Page 157 - 《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

真性。对于像素数据，它在处理原始数据时，栅格化插值计算使得数据的精度丢失，同时破坏了原网格
节点数据空间的相对分布特征，不能有效近似曲线上的数据；而通过图拓扑结构，图节点与网络节点一
一对应，完美融合网络节点间的空间关系、全面包含内在特征，从而提高了代理模型的预测性能。
为实现离散网格节点向图数据的有效转换、促进模型的特征学习，本研究设计了一种模型框架，该
框架由编码器、处理器和解码器 3 部分组成，如图 4 所示。编码器采用全连接神经网络（fully connected
neural network, FNN），将初始网格节点分布转换为图结构。处理器利用 GNN [22] 的消息传递机制（即
GNN 的邻居节点聚合策略），通过迭代计算节点之间的空间关系及相互作用获取图的内在特征。最终，
解码器提取这些内在特征，并将其映射回相应的节点，从而预测整个配置的预期状态，即爆炸后钢筋混
凝土柱的结构响应。该解码过程同样通过 FNN 实现。

Encoder
Feature
f V encoding
… G 0
V
0 0
v i Edge e i,j
k=1 f E encoding
Node
distribution (M) …
Concrete rebar Node E
k=2
Processor
Aggregation
Second-order node
G L−1 G L
G 0
MLP
σ(·)

First-order node

Decoder
f D
Post-processing
y i

图 4 代理模型的框架图.
Fig. 4 The framework diagram of the GNN-based RC column damage prediction model
在代理模型中，编码器负责将钢筋混凝土柱的节点分布 (M) 编码为多重图 G = (V,E, f) 。其中，节点

f V 进行编码，从而得
集合 V 包含了每个节点 v i 的空间位置信息，所有节点 v 均通过一个全连接神经网络
V
v i = f (m i ) 。E e ij 封装了节点之间的相互作用信息。这些
到 表示连接节点对 v i 和 v j 的边的集合，每条边
边构成了 GNN 中消息传递的通道。边的生成过程由邻近度 k 决定，即每个节点都与其 k 个最近邻节点相
E f 来表示爆
连。同样，边也通过一个全连接神经网络进行编码，得到 e ij = f (m i ) 。此外，引入一组图特征
炸条件和各组件的强度参数。这些特征可能包括钢筋混凝土柱的配筋率、不同的爆炸当量以及起爆位置
等难以明确建模的参数，用于初始化图的节点属性。随后，这些特征与图 G 中的每个节点进行拼接处理。
处理器由 L 个相同的信息传递模块构成，其主要功能是传输并迭代更新节点特征信息。这些模块
构成了 GNN 的核心计算单元。经过 L 轮信息传递后，处理器逐步将原始输入的几何信息 G 0 转换为高度

G L 。每层的信息传递机制概括如下：首先，利用聚合函数对当前节点的邻居信息进行汇
编码的特征图

051435-6