Page 91 - 《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

和冲击波抵达时间物理场 3 种预测模型。鉴于模型的复杂性和训练数据的规模，本文采用分布式训练
策略 [29] ，即利用两块高性能的 NVIDIA 4090 显卡并行计算。此策略极大提升了训练速度，帮助模型在约
两天内完成训练。在训练过程中，模型每 1 000 步保存一次训练集的状态，每 10 000 步使用验证集对模
型进行一次性能评估。图 8 展示了 3 个模型的训练损失和验证损失的归一化收敛过程。随着训练迭代
的深入，训练损失和验证损失均呈现下降的趋势，且两者的损失曲线趋势保持高度一致。这种趋势不仅
表明模型在训练集上展现出了良好的数据拟合能力，而且还显示模型在验证集上也取得了较好的性能，
即模型具备一定的泛化能力。

1.0 1.0 1.0

Train loss Train loss Train loss
0.8 Valid loss 0.8 Valid loss 0.8 Valid loss
Loss 0.6 Loss 0.6 Loss 0.6
0.4
0.4
0.4
0.2 0.2 0.2
0 15 30 45 60 75 0 15 30 45 60 75 0 15 30 45 60 75
Epoches Epoches Epoches
(a) Peak overpressure prediction model (b) Peak impulse prediction model (c) Shock wave arrival time prediction model

图 8 训练损失收敛情况（1 epoch=3 200 steps）
Fig. 8 Training loss convergence (1 epoch=3 200 steps)
2.1.1 模型预测性能：单体建筑
模型在 300 个单体建筑测试数据上的峰值超压、峰值冲量、冲击波抵达时间物理场预测结果的决
定系数 R 分布分别如图 9 所示。对于峰值超压和峰值冲量，超过 50% 的预测结果的 R ＞0.98；对于三种
2
2
参数场的预测，分别只有不超过 10 个测试数据的 R ＜0.9。最终，峰值超压、峰值冲量和冲击波抵达时
2
间的预测在测试集上的 R 平均值分别为 0.977、0.975 和 0.967。
2
180 169 180 Peak impulse 180 Shock wave arrival time

Peak overpressure 152 139
135 135 135
Frequency 90 70 Frequency 90 96 Frequency 90 63 68

45 37 45 31 45
6 5 13 6 2 13 10 9 11
0 0.90 0.92 0.94 0.96 0.98 1.00 0 0.90 0.92 0.94 0.96 0.98 1.00 0 0.90 0.92 0.94 0.96 0.98 1.00
R 2 R 2 R 2
(a) Peak overpressure prediction model (b) Peak impulseprediction model (c) Shock wave arrival timel prediction model
2
图 9 单体建筑测试集 R 分布
2
Fig. 9 R distribution on the single building test sets
图 10 的第 1～3 行分别展示了 3 个随机抽取的测试数据的数值仿真和 GNN 预测结果的对比。不同
于近地空爆，传播到地面的峰值超压和峰值冲量随着爆心投影距离的增大而减小 [30] ；建筑物的存在导致
部分冲击波发生多次反射，从而提升了建筑迎爆面底部的峰值超压和峰值冲量。尤其当建筑物离爆心
较近时，如图 10 第 3 行所示，近场地面爆炸在建筑物底部产生了巨大压力，并且沿着建筑高度方向，地面
的反射作用迅速减小，超压不断下降。通过对比数值仿真和 GNN 预测结果可知，GNN 预测模型能够很
好地模拟建筑与地面之间的相互作用关系，展现了冲击波耦合作用下结构载荷的增强效应。提出的模
型对于三种参数场的平均预测误差为 0.97%，单物理场推理时间小于 0.32 s，对于多次爆炸模拟等下游应
用具有重要意义。

022202-8