Page 103 - 《爆炸与冲击》2026年第4期
P. 103

第 46 卷                李般若，等： 基于GNN的爆炸压力时空分布预测模型                                 第 4 期

               applications.  Moreover,  the  GNN-based  model  can  achieve  the  prediction  of  the  blast  overpressure  field  of  the  three-

               dimensional space both in temporal and spatial dimensions.
               Keywords:  free-field explosion; internal explosion; blast overpressure; spatial and temporal distribution; machine learning;
               graph neural network
                   爆炸冲击波是武器打击中重要的毁伤元之一。对爆炸冲击荷载进行准确、快速的预测不仅对基础
               设施和建筑物抗爆炸冲击防护的意义重大，也能为武器有效打击目标提供参考。
                   爆炸冲击波具有荷载峰值大、作用时间短以及传播规律复杂的特点 ，尤其是在较为复杂的空间环
                                                                               [1]
               境中，一方面难以提出普适的基于物理力学的爆炸荷载预测模型，另一方面采用有限元方法则会耗费大
               量的算力和时间资源。因此，利用人工智能技术对爆炸荷载进行预测成为了一个新的方向。目前，已有
               大量文献通过机器学习的方法对爆炸荷载进行预测。Remennikov 等                         [2-3]  尝试使用人工神经网络（artificial
               neural network, ANN）预测建筑物外墙上的峰值压力和冲量，建立建筑物几何特征与爆炸荷载主要特征参
               数之间的映射关系。Bewick 等           [4]  则聚焦于防爆墙这一应用场景，使用              ANN  预测作用于防爆墙上的爆
               炸荷载，包括压力峰值、峰值到时以及正压持时等荷载特征参数。Khandelwal 等                              [5]  尝试使用支持向量机
               （support vector machine, SVM）模型对爆炸产生的空气超压进行预测。随着近几年计算机硬件性能的提
               升和人工智能技术的不断发展，更多不同类型的人工智能模型开始涌现，并应用于爆炸荷载的预测中。
               Harandizadeh 等  [6]  提出了一种由遗传算法（genetic algorithm, GA）优化的自适应神经模糊推理系统-多项

               式神经网络（adaptive neuro-fuzzy inference system - polynomial neural network, ANFIS-PNN），并使用该模型
               通过装药量、火药系数、爆距等特征参数预测空气超压，取得了良好的预测效果。Li 等                                     [7]  通过对比不同
               的  机  器  学  习  模  型  ， 指  出  Transformer 模  型  在  沸  腾  液  体  膨  胀  蒸  气  爆  炸  （ boiling liquid expanding vapor
               explosion, BLEVE）及其他类型爆炸中均对爆炸荷载具有良好的预测效果。Pannell 等                         [8]  开发了一种引入
               了物理规则的人工神经网络（physics-guided neural networks, PGNN），能够在准确预测峰值冲量的同时，大
               大地增强了模型的泛化性能。
                   综上所述，使用人工智能模型预测爆炸荷载方兴未艾，且随着人工智能技术的发展，预测精度不断
               提升，其适用范围不断拓展。但上述研究中，主要的预测对象均为爆炸荷载的主要特征参数（峰值压力、
               最大冲量等），且具有以下局限性：(1) 无法完整对爆炸冲击波的压力场进行全时间和空间的预测，从而全
               面描述爆炸过程；(2) 针对一类给定爆炸场景，往往通过某一些方法将爆炸发生的空间环境几何特征抽象
               为少量特征参数，难以对更加复杂的空间环境进行准确描述，限制了人工智能模型的使用场景。
                   相较于传统机器学习方法（如             ANN、SVM    等），图神经网络（graph neural network, GNN）具有以下独
               特优势：(1) 全时空预测能力——结合时间序列建模，实现爆炸压力场的动态演化预测，而非仅输出有限
               特征参数；(2) 复杂空间适应性——通过非欧几里得图结构直接建模测点间的拓扑关系，无需人工参数
               化，可直接捕捉爆炸空间的边界。
                   本  文  提  出  一  种  基  于  G N N  的  爆  炸  压  力  时  空  分  布  预  测  模  型  ， 利  用  b l a s t F o a m  计  算  流  体  动  力  学
               （computational fluid dynamics, CFD）仿真结果构建   2  个不同爆炸环境工况的数据集，分别研究                 GNN  模型
               在开放空间与密闭空间中的预测能力，并将提出的人工智能模型分别在两个数据集上进行训练。

                1    模型原理

                   图（graph）是一种由节点（vertex/node）和边（edge）来表示实体和关系的数据结构。使用神经网络来
               学  习  图  数  据  ， 提  取  和  发  掘  图  数  据  中  的  特  征  以  完  成  分  类  、 预  测  等  任  务  的  算  法  可  统  称  为  GNN  [9] 。  对  于

               TNT  炸药爆炸而言，核心的预测目标为炸药引爆后爆炸冲击波的传播以及计算空间内的压力场时空演
               化。采取合适的方法将真实的物理状态转化成图结构数据，便可以实现                                 GNN  模型的训练，完成快速预
               测压力分布任务。



                                                         044201-2
   98   99   100   101   102   103   104   105   106   107   108