Page 102 - 《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

Concentration/%
0 10 20 30 40 50 60 70 80 90

FLACS MSDGNN Absolute error
(c) h L =2.2 m
图 16 MSDGNN 对泄漏高度的泛化结果
Fig. 16 Generalization results of h L by MSDGNN
Concentration/%

0 10 20 30 40 50

FLACS MSDGNN Absolute error
(a) D L =900 s
Concentration/%
0 10 20 30 40 50

FLACS MSDGNN Absolute error
(b) D L =1 800 s
Concentration/%
0 10 20 30 40 50

FLACS MSDGNN Absolute error
(c) D L =2 700 s

图 17 MSDGNN 对泄漏时长的泛化结果
Fig. 17 Generalization results of D L by MSDGNN
在实际场景中，泄漏事件的关键参数（如泄漏速率、泄漏高度和泄漏时长等）往往难以确定，且可能
超出模型训练时所依据的数据范围。在这种充满不确定性的条件下，MSDGNN 的泛化能力能够在一定
程度上保证浓度与等效气云体积预测结果的准确性，进而为应急响应措施的制定和安全管理决策提供
坚实可靠的依据，有效助力风险防控与事故应对。

4 结 论

提出了一种基于双神经网络架构和多阶段训练策略的图神经网络模型（MSDGNN），用于可燃气体
泄漏扩散预测与爆炸风险评估。MSDGNN 不仅能够为可燃气体泄漏扩散浓度分布提供准确的全场时空
预测，还能为爆炸风险评估快速生成可靠的等效气云体积指标，得到的主要结论如下。
(1) 相较于传统单一网络架构（如 MGN），双网络架构通过解耦浓度场预测与等效气云体积预测任
务，有效规避了单目标损失函数中权重因子对训练过程的干扰。

051431-17