Page 245 - 《爆炸与冲击》2026年第5期

第 46 卷 胡倩然，等： 基于人工神经网络的居民住宅燃气爆炸后果预测 第 5 期

established. The model achieves prediction errors below 15% and 5% for indoor peak overpressure and temperature,
respectively, while the maximum error in predicting spatial location coordinates remains within 25%. This enables batch
prediction of the most severe indoor explosion consequences and their spatial locations for arbitrary ignition positions across
different residential unit layouts. The results indicate that as unit area increases and spatial layout becomes progressively more
complex, the peak overpressure and temperature values correspondingly increase. The living room consistently exhibits the
lowest overpressure levels, whereas areas near windowless bedroom walls tend to form extreme overpressure and temperature
zones. Ignition in the kitchen and bedroom leads to the most severe indoor overpressure and temperature consequences,
respectively, reflecting the differential impact patterns of ignition location on explosion outcomes. The findings provide
important references for expanding the predictive application of artificial intelligence in the field of gas explosions and for the
efficient prevention and control of explosion accidents.
Keywords: residential buildings; gas explosion; artificial neural network; consequence prediction; explosion overpressure

燃气安全是城市公共安全体系的重要组成部分。近年来，随着城镇化的快速推进，居民住宅燃气泄
漏爆炸事故时有发生，造成了严重的社会经济损失和人员伤亡 [1-2] 。这类事故通常发生在厨房、卧室等复
杂受限空间，其灾害演化过程涉及湍流燃烧、冲击波传播、结构响应泄压等多物理场强非线性耦合作
用，导致爆炸超压、高温火焰等致灾载荷的时空演化呈现高度的复杂性和不确定性 [3-4] 。因此，实现复杂
居民环境燃气爆炸后果的准确、快速预测，对于事故风险评估、应急预案制定和安全设计优化具有重要
的理论意义与工程价值。
当前，学者们围绕燃气爆炸后果的预测评估研究主要依赖 3 类方法：理论经验公式、数值模拟与
试验研究。在理论方法层面，Molkov 等 [5] 和 Rasbash [6] 提出了一系列约束空间最大爆炸压力的计算公
式，这些公式虽计算简便，但大多基于特定假设和简化条件，难以精确捕捉复杂空间布局、障碍物阻塞及
多因素耦合效应，普适性和精度相对有限。在数值模拟方面，计算流体动力学（computational fluid dynamics，
CFD）技术，如 FLACS、AutoReaGas 等软件的应用，为预测爆炸风险提供了有力工具 [7-8] 。Ma 等 [9] 和 Hu
等 [10] 分别构建了燃气站点泄漏爆炸全尺寸仿真模型，数值获取了不同泄漏浓度下的爆炸超压值。然而，
CFD 方法计算成本高昂、设置复杂，难以满足灾害评估中对于快速预测和大量情景分析的迫切需求。试
验研究则受限于尺度、安全性和成本，难以系统覆盖所有可能的燃气爆炸工况 [11] 。
上述传统方法在应对复杂城市环境与非线性动力学系统时逐渐显现其局限性。城镇居民住宅内部
包含大量墙体、家具等障碍物以及门窗等泄压结构，导致燃气浓度分布和点火位置等初态要素对爆炸后
果的影响差异显著。这种复杂的“初态-后果”映射关系亟需一种能够有效捕捉并描述其内在非线性规
律的新方法。
随着人工智能技术的飞速发展，以机器学习（machine learning，ML）为代表的数据驱动范式为解决这
一难题开辟了新途径。机器学习方法能够从海量数据中自动学习输入特征与输出目标之间的复杂关
系，构建高精度的统计预测模型，具有运算效率高、泛化能力强的独特优势 [12-13] 。在气体爆炸领域，机器
学习的应用已展现出巨大潜力。例如：陈梓薇等 [14] 和 Xu 等 [15] 利用反向神经网络（back propagation，BP）
分别成功预测了激波管和地下结构内的气体爆炸压力；Vianna 等 [16] 利用针对受限环境开发的典型响应
面方法（response surface methodology，RSM）实现了数千种场景的超压预测，成为帮助决策过程的重要工
具。支持向量回归（support vector regression，SVR）和深度神经网络（deep neural network，DNN）等模型也
在各自适用场景中取得了良好效果 [17-18] 。先前研究主要集中在爆炸峰值压力预测，而忽略了爆炸持续时
间的重要性。据此，Idris 等 [19] 开展了对爆炸压力和持续时间的预测研究，发现随机森林（random forest，
RF）模型在预测爆炸压力方面表现最佳，而决策树（decision tree，DT）模型在预测持续时间方面表现较
好。Hemmatian 等 [20] 利用人工神经网络（artificial neural network，ANN）成功预测了蒸汽云爆炸超压，证实
了该模型在预测压力和持续时间方面均表现出一定优势。
然而，上述研究多集中于相对简单的几何空间或单一爆炸参数的预测，对于真实居民住宅这种多房

051445-2