Page 153 - 《爆炸与冲击》2026年第5期

第 46 卷 潘刘娟，等： 图学习驱动的爆炸冲击钢筋混凝土柱结构响应的建模与预测 第 5 期

This strategy enables the GNN model to effectively adapt to variations in key design and loading parameters, including
reinforcement ratios, explosive charge weights, and blast locations. The results demonstrate that the proposed model achieves a
prediction time of merely 55 milliseconds per instance, representing a computational speed improvement of four orders of
magnitude over conventional methods; meanwhile, the prediction error remains below 3.33%. Furthermore, it delivers high-
precision damage predictions across various blast scenarios. The proposed study successfully highlights the significant
potential of GNN-based approaches in predicting blast-induced damage and offers an innovative, data-driven solution for rapid
structural assessment and protective design in the field of blast engineering.
Keywords: explosive load; RC member; damage effect; deep learning; graph neural networks

钢筋混凝土（reinforced concrete，RC）因其低廉的制造成本和优异的力学性能，成为人防工事和一般
建筑结构的首选材料，但在短时高压的爆炸载荷作用下易出现严重的结构和功能性破坏。在现代军事
对抗中，及时可靠地预测被打击目标的毁伤程度，不仅是提升毁伤评估实时性的关键手段，更是支撑应
急响应与作战决策高效开展的迫切需求。因此，探索爆炸载荷作用下结构响应的快速、准确预测方法，
对作战资源动态调配和防护效能实时优化具有重要意义。
当前，对于 RC 结构的爆炸毁伤评估主要依赖实爆试验、理论分析和数值仿真，其中，试验研究的可
信度最高，能真实反映爆炸载荷作用下结构响应特征，但其成本高、周期长，且受限于场地、安全和实施
条件限制，难以满足多场景、多参数工况下的大规模验证需求；数值仿真能够在不同工况下对结构响应
过程进行推演，并提供较高的空间与时间分辨率，但其结果对本构模型、边界条件及参数设定高度敏感，
且建模复杂、计算开销高，难以满足实战环境对评估方法高时效性和广适应性的要求；解析方法则通常
依赖于对爆炸荷载与结构响应过程的简化假设，适用范围局限于边界条件明确、加载形式单一的场景，
对于多因素耦合作用下的复杂爆炸毁伤效应难以有效解析。可以看出，现有毁伤评估受限于方法自身
[1]
局限，难以满足未来复杂作战条件下对快速、动态化毁伤评估能力的需求 。
深度学习数据驱动技术的出现为此类问题的解决提供了可行途径，该技术通过拟合输入数据与输
出变量的映射函数，对数据之间的复杂关系进行建模，保持高计算效率的同时，还能充分提取并表征数
据的空间分布规律与时间演化特征。近年来，深度学习已在多个复杂工程与科学领域展现出广泛的应
用潜力：在交通管理 [2] 中，它可从海量时空数据中挖掘潜在模式，实现动态交通流预测和优化调度；在气
象预报 [3] 中，它能够融合多源、多尺度信息，从而提高对复杂多物理场过程的预测精度；在流动仿真 [4] 和
工程优化 [5] 中，深度学习通过近似高维偏微分方程解和构建高效代理模型，显著降低了计算成本。上述
成果充分证明了深度学习在处理高维非线性、强耦合和多尺度问题上的卓越能力，为其在 RC 柱爆炸响
应和毁伤预测中的应用奠定了方法论基础。
[6]
在计算力学领域，Unno 等 提出了一种基于决策树模型的损伤识别方法，通过分析桁架结构在常规
载荷下的加速度时程信号，实现了对构件损伤的快速诊断。该方法以较低的监测成本与维护需求，显著提
[7]
升了中小损伤状态下的识别精度。Bang 等 则从静态响应特征入手，采用逻辑回归算法处理螺栓连接桁
架的应变信号，实现了在役结构的损伤分类与预警，进一步拓展了机器学习在静载条件下损伤检测的应
用范围。另一方面，Mai 等 [8] 将深度神经网络与差分进化算法相结合，以位移约束为条件，实现了几何非
线性桁架结构的优化设计，展现出机器学习在结构设计与性能控制方面的潜力。上述研究在“小载荷、
微损伤、线性行为”的框架内取得了显著进展，为解决常规工况下的结构状态评估提供了有效途径。然
而，研究尚未充分涉及大尺度损伤导致的非线性响应、强动载荷下的毁伤预测等更具挑战性的问题。
在强动载荷及破坏性工况下的损伤识别与安全评估领域，机器学习方法依旧展现出突破性的潜
力。Almustafa 等 [9-13] 构建了覆盖多类钢筋混凝土构件（柱 、梁 [10-11] 、板 [12] ）的爆炸毁伤预测体系，还采用
[9]
机器学习与蒙特卡洛模拟相结合的架构 [13] 整合 4 种损伤状态，通过概率化建模处理爆炸参数不确定性，
实现了裂缝模式与破坏状态的概率量化预测，并创新性地引入爆破可靠性曲线（blast reliability curves，
BRC）解析参数对损伤状态的影响；此外 Zhou 等 [14] 则采用长短期记忆（long short-term memory，LSTM）神

051435-2