轻质复合耐压结构中冲击防护措施的评估与优化

《Journal of Ocean Engineering and Science》：Evaluation and Optimization of Implosion Protection in Lightweight Composite Pressure-Resistant Structures

　　张欣雨|赵敏|孙胜霞|万欣|葛彤
上海交通大学海洋与土木工程学院海洋工程国家重点实验室，上海，中国
摘要
轻量化与耐压结构的安全性通常是两个相互冲突的性能指标。有必要进一步讨论轻量化耐压结构的抗内爆保护策略，以实现最佳设计方案。本研究评估并优化了一种带有陶瓷耐压内衬和碳纤维增强聚合物（CFRP）外保护层的轻量化复合结构的抗内爆性能。首先通过20 MPa外部压力下的内爆实验验证了流固耦合模型，为后续分析奠定了可靠的基础。随后，总结了轻量化复合耐压结构的抗内爆保护方案，并通过仿真研究评估了这些方案的有效性，揭示了增加布局距离和提高内部压力等方案的局限性。最后，从结构优化的角度出发，以轻量化和安全性为目标，采用粒子群优化（PSO）、反向传播（BP）神经网络和遗传算法（GA）组合的混合优化方法，获得了陶瓷耐压层和CFRP保护层的最佳厚度。结果表明，所提出的算法具有出色的小样本适应性、全局优化能力和工程实用性，预测精度高且鲁棒性强。研究揭示了陶瓷和CFRP之间实现良好协同作用的最佳设计区间，可以有效延缓应力集中和结构失效。这为轻量化复合耐压结构的保护设计和优化提供了重要参考，并对其在海洋工程中的设计和应用提供了指导。

1. 引言
深海潜水器作为深海资源开发的重要装备，具有广泛的研究前景。作为深海潜水器的关键组成部分，耐压结构在设计和材料选择时应尽量减小重量与体积比[1]，以提高整体性能。轻量化的研究可以追溯到20世纪60年代[2]。非金属材料作为传统钛合金的替代品，因其优异的减重性能而受到全球潜水器研究机构的广泛关注。其中，陶瓷和CFRP是典型的代表。例如，HROV Nerus就是一个极端应用的例子，它使用了1,472个陶瓷球体来提供浮力[3,4]，如图1所示。该潜水器于2009年5月成功潜入马里亚纳海沟，达到了10,902米的深度，满足了工作环境的耐压要求。另一个例子是韩国正在开发中的Ray式水下滑翔器（RUG），它使用碳复合材料制造耐压外壳。与传统的高强度铝材料相比，可以减轻超过40%的重量，同时保持机械强度[5]，显著提高了整体性能。

同时，深海工作环境对耐压结构有很高的安全性要求。首先，极高的环境压力要求结构具有良好的耐压性能。同时，不能忽视内爆的潜在风险[[6],[7],[8]]。与爆炸不同，内爆是在结构失去稳定性后发生的剧烈坍塌现象。在内爆过程中，流场的静水压力转化为流体动能。当气流将内部气体腔压缩到最小尺寸时，内部空气会向外反弹，产生远大于环境压力的冲击波，带来巨大的安全风险。例如，Super-Kamiokande光电倍增管（PMT）的玻璃内爆事故[9]、使用陶瓷耐压结构的Trieste潜水器内爆事故[10,11]，以及使用CFRP耐压结构的Titan潜水器内爆事故[12] ?，都是典型的非金属空心结构内爆事故，这些结构都是由单一材料制成的。这些事故造成了人员伤亡和巨大的经济损失，也引起了人们对非金属材料应用的担忧。在这种背景下，提出保护方案显得十分必要。

为了减轻或抑制内爆的影响，学者们进行了相关防护研究。增加内部气体的初始压力成为一种考虑的解决方案。他们指出，增加初始内部压力可以提高压缩气体所需的能量[13]，从而有效降低内爆强度，并进行了一系列纯流体的计算仿真验证了这一解决方案的有效性[[14],[15],[16],[17],[18]]。然而，这些研究没有考虑特定结构的影响。此外，关于这种防护方案实际应用范围的讨论也较为缺乏。另一种解决方案是外部防护罩。针对PMT的内爆现象，学者[19]设计了一种半球形防护罩（图2（a）），上半部分由透明树脂材料ABS（丙烯腈-丁二烯-苯乙烯）制成，并对PMT阵列进行了水下内爆实验和数值仿真验证了其防护效果。Jiang等人[20]设计并制造了一种PMT内爆防护罩，如图2（b）所示。防护罩由上层12毫米厚的聚甲基丙烯酸甲酯（PMMA）和下层2毫米厚的不锈钢组成。在此基础上进行了实验，验证了其可行性并阐明了PMT内爆保护机制。Sun等人[21]从流场控制的角度提出了一种用于多孔刚性防护罩陶瓷耐压壳的内爆数值方法，并对带有多孔防护罩的陶瓷耐压壳进行了内爆实验以验证数值仿真结果。然而，使用单一非金属材料加上额外防护罩往往会牺牲整个结构的轻量化性能。

为了更好地平衡轻量化和防护效果，我们提出了一种新的复合空心球结构概念。该结构具有陶瓷内衬和CFRP外层，如图4所示。与传统单一非金属耐压结构相比，其在轻量化和防护方面的优势已经得到证实[22]，具有良好的应用前景。然而，本研究仅提出了结构的初步概念设计。由于该结构在深海超高压力环境下仍面临内爆风险，因此有必要将其作为研究对象，评估现有防护策略，并进一步深入研究内爆防护[24]。

先前的研究[22]还发现，对于这种新型复合结构，随着距离的增加，内爆压力峰值会减弱。因此，我们在防护方案中考虑了增加结构间距的方法来减轻内爆的影响。在较低的环境压力下，这种效果会更加明显，从而避免对其他结构的损害并实现更好的防护效果[23]。然而，相关结论缺乏直接实验验证，且目标环境压力的范围相对较窄。因此，需要选择不同典型海深的静水压力来评估相关结论的适用性，并进一步制定更合理的防护方案。同时，在满足承载能力的前提下，适当增加CFRP的壁厚和减少陶瓷的壁厚可以提高防护性能并减轻重量。但目前仅提供了宏观发现，没有提出具体的设计方法或两种材料的合适壁厚比。因此，有必要优化新型复合空心球的设计，主要目标是实现更轻的重量和更好的内爆防护性能，同时满足深海耐压结构的工作要求。这也是本文的主要研究内容之一。

