Page 159 - 《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

改变配筋率，利用字符 [0.4, 0.6, 0.8, 1.0, 1.2, 1.4, 1.6, 1.8] 进行区分。所有钢筋混凝土柱的网格划分方式
均相同，以确保结果的一致性与可比较性。
在最终构建的数据集中，每个案例随机分配一种爆炸当量、起爆位置和配筋率信息的组合。这种设
计方法能够确保数据集的多样性和代表性，为模型的训练和验证提供了坚实的基础。通过在这些多样
化的数据集上进行训练，模型能够学习到不同工况下钢筋混凝土柱损伤变化的规律，从而在实际应用中
实现更准确、更可靠的预测。
就单个案例样本而言，模型的输入数据结构为 [n, 3]，其中 n 为案例中的节点数量，3 对应每个节点
的空间位置信息（x, y, z）。此外，由于爆炸位置分布较为密集，不同案例之间的特征差异相对较小，使得
模型难以根据细微的位置变化自适应地预测损伤。为了解决这一问题，本研究引入了基于相对距离的
额外特征，以补充输入数据中的节点坐标信息。相对距离是指钢筋混凝土柱上每个节点到爆炸中心的
最短距离，如图 6 中的额外特征。这为模型提供了足够的信息以区分不同案例之间的特征差异。此外，
额外特征还包括爆炸当量信息和配筋率。最终，模型的单样本输入数据结构变为 [n, 3+3]，其中“+3”对
应 3 类特征，分别为相对距离、爆炸当量和配筋率。

Relative distance (RD)
Concrete Rebar Concrete Rebar Concrete Rebar

Case 1 Case 2 Case 3
RC column structure information Extra features

Node coordinate Node features
v i>>(x, y, z) i>>(RD, equivalent information, reinforcement ratio) i

图 6 数据集设计与额外特征
Fig. 6 The dataset design and the additional feature

对于模型输出，本研究设计的数据表示爆炸后节点位置相对于破坏前位置的相对位移，输出结构同
样为 [n,3]。所有输入特征均通过最大最小归一化方法独立归一化，以确保不同类型特征之间的尺度一致
性。同时，所有输出特征通过全局标准化处理，增强了模型收敛过程的稳定性，并提高了其泛化能力 [23-25] 。
最后，输入和输出数据配对，以支持 GNN 模型的端到端训练。
训练和测试数据集总共包含 2 652 个样本，其中 265 个样本分配给测试集，用于测试模型泛化能力、
评估模型的最终性能，占总样本量的 10%。在剩余 90% 的 2 387 个样本中，20%（477 个）用于模型结构的
选择与超参数的调优，80%（1910 个）用于训练模型，最终获得最优化的模型参数。通过这种数据划分和
处理方式，可以全面评估模型在不同工况下的性能表现，为后续的结构分析和设计提供可靠的依据。
1.4 代理模型训练结构
初始学习率设置为 1×10 ，并使用指数衰减策略逐渐降低学习率。学习率衰减的数学表达式为：
−4
old g step /1×10
l new = l l 6 (3)
init init decay
l decay 为学习率调整乘数的底数，设置为 g step 为模型在训练过程中完成的
式中： l init 为学习率的初始值； 0.1；
总迭代次数。
损失函数选用 Smooth-L1 损失函数，其数学表达式为：

051435-8