在2020年青年研究人员大会上记录。
近年来，使用炸药进行恶意攻击的现象越来越普遍。这些攻击的规模各不相同。有规模更大的袭击，如奥斯陆(2011年)和俄克拉荷马城(1995年)，也有规模更小、更有针对性的袭击，如曼彻斯特竞技场(2017年)和2005年的7/7爆炸案。
恐怖主义袭击造成的爆炸正在造成人员死亡，作为工程师，我们有责任设计和建造有弹性的结构，能够提供足够的安全，抵御生命威胁。要做到这一点，至关重要的是我们有一个很好的理解压力负荷后，高爆炸爆炸。
我们目前有基于物理的求解器(计算流体动力学代码)，可以提供高度精确的解决方案，但需要几个小时到几天的时间才能完成。我们也有一些非常简单的方法让我们能够基于风险进行设计，但这些方法并不准确，只能给出非常模糊的近似结果。它们没有给予拯救人类生命所需的信心。
这个项目通过新的机器学习技术，提出了一种数据驱动的爆炸事件建模方法。它旨在回答这样一个问题:我们能否找到一种方法，既能与基于物理的模型的准确性相匹配，又能以与这些近似方法一样快的速度运行，这样我们就能利用更精确的信息进行基于风险的工程?