总之，基于内爆防护和轻量化的设计目标，本文对相关防护方案进行了全面系统的评估。以往大多数关于参数敏感性的研究仅关注变化的外部条件，没有在多种运行条件下进行进一步研究或针对结构性能的工程优化。因此，本文提出了一种针对小型深海复合耐压结构的新优化方案，旨在实现最佳的结构厚度比。

随着计算机技术的不断发展，将智能优化算法与有限元数值仿真结合用于结构优化成为新的趋势。替代模型是一种利用已知参数预测未知响应的模型，能够高精度地模拟原始模型。在进行结构优化时，将其与智能优化算法结合使用可以显著提高优化效率。作为常见的替代模型之一，BP神经网络是一种通过误差反向传播训练算法训练的前馈神经网络[24]，已在海洋工程设计领域得到广泛应用[25,26,27]。然而，传统的BP神经网络在用实验数据训练时权重和阈值的选择具有随机性，可能导致拟合效果差或过拟合等问题[28]。为了解决这个问题，学者们进行了相关研究。例如，使用GA（GA-BP方法）[29,30]优化BP神经网络是一种常用的解决方案，可以显著提高预测性能，但其泛化能力仍有改进空间。基于PSO-BP方法的反向传播神经网络[31]也在海洋工程领域得到了广泛应用[32,33]。尽管标准PSO算法可以有效改善BP神经网络的不稳定收敛速度，但它缺乏种群多样性，导致全局搜索性能较差，从而直接降低预测精度。本文通过引入遗传算法的变异机制改进了PSO算法，并结合正交实验设计，采用了适合复合耐压结构优化的PSO-BP-GA方法，旨在获得更好的轻量化和防护性能设计方案。

本文为新型复合空心球壳建立了内爆流固耦合模型，并在20 MPa的外部压力下进行了内爆实验。实验直观地揭示了距离球心R处的压力波动曲线特性，验证了仿真方法的可行性，为后续方案评估和优化设计奠定了基础。其次，提出了三种内爆防护方案，并针对不同的典型海深和静水压力条件进行了仿真研究。讨论了改变外部条件时方案的应用范围和局限性，强调了设计并优化结构本身的必要性。最后，从球形结构的设计出发，采用了一种结合粒子群算法改进的反向传播神经网络和遗传算法的优化方法。考虑到海洋工程中耐压结构的设计要求，以确保结构的轻量化和提高其防护性能为主要目标，对新型复合空心球结构进行了优化，获得了最佳设计比，为海洋工程中复合耐压结构的设计和应用提供了指导。

2. 数值方法和实验验证
2.1. 流固耦合模型
轻量化复合结构由陶瓷耐压内衬层和CFRP外保护层组成，如图5所示。陶瓷和CFRP的材料参数分别见表1和表2。整个结构通过成型制备而成。经检查，两种材料层紧密结合，整个结构具有较高的光滑度和圆度。CFRP（T300/WP-R5600W3K复合材料）的材料性能如下：

| 材料符号 | 数值 | 单位 |
|-------------|----------------|-----------------|
| 密度（ρ） | 1560 kg/m3 | |
| 第1方向的杨氏模量 | 1×1011 | 60.53 GPa |
| 第2方向的杨氏模量 | 1×102 | 60.19 GPa |
| 泊松比（μ） | 0.3 | |
| 剪切模量1 | 2×1012 | 182.89 MPa |
| 剪切模量2 | 2×103 | 173.75 MPa |
| 剪切模量3 | 2×1013 | 150.9 MPa |
| 纵向抗拉强度 | 7×10? | 3.04 MPa |
| 横向抗拉强度 | 7×10? | 9.58 MPa |
| 纵向抗压强度 | 7×10? | 4.51 MPa |
| 横向抗压强度 | 7×10? | 6.80 MPa |
| 第1方向的剪切强度 | 7×10? | 30.35 MPa |
| 第2方向的剪切强度 | 7×10? | 30.14 MPa |

通过加工得到的复合压力 resistant 球形壳的结构参数如下：陶瓷层的壁厚为1.5 mm，CFRP层的壁厚也为1.5 mm，整个球形壳的外径为94 mm。基于上述参数，建立了模型并进行了验证实验，为后续的仿真计算和优化分析提供了基础。

使用OpenRadioss软件，采用ALE（任意拉格朗日-欧拉）流体-结构相互作用方法计算了复合压力抵抗结构的内爆过程。拉格朗日域使用壳体元素描述，而欧拉域使用固体元素描述，并通过壳体元素将欧拉域离散化为空气和水区域。空气的状态采用理想气体状态方程描述，水的状态则采用强化气体状态方程描述。球体内空气区域的状态方程为：
(1) P_a = (γ_a ? 1) ρ_a
球体外水的状态方程为：
(2) P_w = (γ_w ? 1) ρ_w ? γ_w Pref
其中ea和ew分别表示空气和水的比内能，γ_a=1.4，γ_w=4.4，Pref=600 MPa是与分子力相关的常数[34]。

在拉格朗日域的建模部分，CFRP层和陶瓷层通过连接约束进行连接。这种仿真方法可以简化模型并提高计算效率，已在许多研究中得到应用[35,36]。在结构加工过程中，碳纤维铺设在衬层上并直接加热形成CFRP层，然后通过树脂与陶瓷层紧密粘合。因此，这种仿真方法是合理的。

对于陶瓷材料，采用最大主应力准则来定义失效。陶瓷元素在最大主应力达到310 MPa时发生失效。使用3D Hashin失效准则来表征复合材料的失效行为。相关参数见表1和表2，其中1表示纤维方向，2表示垂直于纤维的方向，3表示同时垂直于1和2的方向。

数值仿真模型如图6所示，水的半径设为结构半径的20倍，以模拟内爆的深海环境。水域边界设置为非反射条件，以避免由于计算域边界处冲击波反射引起的流场畸变。这种边界配置是用于模拟可压缩多相流中冲击波传播的常用方法[37]。

基于以往的研究[21,34]，计算时采用了2 mm的网格尺寸。网格独立性验证表明，这种网格尺寸能够充分满足碎片尺寸等结果的仿真精度要求，从而验证了该网格尺寸的合理性。对于流场网格，我们根据国际拖曳水池会议（ITTC）提出的不确定性分析方法[38]，分别分析了粗网格（4 mm）、中网格（2 mm）和细网格（1 mm）的仿真结果。监测点距离球面1.5 R处的内爆冲击波峰值压力，以验证是否符合收敛准则，相关结果见表3。

表3. 网格收敛性测试的网格信息

| 网格设置 | 峰值压力（MPa） | 误差（%） |
|----------------|-------------|---------------|
| 粗网格 | 271.5 | 0.59 |
| 中网格 | 272.3 | 0.29 |
| 细网格 | 273.1 | 0.5 |

