Page 164 - 《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

明显，更便于代理模型识别工况差异。当这一数 25
GNN 22.4
据缺失时，模型难以适应新的数据分布，在训练 20 Abaqus
时对不同工况间的区分能力严重下降，导致模型
难以捕捉到爆炸冲击下钢筋与混凝土的内在变 15
化，最终模型的预测性能显著下降。 Percentage of failed element/% 10 9.7 9.8 12.1
2.3.2 模型耗时成本 8.8 6.0
深度学习的端到端训练模式使代理模型能 5 5.1 4.1 3.5 4.0
够跨过数值模拟中的层层推理过程，极大地提升 1.6 2.1
Reinforcement ratio
Relative distance
Node coordinates
爆炸毁伤预测效率。表 7 记录了 GNN 模型与 0
Abaqus 数值仿真在 5 种不同爆炸当量、爆炸位 Full data control Explosive equivalent Explosive coordinates
置和钢筋混凝土柱配筋率组合的场景下的具体
耗时。
由 表 7 可 知 ， 在 损 伤 评 估 过 程 中 ， 代 理 模 图 13 模型影响因素分析
型 的 计 算 效 率 显 著 优 于 传 统 有 限 元 分 析 软 件 Fig. 13 Analysis of model influencing factors
Abaqus。代理模型完成单次损伤评估所需时间
表 7 GNN 模型与 Abaqus 数值仿真耗时对比
不超过 0.06 s，而 Abaqus 软件则需要更多时间。
Table 7 Comparison of time-consuming between GNN model
代理模型在单次损伤评估效率方面较 Abaqus 软 and Abaqus numerical simulation
件提升了 4 个数量级。代理模型在计算效率方
仿真耗时/s
面显著高于传统有限元模拟方法，它在抗爆结构 模型
工况1 工况2 工况3 工况4 工况5
设计优化、智能防护系统研发以及相关工程应
GNN 0.055 0.054 0.055 0.054 0.054
用领域展现出巨大的潜力。 Abaqus 2 100 2 220 2 160 2 220 2 520
2.3.3 模型稳定性
为验证代理模型的稳定性，本研究选取了不同配筋率、不同爆炸当量、不同爆炸位置的 150 种工况
进行预测。为量化不同爆炸位置的差异，采用爆炸位置与 RC 柱重心之间的绝对距离作为表征指标，模
型稳定性如图 14 所示。

MAE/% RMSE/%
30 30
25 25
20.0 20 20.0 20
Absolute distance/L 15.0 15 Absolute distance/L 15.0 15
17.5
17.5
12.5
12.5
10.0
10.0
7.5
7.5
5.0
0.4 2 10 5.0 0.4 2 10
0.6 4 0.6 4
0.8 6 0.8 6
1.0 8 1.0 8
1.2 10 5 1.2 10 5
12
12
1.4
1.4 Explosive equivalent/kg Reinforcement ratio Explosive equivalent/kg
1.6 14 1.6 14
1.8 16 0 1.8 16 0
Reinforcement ratio
(a) MAE (b) RMSE
图 14 模型多案例稳定性
Fig. 14 Stability of model in multi-case
由图 14 可知，随着爆炸当量的降低，冲击波对 RC 柱的载荷减弱，RC 柱损失单元数下降，导致预测
难度和预测误差降低、案例点颜色加深。同样，随着爆炸绝对距离变大，冲击波在空气中衰减，其对
RC 柱的载荷减弱，但冲击波的衰减速度缓慢，导致 Abaqus 仿真的 RC 柱损失单元数的下降速度同样放

051435-13