Page 90 - 《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

v n−1 ∑ e n v n 为
式中： i 为第 n 次迭代输入的节点信息， j ij 为与该节点相连的第 n 次迭代更新后的边信息之和， i
g v 同样通过全连接网络进行点信息更新。
第 n 次迭代新生成的节点信息，函数
每次 GN v n e n G n 。
块迭代后，更新的节点信息
i 和边信息 ij 将进行重新组合，得到第 n 次迭代的图数据
通过多个 GN 的连续迭代，模型能够捕获到图数据中复杂的节点和边关系，生成高度抽象化和特征化的
G m ，并将其送入图解码层以生成预测结果。
图数据
1.2.3 图解码层
G m 映射回原始的、具有实际物理意义
图解码层的主要任务是将图处理层输出的高度抽象化图数据
G m 中的节点信息，这些信息通过双层
的空间中。图解码层的输入为图处理层最后一层高维图数据
128 节点全连接网络进行信息还原，即可得到具有超压载荷参数的节点信息数据：
m
v → v r i (3)
i
v m v r 为预测得到的节点爆炸参数。
式中： 为图处理层最终迭代得到的网格节点信息数据，
i i
1.3 模型训练优化与测试评估策略
为了进行模型训练优化，本文以均方误差 σ 作为损失函数:
2
1 ∑ ( ) 2
2
σ = Y p −Y t (4)
N
Y p 为模型预测值。
式中： N 为样本中的节点数量； Y t 为真实值，即数值仿真结果；
−4
本文选用了 Adam 优化器，并采用了指数衰减策略 [25] 来动态调整学习率。学习率初始值设为 10 ，
5
每训练 10 步时，将学习率乘以 0.1。本文使用相对平方误差 ε [26] 作为衡量模型预测精度的量化指标，
RSE
用以代表真实值和预测值的偏差程度：
¡
∑ ∑
ε RSE = (Y p −Y t ) 2 (Y t ) 2 (5)
2
为了对模型进行更详尽的评估，本文采用决定系数 R 来评估模型对最终数据的拟合程度：
¡
∑ ( ) 2 ∑ ( ) 2
2
R = 1− Y t −Y p Y t −Y (6)
Y 为单个样本中所有节点 Y 的平均值。R 越趋向于 1，代表模型的拟合程度越好。
2
t
式中：
1.4 硬件配置对比
由于 GNN 模型的训练过程涉及海量爆炸荷载数据的学习与参数优化，本文采用 GeForce RTX
4090 加速计算平台进行模型训练，其训练周期为 1～2 d。相较而言，借助 OpenFOAM 的爆炸仿真模型依
托 AMD EPYC 7H12CPU 集群实施，在常规工程仿真工作站即可完成单工况 10～20 min 的有效计算。需
特别指出的是，两类方法在硬件架构及计算资源配置层面存在数量级差异，如表 1 所示，这可能导致直
接计算效率对比产生系统性偏差。后续分析中通过归一化处理消除硬件平台差异对方法性能评估的影
响，相关时间成本对比基于等效计算单元的理论峰值性能进行折算。

表 1 GNN 和 OpenFOAM 计算硬件配置对比表格
Table 1 Computing hardware configuration comparison table between GNN and OpenFOAM
计算方法 操作系统 开发语言 CPU GPU
GNN Ubuntu 20.04 Python Intel Xeon Gold 5317 GeForce RTX 4090ke
OpenFOAM Ubuntu 20.04 C++ AMD EPYC 7H12 无显卡

2 结 果

2.1 模型评估：超压载荷参数物理场预测
本文使用 PyTorch 和 PyTorch Geometric [27-28] 深度学习环境分别构建了建筑表面峰值超压、峰值冲量

022202-7