PBX炸药的初始残余应力及其分布,研究了孔深和钻孔后应变读数时间对结果的影响,以及样品热处理后对残余应力松弛的影响.结果表明: 孔深3 mm和钻孔后10 min的应变读数时间是适宜的实验参数.热处理能够明显降低和均化PBX炸药内部的残余应力,75 ℃热处理3 天能消除50%的残余应力并趋于稳定.