收敛比Rc定义如下：
(3) Rc = (ε_32 / ε_21) = (ε_3 ? ε_2) / (ε_2 ? ε_1)
其中ε_1、ε_2和ε_3分别代表粗网格、中网格和细网格的仿真结果。

三种网格情况下获得的峰值压力分别为271.5 MPa、272.3 MPa和273.1 MPa。计算结果表明0 < Rc < 1，满足收敛准则。因此，考虑到计算效率，最终选择了中网格进行后续计算。

总结而言，空气域和结构的网格尺寸设为2 mm，水域的网格尺寸从2 mm（在R0处）变化到10 mm（在20 R0的欧拉边界处），其中R0表示球的半径。

2.2. 实验设置与验证
为了更直观地验证仿真方法的可行性，并为后续保护方案评估和结构优化提供参考，我们在20 MPa的周围压力下进行了复合压力抵抗结构的内爆实验。使用这种静水压力进行内爆仿真可以直接验证内爆流体-结构相互作用算法的准确性。同时，产生的峰值内爆冲击波保持在实验装置的安全阈值范围内，从而避免了在更高环境压力下内爆导致的峰值冲击波压力急剧上升，这可能会危及实验安全。通过在相对较低的压力下进行实验来验证仿真方法，然后将其外推到更高压力下的数值仿真，这种方法在深海压力抵抗结构的内爆领域得到了广泛验证和应用[35,39]，其可靠性已得到充分证实。

测试样品是图7所示的轻质复合压力抵抗结构，其技术参数列在表4中。在样品制备过程中，采用了八段切割法[23]。通过切割、铺设和后处理步骤，确保了CFRP预浸料在陶瓷球体上的无皱褶铺设。

表4. 复合结构的技术参数
| 内层材料 | 陶瓷 |
| 外层材料 | CFRP |
| 碳纤维层数 | 7 |
| 总外径 | 94 mm |
| 平均壁厚 | 3 mm |
| 直径误差 | ±0.5 mm |

关于样品的准确性，首先，陶瓷内衬是实际用于HROV Nereus的无缝薄壁空心球体。其设计、制造、结构性能和质量控制已在文献中得到验证[40]。其次，对于CFRP保护层，在制备过程中采用了压缩成型和真空处理，检查了尺寸精度、圆度等指标。制备完成后，进行了静水压力测试，以确保在高压环境下的结构安全性，从而满足实验要求。

实验在上海交通大学的全海深海水环境模拟器中进行[23]，如图8所示。实验装置主要由压力容器本体及其框架、加载和卸载系统、液压驱动系统、电气控制系统和安全保护装置组成。其中，铝合金框架用于固定油缸、压力抵抗结构和流体动力压力传感器。电缸活塞杆用于压缩结构以引发失效，如图9所示。

图8. 全海深海水环境模拟器。

复合球体使用钢丝固定在框架的中心。压力传感器位于距离球体表面一个半径的位置，用于测量复合结构内爆过程中的压力变化。框架外部安装了过滤网，用于收集结构残余物和碎片，如图10所示。

图10. 压力传感器和过滤网的结构布局。

本实验中使用的传感器由扬州科东电子有限公司（型号KD2101L）制造，测量范围为0 MPa–100 MPa，共振频率≥1000 kHz，动态精度误差<1%。相关核心技术参数能够满足内爆实验的工作条件。同时，为了进一步确保实验的可靠性，还进行了重复性验证。在实验前后检查了传感器性能，以消除测量过程中的额外误差。

实验过程中，压力以每分钟1 MPa的速率增加，直到周围压力达到20 MPa。保持这个压力10分钟后，激活油缸以引发结构失效，并获得内爆冲击波的压力曲线。

本研究的主要不确定性来源于压力传感器的测量误差（±1 MPa）。基于传感器误差，每个测量点的相对不确定性计算如下：
(4) ur = (Error / P) × 100%
其中P是测量压力，Error是压力传感器的测量误差。

由于本研究关注内爆压力峰值作为关键指标，因此专门对峰值压力进行了验证。三次重复测量得到的峰值压力分别为53.848 MPa、53.293 MPa和54.331 MPa，平均值为53.824 MPa，标准差为0.519 MPa。

变异系数（CV）计算如下：
(5) CV = (S_x? / S) × 100%
其中S是标准差，x?是平均值。

标准差计算公式为：
(6) S = 1/n ? 1 ∑_{i=1}^n (xi ? x?)^2
其中n是重复实验的次数，xi是第i次测试的测量值。

代入数值后，计算得到的变异系数为0.96%，小于相对测量不确定性1.86%。这一定量评估表明这些不确定性对结果的影响很小，处于可接受的工程范围内。

在此基础上，展示了实验结果与数值结果的比较。数值仿真是基于前一节描述的模型针对该实验条件进行的。比较结果如图11所示。

图11. 距离球面R处的压力（20 MPa）的数值仿真与实验结果的对比

实验和仿真的压力曲线都与典型的内爆压力曲线一致。本研究的核心评估指标是内爆正压峰值，它直接反映了对周围结构的影响。因此，比较主要关注正压峰值及其持续时间。通过比较在20 MPa静水压力下，距离球面R处的监测点的数值仿真和实验结果，可以看出数值仿真的峰值压力为50.7 MPa，而实验的峰值压力为53.8 MPa。冲击波的幅度和脉冲宽度非常接近，峰值压力之间的误差仅为5.76%。这种一致性水平对于工程规模的内爆仿真是可接受的[21,23]，并为后续研究提供了足够的信心。同时，在图11中绘制了表示三次重复实验标准差的误差条，对应于初始稳定阶段、冲击上升阶段、压力峰值阶段和后峰值衰减阶段。这些误差条的较短长度进一步验证了实验结果的可靠性。

接下来，比较了实验和仿真得到的结构失效特性。在我们之前的研究[23]中，这种复合结构在水下内爆下的失效模式可以分为三个阶段，如图12所示。第1阶段涉及内衬陶瓷的局部损伤。第2阶段，在内衬陶瓷的局部损伤后，出现承压薄弱点，导致相应位置的外部CFRP层发生塌陷和损坏。第3阶段涉及整个结构的整体塌陷和失效。因此，也对响应阶段进行了比较，发现实验和仿真结果都达到了结构失效的第三阶段。

