Page 100 - 《爆炸与冲击》2026年第5期

第 46 卷 冯 彬，等： 基于图神经网络的可燃气体泄漏扩散预测方法 第 5 期

低，主要原因是 MSDGNN 包含分别预测浓度与 表 2 MSDGNN 模型预测时间
等效气云体积的 2 个子网络，且经过多阶段训练 Table 2 MSDGNN model prediction efficiency evaluation
后模型的输出需要叠加多个网络的预测结果，这 计算时间/s
工况
增加了计算负担。尽管存在此差异，但与 FLACS MSDGNN MGN FLACS
相比，MSDGNN 的计算效率仍提升了 3 个数量 1 2 0.5 19 975
级。这意味着 MSDGNN 能够在更短的时间内 2 2 0.5 12 007
完成复杂的气体泄漏扩散浓度场预测和等效气 3 2 0.5 9 381
云体积预测任务，为可燃气体安全监测提供了有 4 2 0.5 7 846
效的实时分析工具。 5 2 0.5 15 126
3.5 泛化能力
为了测试模型的泛化能力，图 13 对比了 MSDGNN 和 MGN 在泛化集上对浓度的预测值与目标值之

间的相关性，MSDGNN 的 ε MAPE 与 ε R 2 分别为 8.01% 和 99.49%，显著优于 MGN 的 41.18% 和 96.00%。同
样地，图 14 对比了 MSDGNN 和 MGN 在泛化集上对等效气云体积的预测值与目标值之间的相关性，
MSDGNN 的 ε MAPE 与 ε R 2 分 别 为 14.92% 和 98.21%， 显 著 优 于 MGN 的 38.81% 和 87.52%。 这 说 明

MSDGNN 在泛化集上对浓度与等效气云体积的预测精度均显著高于 MGN。
此外，本文中特别关注 MSDGNN 对泄漏速率、泄漏高度和泄漏时长 3 个关键参数的泛化能力，并通

1.0 1.0

ε MAPE =8.01% 0.8 ε MAPE =41.18%
Concentration (predicted value) 0.6 Concentration (predicted value) 0.6
ε R 2=96.00%
ε R 2=99.49%
0.8

0.4
0.4
0.2
Exact
Exact
0 0.2 0.4 0.6 0.8 1.0 0.2 0 0.2 0.4 0.6 0.8 1.0
Concentration (target value) Concentration (target value)
(a) MSDGNN (b) MGN

图 13 MSDGNN 与 MGN 在泛化集上对浓度的预测结果
Fig. 13 Prediction results of MSDGNN and MGN for concentration on the generalization set
50 50

ε MAPE =14.92% 40 ε MAPE =38.81%
ε R 2=87.52%
ε R 2=98.21%
40
Q 8 /m 3 (predicted value) 30 Q 8 /m 3 (predicted value) 30

20
20
10
Exact 10 Exact
0 10 20 30 40 50 0 10 20 30 40 50
Q 8 /m (target value) Q 8 /m (target value)
3
3
(a) MSDGNN (b) MGN
图 14 MSDGNN 与 MGN 在泛化集上对 Q 8 的预测结果
Fig. 14 Prediction results of MSDGNN and MGN for Q 8 on the generalization set

051431-15