Page 252 - 《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

3.3 结构敏感性分析
结构敏感性分析是指研究网络结构（层数、神经元数量和连接方式等）对模型预测性能的影响。其
中，神经元数量（即网络宽度）对模型性能具有关键影响。通常情况下，神经元数量过少可能导致模型表
征能力不足，难以有效学习复杂模式；而数量过多则容易引发过拟合及梯度不稳定等问题。
为系统评估神经元数量对爆炸后果预测性能的影响并确定最优结构，采用分阶段优化策略。
首先，确定基础模型结构与训练算法。参考文献 [30]，将隐含层数初步设定为 1 层，选用 AdamW 优
化器与 Huber 损失函数，以兼顾收敛稳定性与对异常值的鲁棒性。在此基础上，采用网格搜索方法对关
键训练超参数进行寻优。搜索范围设定为：学习率 [0.1, 0.01, 0.001, 0.000 1]，批处理大小 [16, 32, 64]。以
户型②数据集的十折交叉验证所得的平均决定系数（R ）作为评价指标，最终确定最优训练超参数组合：
2
学习率为 0.001，批处理大小为 32。
其次，在最优训练超参数下，考察神经元数量。依据输入输出维度和通用经验 [30] ，隐含层神经元数
量的研究范围设定为 5～35，梯度变化为 5。将不同结构模型应用于户型②的爆炸后果数据集进行训练，
对室内最大爆炸超压和温度进行预测，并以预测结果的决定系数 R 作为性能评价指标。根据测试结果，
2
2
2
2
图 6 展示了 R 及其增长率（r）随神经元数量变化的情况（r 定义为相邻神经元数量间 R 差值与较小 R 的
2
比）。可知，在室内最大超压和温度测试中，R 随神经元数量的增大均呈先增大后减小的趋势。当神经
元数量为 25 时，R 值达到最大，均超过 0.9，表明模型预测性能良好且趋于饱和；继续增加神经元数量则
2
2
2
导致 R 减小，模型出现过拟合，性能下降。随着神经元数量由 5 增大至 10 时，R 增长率均超过 40%，增
长显著；而当数量接近 25 时，增长率降至 10% 以内，后续增长趋于平缓，说明模型性能已接近极限。
1.0 100 1.0 100

2
R =0.92 R =0.93
2
r 10−5 =73%
0.8 80 0.8 80
r 10−5 =60%
0.6 60 0.6 60
R 2 0.4 r/% R 2 r/%
40 0.4 40
0.2 r 15−10 =22% r 15−10 =19%
R 2 r 20−15 =8% 20 0.2 R 2 r 20−15 =10% 20
0 r r 25−20 =1% r r 25−20 =5%
0 0 0
5 10 15 20 25 30 35 5 10 15 20 25 30 35
Number of neurons Number of neurons
(a) Maximum explosion overpressure (b) Maximum explosion temperature
2
图 6 决定系数（R ）及其增长率（r）随隐含层神经元数量的变化
2
Fig. 6 Variation of the coefficient of determination (R ) and its growth ratio (r) with the number of neurons in the hidden layer
综上，隐含层神经元数量为 25 时，模型在性能、效率和泛化性能力之间达到最优平衡，因而将其确
定为本文中爆炸后果预测模型的最优结构。
3.4 预测准确性分析
基于上述结构分析结果，将 3 种户型各 90 组数值模拟结果作为训练集输入模型进行学习，并利用
剩余 10 组模拟数据验证模型预测精度。模型训练与验证均在配备 NVIDIA RTX 3090 GPU（24 GB 显存）
与 CUDA 11.7 加速库的工作站上完成，采用 Python 3.9 编程语言和 PyTorch 2.0 深度学习框架。
图 7～ 9 分别展示了 3 种户型室内最大爆炸超压、温度及其三维空间坐标的预测结果与模拟值对

比。预测精度以相对误差作为评价指标，其定义为预测值和模拟值之差与模拟值的绝对值比。p m 和
si
p pr e 分别为最大超压的模拟值和预测值，T si m 和 T pr e 为表示最大温度的模拟值和预测值，(x,y,z) si m 和 (x,y,z) pre
分别为三维坐标的模拟值和预测值。坐标的预测误差取三维坐标中最大相对误差值表示。
由图 7～8 可知，室内最大超压的预测相对误差不超过 10%，最大温度的预测误差低于 5%。预测精度

051445-9