图12. 新型薄壁复合结构的内爆失效三个阶段。

从实验中收集的结构碎片如图13所示，呈块状且大小不规则。在仿真中，内部陶瓷结构首先开始失效。失去陶瓷支撑的外层碳纤维发生局部塌陷，在整体结构中形成薄弱区域。当腔体内的空气被压缩到极限然后反弹时，冲击波会继续向外传播，导致整个结构的破坏。由于碳纤维的各向异性，所形成的碎片大小不规则，如图14所示。这与实验中获得的结构碎片特征相符。下载：下载高分辨率图片（209KB）下载：下载全尺寸图片图13. 实验中获得的结构碎片。下载：下载高分辨率图片（331KB）下载：下载全尺寸图片图14. 数值模拟得到的结构响应特征。实验结果与模拟结果的比较在表5中呈现。相对误差和一致性评估被用作判断实验和模拟之间一致性的标准。可以看出，数值模拟的定量误差结果处于深海工程可接受的范围内。此外，定性比较显示在结构响应阶段和破坏后碎片形态上也有很好的一致性，这验证了模型在模拟破坏机制方面的可靠性。总之，实验和数值模拟结果的比较验证了本文提出的内爆数值模拟方法的准确性，为下一节中的保护方案评估和结构优化奠定了基础。表5. 实验和模拟结果的比较。比较因素压力峰值压力宽度响应阶段碎片形态实验值53.8 MPa相对误差5.76%相对一致所有阶段1到3在形态和大小上都有很好的一致性模拟值50.7 MPa3. 内爆保护方案的评估3.1. 保护方案和工作条件首先，基于之前的讨论和分析，并考虑到研究对象的特点，提出了三种轻质复合耐压结构的内爆保护方案。具体来说，方案1涉及增加结构间距；方案2侧重于增加内部压力；方案3旨在优化结构设计。这些方案在图15中进行了说明。下载：下载高分辨率图片（498KB）下载：下载全尺寸图片图15. 轻质复合耐压结构的三种内爆保护方案。方案1和2主要关注建立外部条件以增强保护效果；而方案3则旨在改进轻质耐压结构本身。本节首先对轻质耐压结构在高压环境下的性能进行仿真计算，并讨论前两种方案的保护效果。选定的工作条件如表6所示。内爆触发条件是压力压缩，这与实验中使用的触发方法一致。表6. 不同的工作条件。案例陶瓷厚度CFRP厚度周围压力内部压力案例11.5 mm1.5 mm50 MPa0.1013 MPa案例21.5 mm1.5 mm80 MPa0.1013 MPa案例31.5 mm1.5 mm50 MPa5 MPa案例41.5 mm1.5 mm80 MPa5 MPa3.2. 仿真结果和讨论在实际的深海工程应用中，耐压浮球并不是单独排列的，而是成阵列布置的。内爆的破坏性主要在于单个结构的内爆会释放巨大的压力，这会影响周围的结构并导致灾难性后果[41]。因此，选择了距离球心R、2R和3R处的监测点来评估不同距离下冲击波对周围结构的影响，峰值压力分别记为PR、P2R和P3R。R表示内半径。R、2R和3R分别对应于球壳表面（结构本身）、阵列中的相邻区域以及其他安全保护区。这种间距布置与实际工程中结构保护和周围结构安全的设计要求高度一致，为实际安全区的设计提供了参考。四种工作条件下的流体压力曲线如图16所示。不同条件下的监测点峰值压力总结在表7中。对于结构响应，选择了典型时刻来分析不同工作条件下的结构响应，如图17、图18、图19、图20所示。整体结构的响应阶段[23]也在图中标出，以便更好地说明内爆的发展过程。阶段1表示局部陶瓷损坏，阶段2表示CFRP坍塌，阶段3表示整体失效。下载：下载高分辨率图片（542KB）下载：下载全尺寸图片图16. 不同工作条件下的流体压力曲线。表7. 监测点的峰值压力。案例PRP2RP3R案例1135.6 MPa105.4 MPa87.2 MPa案例2240.8 MPa161.2 MPa131.0 MPa案例383.0 MPa67.1 MPa62.5 MPa案例4161.8 MPa122.1 MPa108.0 MPa下载：下载高分辨率图片（881KB）下载：下载全尺寸图片图17. 案例1的典型时刻（0.10 ms、0.14 ms、0.18 ms），显示（a）陶瓷衬里和（b）整体结构的响应。从图16和表7可以看出，一般来说，压力波的峰值压力随着距离球心的增加而减弱，直到降至周围压力。以案例1为例，监测点R、2R和3R分别对应于结构本身、距离结构R的位置以及距离结构2R的位置。随着间距的增加，压力峰值分别降低了22.3%和17.3%，表明了良好的保护效果。因此，在周围压力较低的条件下，通过增加间距来实现的方案1是可行的。然而，这种衰减的程度受到周围压力的影响。例如，与案例1相比，案例2中的P3R高出33.4%，并且根据图17、图18，案例2中的陶瓷衬里和整体结构的坍塌率都高于案例1，表明损坏更严重。因此，方案1的保护效果对于这种工作条件来说远远不够。此外，增加与周围结构的距离也会导致潜水器实际安装和布局中的整体空间利用不佳，不利于整体性能。总之，仅依赖方案1进行保护存在显著的限制。下载：下载高分辨率图片（902KB）下载：下载全尺寸图片图18. 案例2的典型时刻（0.10 ms、0.14 ms、0.16 ms），显示（a）陶瓷衬里和（b）整体结构的响应。接下来，评估方案2的保护效果。与案例1相比，案例3中监测点R、2R和3R的压力峰值分别降低了38.79%、36.34%和28.33%；与案例2相比，案例4中监测点R、2R和3R的压力峰值分别降低了32.81%、24.26%和17.56%，表明了良好的保护效果。图17至图20表明方案2减轻了结构响应的强度。具体来说，案例3并没有像案例1那样在相同时刻发生整体结构坍塌，说明该方案的有效性。然而，随着周围压力的增加，如图4所示，增加相同内部压力的保护效果会减弱。尽管可以通过继续增加内部压力达到临界内爆保护压差[24]来实现保护目标，但在实际工程中，内部压力的增加也受到安全考虑的限制。下载：下载高分辨率图片（983KB）下载：下载全尺寸图片图20. 案例4的典型时刻（0.10 ms、0.14 ms、0.16 ms），显示（a）陶瓷衬里和（b）整体结构的响应。计算结构安全内部压力的公式如下[23]：(7)Pin≤σmaxS[(R1R2)2?1]其中σmax表示陶瓷衬里可以承受的最大拉应力，R1和R2分别是球壳的外径和内径，Pin是内部空气压力，S是安全系数。该公式限制了内部压力可以增加的范围[40]。同时，目前常用的增加内部压力的方法是在结构半球壳制造完成后在高压室内进行密封处理。因此，过高的内部压力也不利于实际制造过程。方案2在实际应用中也存在局限性。总之，通过对最初两种修改外部条件的方案的保护效果进行综合评估和分析后，认为方案1和方案2都存在固有的局限性。因此，有必要优化轻质耐压结构本身的内在设计。通过采用方案3，可以提出更详细和具体的设计提案，以实现轻量化和保护性能之间的最佳平衡。4. 复合结构的优化4.1. 优化方法和过程在讨论了方案1和方案2的适用性和局限性之后，我们阐明了选择方案3进行结构优化的必要性。结合深海工程中轻质耐压结构的设计要求，我们旨在确保结构既轻便又增强内爆保护性能。设计变量是内部陶瓷层厚度t1和外部CFRP层厚度t2。我们对新的空心球形结构进行了优化。在复合结构的优化过程中，轻量化设计和安全性被设定为设计目标。对于后者，使用周围监测点处的压力峰值来评估安全性是当前与内爆相关研究中常用的定量方法[[21]、[22]、[23]]。这是因为内爆的破坏性主要在于单个结构的内爆会释放巨大的压力，这进一步影响周围的结构。当产生的压力达到周围结构的失效极限时，将引发连锁反应的内爆，导致灾难性后果[41]。