Page 115 - 《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

为了对比 GNN 模型在时间维度上的准确性，选取了一些特征测点，对测点位置的压力进行了全时
间步的监测，如图 17 所示。其中，2 个测点位于空气域中，与炸药位于同一高度，分别距离爆炸中心
0.5 和 0.7 m；另 2 个测点在刚性壁面上，分别位于壁面中心和三壁面交汇的角隅位置。4 个特征测点对
峰值超压的预测误差分别为 9.35%、8.49%、14.0% 和 0.33%。由图 17 可见，GNN 模型对各测点的超压峰
值均能较准确地预测，对冲击波在空气域和壁面上的不同分布和发展模式也能做出明显的区别。

1.6 1.4

1.4 1.39 GNN 1.2 1.06 GNN
CFD
CFD
1.2 1.26 1.0 0.97
Overpressure/MPa 0.8 Overpressure/MPa 0.8
1.0
0.6
0.6
0.4
0.4
0.2
0 0.2 0
−0.2 −0.2
0 25 50 75 100 125 150 175 200 0 25 50 75 100 125 150 175 200
Time step Time step
(a) Distance is 0.5 m (b) Distance is 0.7 m
2.0 3.5
GNN 3.0 3.04 GNN
3.03
CFD
1.5 1.78 CFD 2.5
Overpressure/MPa 1.0 Overpressure/MPa 2.0
1.53
1.5
0.5
1.0
0.5
0
0
0 25 50 75 100 125 150 175 200 0 25 50 75 100 125 150 175 200
Time step Time step
(c) Wall center (0 m, 1 m, 0 m) (d) Corner (1 m, 1 m, 1 m)
图 17 爆炸距离 0.5 和 0.7 m 处和壁面中心、角隅处的压力时程曲线
Fig. 17 Time histories of overpressure at the blast distances of 0.5 m, 0.7 m and the wall center, the corner of the space
4 结 论

本文提出了一种基于 GNN 的爆炸压力荷载时空分布预测模型，使用经过验证的 blastFoam 数值仿
真模型得到用于 GNN 模型训练的原始数据，并通过本文提出的数据提取和数据集构建方法形成 2 个不
同爆炸工况下的标准数据集，分别进行模型训练。通过模型预测结果与仿真结果的对比，证明了该预测
模型在快速预测爆炸荷载的时空分布上的优越性。主要结论如下。
(1) 与传统有限元仿真相比，本文提出的爆炸荷载预测模型具有显著的效率优势。相较于有限元仿
真，训练完成的模型进行荷载预测时能够节约 95% 以上的时长，使得在应对大规模或紧急情况下的爆炸
荷载分析时，能更迅速地提供关键数据支持。
(2) 通过网格重映射技术，开发了一种从 blastFoam 计算结果中高效提取数据并构建标准数据集的
方法，将爆炸算例中的物理信息进行了标准化处理，为后续的模型训练和验证奠定基础。
(3) 与传统的机器学习模型相比，本文提出的爆炸荷载预测模型的预测结果能够在三维空间内提供
丰富的荷载时空信息，准确地再现爆炸荷载压力场分布随时间演化的动态过程。
(4) 本文基于 GNN 的爆炸压力荷载预测模型能够准确展示 2 个不同爆炸条件数据集的荷载特征，
证明该模型的特征提取能力强，有较强的适应性。但是在残余爆轰产物影响下的近场爆炸情形下仍有
一定的局限性，未来可从时间加权采样策略和 CFD 多工况组合等角度进一步完善模型的应用场景。

044201-14