Page 104 - 《爆炸与冲击》2026年第4期

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

1.1 输入数据结构
网格划分是传统有限元计算方法中不可或缺的过程。对炸药爆炸过程而言，经过网格划分后的计
算空间天然形成了节点以及节点之间的连接关系，为物理状态映射成图结构数据提供了基础条件。
对于某一时刻 t，其物理状态 P 可通过图数据结构 M =(V, E) 来进行描述，其中：V 为节点集，记录了
t
t
t 时刻下各个节点的相关信息；E 为边集，既记录
了各个节点的连接关系，又包括了部分需要通过
A vertex v∈V
边来记录的物理信息 [10] 。在三维空间中，以六面
An edge e∈E
体单元网格为例，图结构数据如图 1 所示。与传
统机器学习方法相比，GNN 通过非欧几里得数
据结构可原生处理复杂空间关系，避免了人工特 M = (V, E)
t
征工程需要进行空间离散化处理的问题，获得了 图 1 三维六面体网格下图结构数据示意
更为广泛的空间适应能力。 Fig. 1 Schematic of graph data for 3D hexahedral meshes

1.2 GNN 模型
GNN 模 型 实 现 预 测 的 基 本 方 式 如 下 ： 通 过 给 出 某 一 时 刻 的 物 理 状 态 P 或 t 者 一 系 列 历 史 状 态
t
t−h
t−1
t+1
[P , P , ···, P ]，预测出 t+1 时刻的物理状态 P 。在具体实施时，通过以下 3 个过程实现：编码过程
—处理过程—解码过程 [10] ，其核心是将物理场映射为图结构，并利用 GNN 捕捉节点间的相互作用。模
型运行原理如图 2 所示。

Encoder(MLP) Processor(Calling GNN block for L times) Decoder(MLP)

P t M 0 t GNN block M 1 t GNN block M L t P t+1

GNN block
P t P t+1
M 0 t M 0 t+1
′ ′
v j e ij v i v j e ij v i
′ ′ ′ ′
v j e ij v i e ij v i

图 2 模型架构与运行原理
Fig. 2 Architecture and running principle of GNN models
编码过程：编码过程的主要功能是将某一时刻下的物理特征 P 编入由网格划分形成的图数据结构
t
M = (V, E) 中。在本文中，通过网格划分得到欧拉网格以记录流场信息，并获得对应欧拉网格节点的节
t
点集 V 及其相互连接关系的边集 E，由于欧拉网格不随时间发生改变，因此主要物理状态特征值（压力、
流速、位置坐标和节点类型）均记录在节点集 V 中。边集 E 的主要功能为记录节点之间的邻接关系。值
得注意的是，由于后续需要对相邻节点之间的信息进行相互融合，节点的连接均通过双向边构成。最
后，通过多层感知机（multi-layer perceptron, MLP）分别将节点集 V 和边集 E 整合成对应于处理过程接口
的 128 维的特征向量形式 [10] ，其过程如下

v i = MLP node ([p,u x ,u y ,u z , x,y,z,N nodeType ]) (1)

e ij = MLP edge ([||∆x ij ||,||∆y ij ||,||∆z ij ||]) (2)

044201-3