因此，以中心半径处的一个监测点的峰值压力作为评估内爆保护性能的指标：峰值压力越小，保护效果越好。因此，目标函数被确定为质量M和监测点P处的峰值压力，我们尽量同时最小化这两个量。同时，本研究认为轻量化和内爆保护效果同样重要，因此希望获得同时满足这两个因素的结果。在实际应用中，可以通过设置权重因子来调整轻量化和保护效果的优先级。为了符合工程要求，轻量化的权重设置为0.5，保护效果的权重也设置为0.5。这意味着两个目标的重要性相同，从而在优化过程中可以同时考虑它们。尽管映射模型并不复杂，但由于深海内爆场景的强非线性、样本量小和强耦合特性，问题本身是复杂的。传统算法在解决方案效率、准确性、工程适应性方面表现不佳，并且容易过拟合和陷入局部最优解。因此，本研究采用了PSO-BP-GA混合算法。所提出的框架不仅仅是算法的简单叠加，而是一种面向工程的重建和适应性设计，用于轻量化和内爆保护的双目标优化。它有效地提高了小样本适应性、全局优化性能、预测准确性和鲁棒性，更适合深海复合耐压结构的优化。作为一种群体智能优化算法，PSO可以通过模拟鸟类或鱼类的社会行为在解决方案空间中找到最优解，而BP神经网络通过前向传播和反向传播来优化模型权重，以提高预测准确性。PSO可以有效避免传统优化方法中的局部最优解问题，而BP网络可以快速训练并收敛到最优解，这是解决该问题的最佳组合方案。其中，BP神经网络是一种多层前馈神经网络，通过误差反向传播算法进行训练，包括输入层、隐藏层和输出层[42]。其工作原理是：通过前向传播，输入数据从输入层经过隐藏层处理到输出层，每层的神经元使用激活函数处理数据以获得预测结果；然后，使用损失函数计算预测值与实际值之间的误差，再将误差从输出层反向传播到输入层，根据梯度下降方法更新每层的权重和偏置，不断调整模型参数以减少误差，使模型输出逐渐接近真实值[43]。本文考虑的BP模型是一个三层神经网络结构，具有2个输入节点、8个隐藏节点和2个输出节点，如图21所示。下载：下载高分辨率图像（200KB）下载：下载全尺寸图像图21。BP神经网络模型（w是权重矩阵向量，b是偏置向量）。损失函数使用均方误差（MSE）来衡量预测值和实际值之间的差异，公式为：(8) MSE=1/n∑s=1/n∑k=12(yks?y^ks)2 其中n是样本数量，yks是第k个输出层节点在第st个样本的实际值，y^ks是第k个输出层节点在第st个样本的预测值。在反向传播过程中，根据梯度下降更新权重和偏置以最小化损失函数的值。设学习率为η，则权重和偏置根据以下公式更新：(1) 输出层权重的更新公式为：(9) Δwkj=?η?MSE/?wkj=η∑s=1/n(yks?y^ks)hjs (10) wkj(t+1)=wkj(t)+Δwkj (2) 输出层偏置的更新公式为：(11) Δbk=?η?MSE/?bk=η∑s=1/n(yks?y^ks) (12) bk(t+1)=bk(t)+Δbk (3) 隐藏层权重的更新公式为：(13) Δwji=?η?MSE/?wji=η∑s=1/n[∑k=12(yks?y^ks)wji(1?hjs2)]xis (14) wji(t+1)=wji(t)+Δwji (4) 隐藏层偏置的更新公式为：(15) Δbj=?η?MSE/?bj=η∑s=1/n[∑k=12(yks?y^ks)wkj(1?hjs2)] (16) bj(t+1)=bj(t)+Δbj 在本研究中，为了提高训练效率和收敛速度，采用了一个具有自适应学习率和动量的改进训练函数‘traingdx’。在训练过程中，通过调整学习率和动量系数，网络可以更快地收敛到最优解。此外，还使用PSO算法来找到BP神经网络的最优权重和偏置。PSO算法是一种基于群体智能的优化算法，通过模拟鸟群或鱼群的社会行为来寻找最优解。每个粒子代表BP神经网络的一组权重和偏置。粒子在解空间中移动，不断更新它们的位置以找到最佳的权重和偏置组合，从而最大化BP神经网络的性能。粒子群算法主要包括三个模块：粒子初始化、适应度评估和粒子更新。最初，粒子的位置和速度是PSO算法的核心，每个粒子的位置代表一个潜在解，速度决定了粒子在解空间中的移动方向和步长。适应度函数用于评估每个粒子的性能。在每次迭代中，根据以下公式更新每个粒子的速度和位置：(17) vik+1=w·vik+c1·r1·(pik?xik)+c2·r2·(pgk?xik) (18) xik+1=xik+vik+1 其中vik和xik分别代表第k次迭代时粒子i的速度和位置。pik是粒子i历史上的最佳位置，pgk是全局最佳位置，w是惯性权重，c1和c2是学习因子，r1和r2是随机数。在本研究中，粒子数量设置为30，最大迭代次数为100次。个体学习因子c1为1.4，社会学习因子c2为1.4，惯性权重w为0.7。这些参数已经通过许多实验进行了测试，可以最佳平衡全局搜索能力和局部搜索能力，以实现最有效的优化。同时，权重系数根据工程实践的实际比例进行设置，以符合实际工程情况。如果粒子的新位置比其个体历史最佳位置具有更好的适应度，则更新个体最佳位置和适应度。如果粒子的新位置比全局最佳位置具有更好的适应度，则更新全局最佳位置和适应度。当达到最大迭代次数时，PSO算法终止，输出全局最佳位置，并使用相应的权重和偏置初始化BP神经网络。在本研究中，使用GA模型来寻找最优输入参数t1和t2。遗传算法是一种模拟自然选择和遗传机制的优化搜索算法。通过模拟生物进化过程中的选择、交叉和变异操作，在解空间中寻找最优解。主要参数包括种群大小、染色体长度、交叉率和变异率。在本研究中，种群大小为200，染色体长度为9，交叉率为0.8，变异率为0.02。在GA中，种群大小指的是每一代的潜在解决方案数量。200的种群大小确保了足够的候选解决方案数量，从而允许更多的多样性并更好地探索解空间。然而，超过某个点增加种群大小可能会导致过高的计算成本而不会显著提高结果。通过实验研究，本文选择200作为最佳种群大小。染色体长度对应于待优化问题中的变量数量。在本研究中，9的染色体长度意味着每个解决方案由一个9维向量表示，每个维度对应于被优化结构的不同参数。0.8的交叉率定义了两个选定个体结合其遗传物质形成新后代的概率。较高的交叉率促进了个体之间的信息交换，增强了算法探索多样解决方案的能力，并加速了向最优解的收敛。0.02的变异率控制了在个体遗传物质中引入小随机变化的概率。通过设置这些参数，可以更好地应用于解决本文中的工程问题。通过锦标赛选择、单点交叉和位翻转变异等遗传操作，在迭代过程中不断更新种群。使用BP神经网络的预测值M和P的标准化值来评估个体的性能，引导种群朝着更优的方向进化，最终输出最优的t1和t2值，从而进一步优化训练后的神经网络性能。总之，本文实现了一个基于粒子群优化算法和遗传算法的混合优化框架，称为PSO-BP-GA算法，用于优化BP神经网络模型以进行预测，并在质量和周围压力峰值方面取得最佳结果。图22展示了基于PSO-BP-GA算法的结构优化设计过程，主要包括：(1)定义优化问题的设计变量、约束条件和目标函数，并建立数学模型。(2)通过正交设计在设计域中构建测试样本，每个样本点对应一个数值模拟实例。模拟结果已通过实验验证，每个采样点的结构响应通过模拟获得。(3)规范化正交表和模拟结果，以支持神经网络结构的定义。(4)设置PSO优化参数并初始化粒子位置和速度。在最大迭代次数内，更新粒子速度和位置，计算每个粒子的适应度，并更新个体和全局最佳位置。(5)使用PSO找到的全局最佳位置初始化BP神经网络的权重和偏置，并使用包含自适应学习率和动量的训练函数训练网络。