Page 154 - 《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

经网络，以结构参数和爆炸条件为输入直接输出连续型损伤指数，突破传统二值分类局限，由绘制的

RC 柱损伤程度分区图可观测 RC 柱的损伤。Abd-Elhamed 等 [15] 进一步开发了非线性建筑响应预测框
架，以炸药量、距离、建筑基本周期、质量和刚度及土壤类型为输入参数，通过机器学习分类模型高效实
现了 4 类损伤状态的精准分级。上述研究均可提供高效的毁伤分类预测，但预测的分类形式对于结构
响应的表征太过笼统，所描绘的损伤精细程度有限。
为实现机器学习算法对爆炸冲击下的结构响应预测，Tran 等 [16] 以 12 个 RC 梁结构参数和 2 个爆炸
载荷参数作为模型输入，构建多任务学习架构分别预测了 RC 梁在爆炸下的中跨位移、毁伤程度和毁伤
模式；然而，由于模型的输出限制，仅实现了中跨位移的量化预测，无法对爆炸后梁的破碎、剥落、弯曲
等结构响应开展预测，制约了更精细化的毁伤快速评估与分析。另一方面，Ahmed 等 [17] 突破了以离散的
结构、爆炸参数作为模型的输入范式，采用更详尽的像素化结构图像替代离散参数，引入自相似矩阵和
图像生成器两种技术，赋予特征像素位置以创造空间依赖性，利用卷积神经网络（convolutional neural
networks，CNN）预测钢筋混凝土板在空气爆炸载荷下的最大垂直位移。该方法解决了输入参数高度简
化导致模型接收信息受限的问题，但通过像素化处理得到的栅格数据形式会造成原数据精度丢失，同时
破坏了原网格节点数据空间的相对分布特征，降低了模型能力上限。
总体来说，现有多数模型主要关注毁伤等级或毁伤类别，部分针对结构响应的研究也仅做出初步探
索，缺乏更适配于爆炸冲击结构响应问题的深度学习模型，制约了模型对结构毁伤的精准量化评估。此
外，爆炸作用对 RC 构件的毁伤影响因素较多，如爆炸当量、爆炸位置等，除了爆炸源本身因素外，RC 柱
的配筋率对其在爆炸载荷下的毁伤也有较大影响，RC 构件结构响应快速预测的难点在于准确辨识不同
爆炸参数下结构整体的响应特征。
针对上述问题，本文提出采用图神经网络（graph neural network, GNN）方法来预测钢筋混凝土柱在
爆炸载荷下的结构响应。与传统机器学习方法或卷积神经网络不同，图神经网络能够直接对有限元网
格中的节点与单元之间的连接关系进行建模，完整保留结构的空间拓扑特征，无需依赖额外的数据插值
或栅格化预处理，因而在结构几何与力学特征表达上更具优势。依托图神经网络的信息传递机制，模型
既能捕捉局部损伤特征，又能建立节点与整体结构响应之间的层级映射关系，更贴合爆炸作用下 RC 柱
的力学破坏机理。同时，通过引入多源信息融合建模，实现不同工况下结构响应模式的精准辨识，显著
增强模型对复杂爆炸场景的自适应预测能力。最后，通过与高精度仿真结果进行对比，验证模型计算效
率与预测准确性，以期为爆炸载荷作用下 RC 柱结构响应快速评估提供技术支撑。

1 研究方法

以 TNT 爆破冲击载荷作用下的钢筋混凝土柱为研究对象，通过 Abaqus 软件仿真获取基础数据，并
验证该仿真数据的可靠性，基于验证后的可靠数据，完成 GNN 模型的搭建和训练。

1.1 物理模型
混凝土柱及其钢筋框架的几何形状如图 1 所示，其中 L 为参考长度。钢筋为圆形截面，通过改变钢
筋截面的圆半径控制混凝土柱的配筋率。在钢筋混凝土柱附近至柱表面之间选取爆炸位置。
本研究中，等效 TNT 爆炸当量、配筋率以及爆炸位置均在限定区间内进行等间隔选取，以制定多种
类工况。针对不同工况的爆炸荷载，对混凝土柱的动态响应开展计算分析，计算采用耦合欧拉-拉格朗日
方法。具体而言，柱体与其内部的钢筋分别采用拉格朗日实体单元和桁架单元进行网格划分，采用嵌入
式单元技术实现柱体与钢筋之间的连接。经网格无关性分析，柱体单元尺度控制在 5～10 mm，能兼顾精
度和计算效率。爆炸物采用欧拉域建模，并在与柱体接触处建立流-固耦合界面，以实现爆炸产物与结构
的相互作用。欧拉域边界施加非反射边界条件，避免冲击波在边界处发生非物理反射。炸药采用点起
爆方式，通过在欧拉域中施加初始起爆点来触发 JWL 状态方程下的爆轰过程，同时耦合空气材料以保证
冲击波传播的连续性。

051435-3