Page 89 - 《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

回归策略在长时间序列预测中的误差累积问题，本文采用端对端策略实现爆炸威力场的快速准确预
测。本文提出的 GNN 模型由图编码层、图处理层和图解码层 3 个主要部分构成。如图 7 所示，表示建
筑几何特征的网格化数据首先在图编码层被输入，然后依次通过图编码、图处理和图解码这 3 个阶段，
最终输出网格化的超压荷载参数场。每个节点上的建筑表面几何特征由 8 维向量 v i 表示，具体来说：第
1 个元素 v 1 表征爆心距，即网格节点到爆源中心的距离；第 2 个元素 v 2 表征网格节点类型，用以区分建筑
节点或地面节点；第 3～8 个元素 v 3 ～ v 8 表征节点位置和节点与边界之间的距离，包含节点的空间位置位
移向量和空间位置位移大小（即三个位置向量的模）。

0
Vertex v i v i
information v i 1 v i 1 v i 2 v i m v i r
1 2 2
0 e ij e ij e ij
Edge e ij e ij
information v j 1 v j 1 v j 2

Radius search
Encoding 0 m Decoding
v i v i v i r
e ij 0 G 0 G m m v i
e ij G 1 G 2 G n−1 G n e ij
v j 0 m
v j v j
Graph encoding layer Graph processing layer Graph decoding layer
Input Output
Blast distance Peak overpressure
Particle type Peak impulse
Position vector Arrival time

图 7 爆炸超压载荷参数预测模型网络架构
Fig. 7 Network architecture of the blast overpressure load parameter prediction model

1.2.1 图编码层
v i 转化为适用于 GNN G 0 ，以便图处
图编码层的主要功能是将原始网格节点数据 处理的高维图数据
e ij 。接着通
理层进行后续的数据处理。首先通过半径搜索确定节点之间的成对关系，从而构建边信息
G 0 的转化。为了实现图
过组合起始点信息 v i 、终点信息 v j 和边信息 e ij ，实现从网格节点数据 v i 到图数据
数据中复杂信息的精确提取，本文采用双层 128 节点全连接网络进行高维信息嵌入，以确保网络具有足
够的容量来捕捉数据的深层特征。使用 ReLU 激活函数对图数据进行非线性处理，通过仅保留正值的方
式帮助网络专注于关键特征，进而提高训练效率。
1.2.2 图处理层
G 0 通过 个相同结构的图网络（GN）块进行迭代处
在图处理层中，将由编码层得到的潜在图数据 6
理，以实现数据的深入分析和特征提取。每次 GN 块迭代都包含 2 个关键信息的更新，依次为边信息和
点信息更新。首先，通过聚合上一次迭代的起始点、终点和边信息实现本次边信息的更新。这一过程可
以表示为：
( )
e
g e n−1 ,v n−1 ,v n−1 → e n ij (1)
ij
i
j
e n−1 v n−1 v n−1 n 次迭代中输入的与这条边相连的起始点和终
式中： i j 为第 n 次迭代输入的边信息， i 和 j 分别为第
e n g e 通过全连接网络学习并更新边信息。
点信息， 为第 n 次迭代输出的边信息，函数
i j
∑
v n v n−1 e n 来实现：
i i j ij
点信息 的更新则是通过聚合原始节点信息 及与其相连的所有更新后的边信息
( )
∑
g v v n−1 , e n → v n (2)
i ij i
j
022202-6