(6)基于神经网络，使用GA在指定的最大代数内构建和优化评估函数，包括评估种群适应度以及执行选择、交叉和变异操作来更新种群。(7)终止优化过程并输出最优解以及神经网络的预测结果。下载：下载高分辨率图像（502KB）下载：下载全尺寸图像图22。基于PSO-BP-GA算法的结构优化设计过程。为了进一步明确内部耦合机制并提高可读性，图23展示了PSO-BP-GA算法的详细耦合逻辑流程图。PSO算法以预测误差为目标优化BP神经网络的权重和偏置，并输出最优参数以构建高精度替代模型。训练后的PSO-BP替代模型作为快速、准确的适应度评估器嵌入到GA迭代优化中。根据预测性能值，GA迭代更新其种群朝向最优方向，形成“评估-进化-更新”的闭环机制，直到满足终止条件，从而实现目标参数的全局优化。下载：下载高分辨率图像（245KB）下载：下载全尺寸图像图23。PSO-BP-GA耦合逻辑流程图。总之，本文关注深海复合耐压空心球壳的轻量化设计和内爆防护的双目标优化工程痛点，解决了当前深海耐压结构优化框架的不足，包括算法耦合弱、目标优化策略过于简单以及适应实际工程场景的能力不足等问题。从目标制定和场景适应的角度来看，本研究针对现有框架进行了有针对性的改进和创新增强，建立了一个适合深海高压环境的定制优化框架，并提出了新的小型深海复合耐压结构优化方案，从而获得了最优的结构厚度比。4.2. 优化结果与分析基于前一节中的优化方法，综合考虑了新轻量化复合耐压结构的轻量化效果、安全性和整体性能。对于设计变量，t1代表陶瓷耐压层的厚度。由于耐压层需要满足承压要求[40]，因此需要为t1设定下限；t2代表CFRP保护层的厚度。由于过厚的整体壁厚可能会对浮力比产生不利影响并增加生产成本，因此也需要为t1和t2设定上限。总之，为了确保设计的合理性和其在工程中的适用性，让耐压层t1和保护层t2的厚度在0.75毫米到1.5毫米之间。讨论在此范围内能够最小化质量M和监测点处峰值压力P的值。优化问题的数学模型如下：(19) minF(M,P)=f(t1,t2) s.t. 0.75mm≤t1≤1.5mm 0.75mm≤t2≤1.5mm 在确定了数学模型中每个设计变量的值范围后，需要进一步确定每个设计变量的水平值，以构建适当的正交数组。采用L16（2^22）正交数组设计进行正交实验，每个设计变量的水平值分别为：陶瓷耐压层t1的厚度取0.75、1、1.25、1.5毫米；CFRP保护层t2的厚度取0.75、1、1.25、1.5毫米。本部分讨论的场景的外部压力为50 MPa，与前一节中的案例1一致。根据第2章中经过实验验证的模拟方法，对改变t1和t2得到的16种情景（C1-C16）进行了计算。最终的正交数组采样点如表8所示。表8. 正交数组采样点（训练集）。案例1/mmm t2/mm M/kg P/MPa C1 0.75 0.75 0.0997 15 2.5 C2 0.75 10.11 145.4 C3 0.75 1.25 0.12145.1 C4 0.75 1.5 0.13144.3 C5 10.75 0.1228 145.2 C6 11 0.133 143.6 C7 11.25 0.143143.2 C8 11.5 0.153 142.1 C9 1.25 0.75 0.146 144.9 C10 1.25 1.25 0.166 139 C11 1.25 10.156 142.9 C12 1.25 1.50.176 140.1 C13 1.50.75 0.169 141.5 C14 1.51 0.179 137.6 C15 1.51.25 0.189 136.9 C16 1.51.50.199 135.6 图24显示了训练集的质量M和峰值压力P的预测值与真实值之间的比较。蓝点代表训练集样本，红色虚线表示拟合线。所有数据点都紧密分布在理想线附近，表明模型的预测值与实际值吻合良好，准确反映了变量之间的关系。下载：下载高分辨率图像（240KB）下载：下载全尺寸图像图24。预测值与真实值（训练集）之间的比较。质量变量M的回归线显示预测值与实际值之间存在强烈的线性相关性。紧密的拟合表明模型捕获了影响质量的关键因素，预测误差较低。同样，对于峰值压力变量P，预测值与实际值也非常吻合。P的回归线也显示出强烈的线性关系，这表明模型成功学习了设计参数与峰值压力之间的关系。尽管P的回归线周围的散点略多于M，但整体拟合仍然很好。预测值与实际值之间的低偏差验证了模型的性能，并表明它可以有效地用于实际工程应用中的优化。此外，为了更好地评估PSO-BP-GA模型的性能，我们计算了平均平方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）等关键误差指标，并将结果与标准BP-GA模型进行了比较，进行了全面评估[44]。相关结果显示在图25中。下载：下载高分辨率图像（273KB）下载：下载全尺寸图像图25. 误差指标的比较。其中，MSE是衡量预测值与实际观测值之间偏差的主要指标，在许多研究中被用作标准[42]。从图中可以看出，我们选择的PSO-BP-GA模型的MSE为0.84638，而标准BP-GA模型的MSE高达3.6476，这清楚地表明我们的模型预测值更接近实际值，在捕获数据内部关系方面表现更好，其预测准确性明显高于标准BP-GA模型。至于MAE和RMSE，我们模型的MAE为0.54456，RMSE为0.91999；标准BP-GA模型的MAE为1.1246，RMSE为1.9099。这些指标也显示我们的模型对预测误差具有更好的控制能力，可以做出更准确的预测。为了进一步验证PSO-BP-GA模型的泛化能力和鲁棒性，我们在训练集的参数范围内构建了一个独立的测试集，如表9所示。表9. 插值采样点（测试集）。Caset1/mmm2/mmM/kgP/MPaT10.8750.750.1112148.8T20.8751.50.1417143.2T31.1251.250.1547141.8T41.1251.50.1648140.2T51.3751.250.1778138.9T61.3751.50.1879137.9训练有素的PSO-BP-GA模型被应用于测试集进行预测。MAE、RMSE和决定系数R2被用来量化模型的鲁棒性。R2评估预测值与测试集真实值之间的线性拟合程度；越接近1，泛化能力越强。测试集的最终预测值和真实值列在表10中。表10. 测试集的真实值与预测值之间的比较。Caset1/mmm2/mmM真实/kgMPred/kgMAbsError/kgP真实/MPaPPred/MPaPAbsError/MPaT10.8750.750.11120.110510.00068969148.8148.130.6696T20.8751.50.14170.142020.00032408143.2142.191.0127T31.1251.250.15470.155470.00076564141.8141.160.63656T41.1251.50.16480.164620.00018118140.2139.360.83671T51.3751.250.17780.178110.00031274138.9138.560.33859T61.3751.50.18790.185490.0024099137.9137.070.83384图26显示了测试集中质量M和峰值压力P的预测值与真实值之间的比较。