Page 165 - 《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

缓，最终导致预测误差下降缓慢，案例点颜色的加深趋势较小。随配筋率的提高，钢筋抗拉强度增强，但
最外围的混凝土单元依旧承受同样的冲击波载荷，因此 Abaqus 仿真的 RC 柱损失单元数变化不明显，预
测难度相同，难以看出随配筋率变化的算例点颜色趋势。
对图 14 中的散点分布进行分析，在绝大多数案例中，MAE 均低于 5%，说明模型预测值与实际值之
间的绝对误差相对较小，整体预测精度较高。大部分案例的 RMSE 处于 10% 以下，少部分超过 10%。这
部分 RMSE 较高的案例，其 MAE 依然维持在 5% 以下，印证了模型在整体预测上较高的准确性，仅有个
别单元出现偏差。综合 MAE 和 RMSE 来看，所构建的模型具有较强的稳定性。

3 结 论

基于图神经网络（GNN）构建了钢筋混凝土柱在爆炸冲击载荷下的损伤预测模型；通过 Abaqus 仿真
获取基础数据并验证其可靠性后，搭建并训练了爆炸冲击 RC 构件结构响应代理模型；利用图数据结构
表征构件几何、GNN 的消息传递机制捕捉爆炸冲击波在结构内的传播路径，实现了对钢筋混凝土柱爆
炸结构响应的准确预测，并得到以下主要结论。
(1) 利用图拓扑法将构件几何的离散网格表示为图数据结构，与传统像素化数据预处理方法相比，
该图拓扑法能更精细地捕捉局部结构间的复杂关系。
(2) 采用 GNN 模型分别对不同配筋率、不同爆炸当量、不同爆炸位置的 150 种工况进行预测，结果
表明，模型的平均绝对误差（MAE）指标均低于 5%，预测值与实际值之间的绝对误差较小。大部分案例
的均方根误差（RMSE）指标处于 10% 以下。综合来看，模型在整体预测上具备较高的准确性和较强的稳
定性。

(3) GNN 模型采用端到端预测框架，省去了传统模拟的中间步骤，提高了预测速度。GNN 模型在单
次损伤评估中的用时约为 55 ms，而相同工况下传统的 Abaqus 仿真的计算用时约为 40 min。GNN 模型的
预测速度相比 Abaqus 仿真提升了约 4 个数量级，且训练完成后的 GNN 模型还可快速运用于多种场景。
值得注意的是，GNN 模型目前仍存在若干局限。首先，模型尚未考虑轴压对钢筋混凝土柱受力和
破坏的影响，在一定程度上限制了模型在真实复杂受力环境中的适用性。其次，模型的适用范围较为有
限，仅适用于柱状构件在爆炸荷载下的响应预测，若应用于其他结构形式（如框架或板壳），需重新进行
数据制备和模型再训练。此外，该方法依赖数据驱动，不能显式嵌入爆炸冲击破坏的物理机制，模型的
可解释性仍高度依赖于训练数据。在后续工作中，将考虑引入轴压比等关键参数，并探索融合物理机理
的混合建模方法，以增强模型的准确性与可解释性。

参考文献：
[1] 马春茂, 孙卫平, 李炎, 等. 武器装备毁伤评估研究进展 [J]. 火炮发射与控制学报, 2019, 40(4): 96–101. DOI: 10.19323/
j.issn.1673-6524.2019.04.020.
MA C M, SUN W P, LI Y, et al. Research progress in damage assessment of weapon equipment [J]. Journal of Gun Launch &
Control, 2019, 40(4): 96–101. DOI: 10.19323/j.issn.1673-6524.2019.04.020.
[2] CHAI C X, REN C X, YIN C C, et al. A multifeature fusion short-term traffic flow prediction model based on deep learn-
ings [J]. Journal of Advanced Transportation, 2022, 2022(1): 1702766. DOI: 10.1155/2022/1702766.
[3] WEYN J A, DURRAN D R, CARUANA R. Improving data-driven global weather prediction using deep convolutional neural
networks on a cubed sphere [J]. Journal of Advances in Modeling Earth Systems, 2020, 12(9): e2020MS002109. DOI:
10.1029/2020MS002109.
[4] 张帆, 张恒, 李卓越, 等. 基于深度学习方法的圆柱绕流实验缺失数据重构 [J]. 物理学报, 2025, 74(7): 074701. DOI:
10.7498/aps.74.20241689.
ZHANG F, ZHANG H, LI Z Y, et al. Reconstruction of gappy data in cylindrical flow experiments based on deep learning
method [J]. Acta Physica Sinica, 2025, 74(7): 074701. DOI: 10.7498/aps.74.20241689.
[5] LIU H, ZHANG G H. Enhancing efficiency and energy optimization: data-driven solutions in process industrial manufactur-
ing [J]. EAI Endorsed Transactions on Energy Web, 2024, 11(1): 1–11. DOI: 10.4108/ew.6098.

051435-14