Page 85 - 《爆炸与冲击》2026年第2期

第 46 卷 彭江舟，等： 城市建筑外爆威力场与毁伤效应数智仿真模型及应用 第 2 期

urban settings, the model maintains an average prediction error of 1.29%, completing individual physical field predictions in
under 0.6 seconds—three to four orders of magnitude faster than numerical simulations. Furthermore, the model's high-
precision predictions allow for the reconstruction of overpressure time history curves at any building surface location and the
accurate assessment of structural damage. The proposed GNN model offers a novel approach for rapidly and accurately
predicting explosion power fields in urban buildings during blast events. This advancement significantly enhances the
capabilities for explosion damage assessment and anti-explosion design in ultra-large-scale complex engineering scenarios,
providing substantial engineering value.
Keywords: explosion power fields; damage assessment; explosion shock; data-driven intelligent simulation model; graph
neural networks

准确预测建筑物所承受的爆炸荷载，不仅是建筑毁伤评估和抗爆设计的基础，更是保障建筑抗爆安
全的关键步骤 [1-3] 。然而，城市环境的复杂性极大地增加了建筑表面爆炸超压荷载预测的难度 。传统的
[4]
[5]
经验公式因环境适应性有限而难以胜任 ；实验方法虽能提供精确数据，却面临成本高昂、操作复杂及风
险高等挑战 [5–7] ；数值仿真技术虽可靠 ，但计算成本高昂且耗时，难以满足紧急响应的需求。
[8]
得益于计算机技术的持续进步和人工智能的快速发展，机器学习因其卓越的预测能力在爆炸科学
与安全防护领域广泛应用 [9–11] 。通过海量数据学习，机器学习能够高效拟合复杂关系，机器学习模型能
够高效拟合复杂关系。然而，传统机器学习方法对复杂空间存在无法精确描述的局限，只能对简化后的
简单场景进行预测，对于复杂环境中爆炸波的传播特性难以精确捕捉，也进一步导致模型对障碍物的限
制效应及荷载精度描述有所不足 [12] 。相比之下，卷积神经网络（convolutional neural network, CNN）因其强
大的物理场空间分布特征提取能力在流体力学、传热学和结构力学等多个物理领域得到了广泛应用 [13–15] 。
闫盼盼等 [16] 利用 CNN 为固体弹道发动机的地面尾喷焰反应流场构建了智能预测模型，通过创新的编码
器-解码器结构，仅凭 40 个训练样本实现了出色的预测任务。吴昊恺等 [17] 利用超精度卷积神经网络与
超精度生成对抗神经网络对低精度近壁面湍流场进行了高精度重构，并围绕训练样本量及网络深度，开
展了详细的敏感性分析，实现边界层风场的 10 倍超精度有效重构。然而，CNN 在处理非均匀结构化和
非结构化网格数据时存在局限性，这导致基于此类网络的预测模型在进行像素化预处理时可能会损失
原始数据的精度 [18] 。在冲击波载荷预测方面，CNN 凭借其强大的空间特征提取能力，在预测建筑群间冲
击波峰值压力方面取得突破性进展，其通过三维卷积核有效捕捉了冲击波传播的空间相关性特征 [19] 。
相比于卷积神经网络，图神经网络（graph neural network, GNN）的预测模型在非结构化物理场预测
任务上展现了更为显著的优势 [20-22] ，尤其是面对冲击波载荷的预测，传统 CNN 受限于欧几里得数据处理
的固有特性，难以有效表征非规则图数据中的多尺度关联关系，而图神经网络凭借其非欧几里得数据处
理能力，能够通过节点嵌入和邻域聚合机制高效提取建筑群间冲击波传播的细粒度特征，为模拟城市复
杂环境中的冲击波反射、绕射及多重耦合效应提供了更优的解决方案 [23] 。Peng 等 [20] 通过开发一种融合
物理信息神经网络和图卷积神经网络的模型，对变几何稳态自然对流问题进行了深入研究，提出的模型
在适应不同几何形状以及预测精度方面均展现出了优异的性能。Shao 等 [21] 利用基于物理信息的图神经
网络构建了城市风场的高精度预测模型，并成功地在真实城市场景中实现了快速而准确的预测。郝祎
琛等 [22] 则采用网格 GNN 建立了瞬态多相流场的时空耦合动态预测模型，相比传统的仿真方法，该模型
在预测速度上提升了 500 倍。鉴于此，爆炸安全领域的研究人员也开始尝试开发基于 GNN 的预测模
型。例如 Li 等 [23] 将 GNN 应用于爆炸载荷的时空物理场模拟中，在精准预测的同时，使得爆炸场模拟过
程的速度提升了至少一个数量级。然而，在这些研究中，并未涉及城市复杂环境下的爆炸场景，也未涉
及建筑表面超压载荷参数的精细物理场全局预测。
因此，本文采用 GNN 构建一种针对城市场景的建筑外爆超压荷载参数物理场的预测模型，利用

GNN 在处理非欧几里得数据结构方面的强大能力，对建筑表面峰值超压、峰值冲量和冲击波抵达时间
分布进行预测：以数值仿真为参考，对该模型在不同场景下的预测性能进行分析，包括单体建筑、复杂几

022202-2