测试集数据点也紧密分布在理想线附近，进一步验证了PSO-BP-GA模型的良好泛化能力和鲁棒性，没有过拟合，使其适合后续的工程优化。下载：下载高分辨率图像（226KB）下载：下载全尺寸图像图26. 测试集中预测值与真实值之间的比较。表10展示了测试集中预测值与真实值的逐个样本比较。在这一部分，重点关注结构质量M和峰值压力P这两个核心目标，通过结合样本误差分布、定量指标和工程阈值，验证了PSO-BP-GA模型的泛化能力和鲁棒性。结果表明，模型具有高预测准确性、可控的误差且没有过拟合，可以满足工程应用的要求。表10中六个测试组的质量M的绝对误差范围从0.00018118 kg到0.0024099 kg，都在10?3kg的 order，因此可以忽略不计。其中，样本4的误差最小，为0.00018118 kg，而样本6的误差相对较大，为0.0024099 kg。峰值压力P是抗内爆保护的核心指标。样本1的误差为0.6696 MPa，控制在较低水平。其余样本的P的绝对误差范围从0.33859 MPa到1.0127 MPa。尽管样本2的误差略微超过了1 MPa的工程阈值，但偏差仅为0.0127 MPa，仍在工程可接受范围内。从表11可以看出，PSO-BP-GA模型在独立测试集上表现出出色的鲁棒性。对于结构质量M，MAE为0.000781，RMSE为0.001088，决定系数R2=0.9981，表明模型能够准确捕获设计变量与结构质量之间的内在关系，并表现出出色的预测鲁棒性。对于峰值压力P，MAE为0.7213，RMSE为0.8493，远低于工程阈值，R2=0.9561，表明整体误差是可控的。表11. 测试集的鲁棒性验证结果。评估指标M/kgP/MPaMAE0.0007810.7213RMSE0.0010880.8493R20.99810.9561测试集的低误差水平和高R2值充分验证了PSO-BP-GA模型具有良好的泛化能力和鲁棒性，没有过拟合训练集，为后续的工程优化奠定了可靠的基础。图27显示了基于PSO-BP替代模型和遗传算法的优化迭代收敛曲线。横坐标表示进化代数，纵坐标表示种群中最优个体的适应度值。适应度函数是通过归一化的质量和峰值压力的加权和获得的，较小的值表示更好的优化性能。可以看出，在优化的早期阶段，适应度值迅速下降，表明进行了高效的全局探索。大约300代后，曲线趋于稳定，表明种群已完全收敛，目标函数不再显著下降，表明算法达到了稳定的最优状态。下载：下载高分辨率图像（291KB）下载：下载全尺寸图像图27. 优化过程的收敛图。在此基础上，输出了最小化目标函数的最优参数组合，即最优t1为0.75 mm，最优t2为1.35 mm，相应的最优M为0.12492 kg，最优P为144.7069 MPa。预测结果与实际计算结果进行了比较，它们的相对误差显示在表12中。表12. 预测值与计算值的比较。物理量预测值计算值相对误差M0.12492 kg0.12407 kg0.068 %P144.7069 MPa144.9611 MPa0.175 %从表12可以看出，优化结果显示M的预测误差为0.068%，P的预测误差为0.175%。这些小的误差范围表明PSO-BP-GA模型具有高准确性。在工程应用中，这样的误差通常被认为是可接受的，尤其是在处理涉及多个设计参数的复杂优化问题时。相对误差小于1%通常在大多数结构设计应用的容差范围内，确保模型的预测是可靠的，并可以有效地应用于实践中。此外，还讨论了优化结果。陶瓷-CFRP复合压力抵抗结构的内爆保护的核心在于陶瓷层的脆性压缩承载能力与CFRP层的周向拉伸约束之间的协同效应。在最优参数中，陶瓷层厚度设置为0.75 mm（设计范围的下限），在满足高压条件下的压缩承载要求的同时，最小化了陶瓷层的质量，符合轻量设计的核心目标。CFRP层厚度设置为1.35 mm，位于设计范围的中上部。它可以有效地在周向约束陶瓷层，避免因CFRP层过厚而导致结构质量增加，从而实现了两种材料的最佳结合，平衡了轻量设计和内爆保护的双重目标。此外，壁厚参数在现有陶瓷和CFRP层的加工精度范围内。作为连续变量，它们可以通过定制模具进行量产，从而满足潜艇的工程制造要求。为了进一步揭示结构参数对机械响应的影响，本研究还对初始失效阶段最大应力随厚度比t1/t2的变化进行了初步的定量分析。选择了表8中的C5-C8案例，以在保持陶瓷壁厚度不变的情况下隔离厚度比的影响，从而能够进行明确的相关性分析。最大应力是在初始总体失效之前的瞬间提取的。结果显示在表13和图28中。表13. 不同厚度比（t1/t2）情况下的结果。Caset1 / t2最大应力（MPa）C51.3333647.8C61.0000670.7C70.8000559.1C80.6667542.4下载：下载高分辨率图像（110KB）下载：下载全尺寸图像图28. 厚度比（t1/t2）与最大应力之间的关系。从表13和图28可以看出，随着t1/t2的增加，最大应力呈现出单峰趋势，并在t1/t2= 1时达到峰值。这表明在厚度相等的情况下，应力集中最为显著，失效发生得最早。当厚度比偏离1.0时，内层和外层之间的载荷分布更加协调，应力水平相应降低。厚度比通过调节应力分布直接决定了失效位置，这与之前的应力 nephogram 和失效演化定律一致。上述结果揭示了厚度比直接决定了失效位置、裂纹传播方向和最终失效模式，通过调节结构应力分布。根据本研究采用的厚度比组合，厚度比分为三个关键区间：低厚度比（t1/t2 < 1）、相等厚度比（t1/t2 = 1）和高厚度比（t1/t2 > 1）。本文获得的最优参数位于低厚度比区间内，可以很好地平衡轻量设计和国内爆保护的双重目标。当厚度比超过这个区间（即接近相等厚度比或进入高厚度比区间）时，综合性能趋于恶化。具体来说，相等厚度匹配会导致过度的应力集中，而高厚度比会导致不合理的载荷分布和结构重量的增加。相关结论可以为类似深海复合压力抵抗结构的壁厚设计提供直接的工程参考。基于上述分析，提出的方案通过结构调整参数，同时提高了保护性能和轻量设计。它展示了有利的材料协同效应和制造可行性，为深海潜艇的内爆保护设计提供了新的见解和定量参考。在本节中，提出了一种混合PSO-BP-GA优化框架，用于设计具有增强内爆保护的轻质复合压力抵抗结构。通过整合PSO、反向传播神经网络和GA，该模型有效地平衡了结构质量和内爆保护。优化结果显示，在预测质量和峰值压力方面具有高准确性，误差最小，证实了模型的鲁棒性。关键变量，如陶瓷层和CFRP层的厚度，针对性能和成本效益进行了优化。这种方法为设计深海压力抵抗系统和其他工程应用提供了实用且可靠的方法。此外，这项研究为将现有模型扩展到非对称几何结构、进行全尺寸现场验证以及未来研究中对关键设计参数的临界倒塌压力的敏感性研究奠定了坚实的基础。5. 结论本文评估并优化了以陶瓷作为内部压力抵抗衬里和CFRP作为外部保护层的轻质复合压力抵抗结构的内爆保护方案。首先，基于OpenRadioss建立了这种复合空心球体的内部流结构交互模型，并在20 MPa的外部压力下进行了内爆实验，以收集球体表面距离R处的压力波动曲线和结构碎片，用于验证仿真方法。随后，总结了轻质复合耐压结构的爆聚防护方案，并讨论了不同方案的应用可行性。利用PSO-BP-GA混合算法优化了复合材料中陶瓷耐压层与CFRP防护层之间的厚度比，以在保证结构轻量化的同时提升防护性能。将该模型与标准BP-GA算法进行比较，并通过多种评估指标验证了该方法的有效性。最终获得了优化的壁厚参数，并讨论了其工程适用性。本研究的主要结论如下：

