Page 251 - 《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

Explosion modeling: dataset generation ANN: consequence prediction
Input layer Hidden layer Output layer
Maximum overpressure
Initial parameters
1
Maximum temperature 1 N 1
1 2
Floor plan Spatial coordinates train 2 N 2
Reference 2 3
Simulation
acquisition 3 N 3
4 4
z Gas Ignition
x concentration position 25 N 8
LHS
CFD modeling y samplin Initial parameters 8
图 5 基于人工神经网络的居民燃气爆炸事故后果预测框架
Fig. 5 Framework for predicting consequences of residential gas explosion accidents based on artificial neural network
(1) 数据集生成。基于事故建筑户型，完成居民住宅燃气爆炸数值仿真计算模型构建；采用拉丁超
立方采样（Latin hypercube sampling，LHS）对燃气浓度和点火源位置 2 种初态要素均匀抽样，并开展大规
模仿真计算，生成涵盖爆炸超压、温度及其空间位置特征的爆炸后果数据集。
(2) 预测模型搭建。结合计算的数据，采用人工神经网络对爆炸后果进行训练预测，训练集与验证
集按 9∶1 划分，预测网络结构为 [4, 25, 8]。输入层神经元数量为 4 个，接收平均燃气浓度和点火源位置
三维空间坐标；参考于佳航等 [30] 的研究结论，用于处理特征的隐含层数设置为 1 层；隐含层神经元数量
为 25 个（其确定依据详见 3.3 节）；输出层神经元数量为 8 个，对应输出室内最大爆炸超压、温度及其三
维空间坐标，具体见表 2。

表 2 爆炸后果预测特征
Table 2 Characteristics of explosion consequence prediction
输出层 特征 输出层 特征 输出层 特征 输出层 特征

N 1 p max N 3 L p max-y N 5 T max N 7 L Tmax-y
N 2 L p max-x N 4 L p max-z N 6 L Tmax-x N 8 L Tmax-z
注: p为超压, kPa; T为温度, K; L p 为最大超压出现位置; L T 为最大温度出现位置; x、y、z为三维空间坐标, m。

3.2 爆炸后果数据集
选用燃气浓度和点火位置作为模型输入的基本单元，并利用当前广泛流行的拉丁超立方采样法对
其抽样。经调研，气体爆炸领域机器学习预测研究多采用 80～100 个量级的小样本作为数据集输入 [31-32] 。
在综合考虑仿真成本和样本可靠性的基础上，围绕上述 3 种户型分别随机抽取了 100 组燃气浓度与点火
位置组合工况作为样本特征数据，并开展数值计算。其中，燃气浓度抽样范围对应常温常压下丙烷气体
爆炸极限范围（2%～10%）；对于点火源三维空间坐标的抽样则均在室内三维几何尺寸范围内完成，例
如：户型①中，点火位置在 x、y 和 z 方向上的三维坐标抽样范围分别为：0.4～8.4 m、0.4～10.4 m 和 0～
2.8 m。三维空间坐标系的建立则是统一以平面建筑东南角地面作为 0 点，分别沿建筑外墙作为各轴的
基准与正方向，具体见图 1。
本文中选用 3 种户型共计 300 组工况的仿真结果用于爆炸后果数据集构建。选用燃气浓度和点火
位置三维空间坐标共计 4 个特征作为预测模型的输入变量，并将室内最大爆炸超压、温度及其对应的三
维坐标共计 8 个特征作为预测模型的输出变量。仿真计算累积输出 22.5 万个超压、温度及其位置坐标
数据，其中用于构建的居民燃气爆炸后果数据集共包含 3 000 个点值。
每种户型中，将 100 组爆炸数据的 90% 划分为训练集、10% 为验证集。即从 100 组模拟工况中随机
抽取 90 组用于模型训练，10 组用于预测模型的准确性验证，最后采用最大最小归一化方法对数据集进
行数据处理，以降低数据数量差异对模型预测准确性的影响。

051445-8