Page 158 - 《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

总；然后，将汇总结果与节点自身的特征信息进行融合；最后，通过更新函数对当前节点的特征表示进行
更新。随着信息传递过程的迭代，节点将逐步获取更多关于其邻居的信息。从数学角度来看，聚合规则
是通过多层感知机（multilayer perceptron, MLP）实现的，其表达式为：

( )
l
G l+1 = σ W 1 G +W 2 f aggregate,k G l j ∈ N(i) (1)
i j
σ(·) 为激活函数，在本研究中使用 ReLU（rectified linear unit）激活函数；
式中： W 为可学习的权重矩阵；
f k 为聚合函数，下标 N(i) 为节点 i 的邻域集合。
aggregate, k 表示从给定节点 i 出发，向外 k 步的距离范围；
G l+1 G l
在图神经网络的每层信息传递过程中，节点 i 的新特征表示 是由其自身在第 l 层的特征表示
i i
W 2 分
与其邻域节点在第 l 层的特征表示经过聚合函数处理后的结果共同决定的。其中，权重矩阵 W 1 和
σ(·) 则引入了非线性，使得模型能够学习到更
别用于对节点自身特征和邻域特征进行加权，而激活函数
加复杂的特征表示。
模型的最后一个阶段为解码器（decoder），其主要任务是从处理器生成的最终特征图中提取有关组
G L v L ，并
i
件结构响应的具体预测结果。解码器从处理器输出的最终特征图 中获取每个节点的特征表示
y i ，其中解码预测使用 y i = f (v ) 。在
D
L
利用这些特征来预测每个节点的状态 FNN 来实现，其具体过程为 i
本研究中，训练标签包括了混凝土组件在爆炸破坏后节点位置与破坏前节点位置之间的相对位移信
息。因此，框架结构的最终状态是由初始节点状态和模型输出状态的叠加形成的：
L 0
m = m +y i (2)
i
i
m L m 0 y i 为模型预测的位移状态。这种叠加方式能够精
式中： i 为模型的最终输出状态， i 为初始节点状态，
准地反映爆炸荷载作用下钢筋混凝土柱的结构响应，为后续的结构分析和设计提供重要参考依据。
1.3 数据集设计
为保证模型能够在多种不同工况下进行准确预测，训练数据必须覆盖广泛的特征场景。通过提取
和识别这些数据特征，模型能学习目标构件在不同条件下损伤变化的规律，从而实现自适应预测的目
标。因此，本研究构建的数据集涵盖了构件的多种爆炸当量、起爆位置和配筋率等信息。此外，数据集
还记录了在不同配筋率、爆炸当量和起爆位置组合下计算得到的固定结构 RC 柱的结构响应。
考虑到钢筋混凝土柱绕 z 轴具有 90˚旋转对称性，起爆位置只需设置在一个面上即可。同时，为了
涵盖接触爆炸和非接触爆炸的情况，起爆点沿水平轴距离柱表面分别设置在 0、2L 和 4L 的位置，如图 5
所示。对于每个起爆位置，考虑了 5 种炸药爆炸当量 [1 kg, 2 kg, 4 kg, 8 kg, 16 kg]，并通过字符如 [Ⅰ, Ⅱ,
Ⅲ, Ⅳ, Ⅴ] 进行区分。钢筋混凝土柱的配筋率包括 8 个值，每个柱的配筋数量相同，通过改变钢筋截面积

Explosive location
Reinforcement ratio
(y, z): (5L, 8L)
0.4 L
0.6
0.8 O y
1.0 z
1.2 x
1.4 o y
1.6 (y, z): (0, 2L) (x, y): (5L, 5L)
1.8
Explosive equivalent

z
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
O
y
x
图 5 训练数据集工况设计
Fig. 5 Configuration of the training dataset

051435-7