(1) 流体-结构相互作用模型通过20 MPa的爆聚测试得到了可靠验证。数值结果在冲击波幅度、脉冲宽度和峰值压力（误差为5.76%）以及结构失效形态和碎片特征方面与实验数据吻合良好，为参数分析和优化奠定了坚实的基础。

(2) 仅通过调整外部条件（增加布局间距或内部压力）的防护方案受到工程限制，适用范围较窄。相比之下，基于陶瓷/CFRP壁厚比的结构优化提供了一种更为可行且有效的方法，以平衡轻量性能与爆聚防护需求。

(3) 提出的PSO-BP-GA混合优化框架具有更强的小样本适应性、更好的全局优化能力和更高的工程实用性，预测精度显著提高。与标准BP-GA算法相比，该方法分别将MSE、MAE和RMSE降低了约76.80%、51.58%和51.83%。测试结果表明该模型具有出色的鲁棒性，最优解预测的相对误差仅为0.068%和0.175%。这为深海复合耐压结构的设计提供了一个高精度的优化工具和定量依据。

(4) 通过多目标优化获得了最优壁厚设计比（位于低厚度比区域t1/t2 < 1）。本研究首次揭示了这一区域能够实现陶瓷承重与CFRP环向约束之间的最佳协同效应，有效延缓了应力集中和结构失效。所提出的设计展现了良好的材料协同性和制造可行性，为类似复合耐压结构提供了新的工程参考。

(5) 建立了一个包括低压实验校准、高压数值外推、智能优化和独立测试集验证的集成研究框架，兼顾了实验安全性和科学合理性。目前的工作主要在相对较高的压力条件下进行，尚未在全海洋深度超高压力条件下进行广泛的实验测量。未来的研究应开展针对性的高压实验，以进一步验证数值模型的可靠性和优化结果在极端深海环境中的工程适用性。

作者贡献声明：
张欣宇：方法论、软件、形式分析、调查、初稿撰写。
赵敏：资源获取、监督、资金申请、项目管理。
孙胜霞：数据管理、概念构思。
万欣：验证、可视化。
葛彤：审稿与编辑。

数据可用性：
数据可根据需求提供。