Page 246 - 《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

间、多障碍物和多泄压口的复杂空间，其最大超压、温度及其精确的空间位置等多输出联合预测研究尚

显不足。ANN 凭借其强大的非线性拟合能力和灵活的网络结构，在处理此类高维、非线性回归问题上
展现出显著潜力，非常适合作为构建复杂场景下爆炸后果预测模型的核心算法。
本文中旨在开展数据驱动下的全尺寸居民住宅燃气爆炸后果预测研究，核心目标为构建一个基于
人工神经网络的爆炸后果预测模型。首先，利用经实验验证的 CFD 数值模拟方法，批量生成涵盖多种户
型、不同燃气浓度与点火位置要素的爆炸后果高保真数据集；其次，通过模型结构敏感性分析，确定最优
的 ANN 网络结构；最终，训练并验证一个能够同时精准预测室内最大爆炸超压、温度及其三维空间位置
的 ANN 模型，并由此系统探究任意点火位置对最严重爆炸后果的影响，以期为居民燃气爆炸灾害的精
准评估和风险防控提供先进、可靠的量化分析工具。

1 人工神经网络构建

人工神经网络（artificial neural network，ANN）是一种模仿生物神经网络结构和功能的计算模型，具
有强大的非线性映射能力和自学习特性，能够有效处理复杂系统中的高维非线性问题。该网络采用典
型的多层前馈结构，由输入层、隐含层和输出层组成。ANN 的训练过程采用梯度下降法进行迭代优化，
通过最小化损失函数实现对网络参数的调整。本文选用 Huber 损失函数，该函数兼具均方根误差（root
mean squared error，RMSE）和平均绝对误差（mean absolute error，MAE）的优点，对异常值具有更好的鲁棒
性。损失函数表达式为：

 1
 (y− ˆy) 2 |y− ˆy|≥δ

2
L δ (y, ˆy) = (1)
 1
δ|y− ˆy|− δ |y− ˆy|＞δ
 2
2
ˆ y 为预测值，δ 为阈值参数。
式中：y 为真实值，
在隐含层神经元激活函数选择上，采用 ReLU（rectified linear unit）函数：
f (x) = max(0, x) (2)
该函数能有效缓解梯度消失问题，加速网络收敛。输出层根据预测目标特性分别采用线性激活函数和
Sigmoid 函数。
通过结构敏感性系统分析，最终确定网络最优结构为 [4, 25, 8]，即输入层 4 个节点，隐含层 25 个节
点，输出层 8 个节点。该结构在保证预测精度的同时，有效控制了模型复杂度，为燃气爆炸后果预测提
供了可靠的神经网络架构。

2 爆炸数值模拟

2.1 数值方法
本文采用爆炸动力学仿真软件 AutoReaGas 完成全尺寸居民住宅的数值建模与仿真计算，该软件在
计算气体爆炸冲击波求解问题方面的可靠性已经在著名的 BFETS 和 MERGE 实验测试中得到良好验
证，大量学者已采用该软件开展了广泛研究 [21-22] 。
数值模型中，气体被视为理想气体，认为其由于能量增加而自由膨胀，在数学上用质量、动量和能量
守恒方程来表述，即 Navier-Stokes 方程；流场能量累积和增加由气体燃烧提供，并将气体燃烧过程建模
为可燃混合物转化为燃烧产物的一步反应过程，用燃料质量分数和组分守恒方程来表述；采用由湍流动
能及其耗散率守恒方程组成的标准 k-ε 模型来模拟湍流。层流燃烧速度与火焰球形半径被假设为成比
例增加，并对层流燃烧的初始速率采用准层流修正；湍流燃烧过程通过燃烧速率和湍流之间的关系来建
模处理，而层流燃烧过程则是通过控制火焰从初始点火位置传播来建模处理；大尺度障碍物在计算网格
中被视为实体对象边界建模，而将那些太小而无法用实体边界表示的小尺度障碍物设置为子网格，其通

051445-3