Page 257 - 《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

所有点火位置下的室内最高温度分布与超压分布趋势基本一致（如图 11 所示），即客厅区域温度较
低，卧室区域温度较高，高温区（红色区域）多集中于卧室外墙附近。厨/餐厅作为连接客厅与卧室的过渡
区域，温度呈现逐渐递增趋势。餐厅内因布置有较多桌椅等小尺度障碍物，促使火焰在此区域发生较强
的燃烧反应，释放更多热量，导致局部温度升高（图 11(a) 中红色虚线标示）。此外，在卧室门转角区域，
因火焰传播过程中的分流效应增强局部湍流强度，造成热量积聚现象（紫色虚线标示）。
表 3 汇总了 3 种户型在任意点火位置下室内最大爆炸超压、温度及其出现位置，并列出了对应最危
险后果的点火位置。可以看出，随着户型面积增大和空间布局趋于复杂（户型①→户型③），最大超压与
温度均呈递增趋势。室内最大超压普遍出现在主卧或次卧区域，而对应的点火位置则位于厨房，表明厨
房点火易引发卧室区域最严重的超压后果。分析认为，厨房内存在较多壁橱、灶具等障碍物，点火初期
易促使火焰由层流燃烧迅速转为湍流燃烧，形成较高的初始火焰强度；且卧室通常距厨房较远，火焰在
传播过程中持续加速，增强燃烧爆炸强度，从而使卧室成为超压最高的区域。

表 3 最大超压/温度、出现位置及其对应点火位置
Table 3 The maximum overpressure/temperature, occurrence location and corresponding ignition position
户型 最大超压/kPa 最大超压位置/点火位置 最大温度/K 最大温度位置/点火位置
① 407 主卧/厨房 2 682 次卧/主卧
② 537 次卧/厨房 2 697 次卧/主卧
③ 785 次卧/厨房 2 716 主卧/次卧

不同户型中，最大爆炸温度均出现在卧室区域，而对应的点火位置则位于空间上相对的其他卧室。
表明在某一卧室点火时，易在其他卧室引发最高的爆炸温度后果。这是由于卧室空间相对较小，窗口泄
压面积有限，有利于火焰滞留与充分发展，火焰传播至其他卧室后，在受限空间内引发更为剧烈的燃烧
反应，从而导致温度显著升高。
综合以上分析，本文所构建的 ANN 模型明确了典型居民住宅内爆炸后果与点火位置的映射关系。
然而，需指出模型的局限性：（1）其将建筑结构影响隐含于点火位置坐标，未显式考虑障碍物布局与泄压
口动态条件等细观特征，在应用于内部环境差异大的住宅时可能增加预测不确定性;（2）训练样本在总量
与户型多样性上对复杂 ANN 模型而言仍属有限。因此，模型的可靠适用范围集中于燃气浓度、障碍物
条件与训练集相近的常规分隔式住宅；对于结构形式或复杂度显著不同的特殊住宅（如开敞式 Loft、复
式结构），直接应用存在外推风险。

5 结 论

本文中以城市居民住宅燃气爆炸事故后果预测为研究重心，融合数值模拟与数据驱动方法，开展了
爆炸后果智能预测模型研究，并完成了任意点火位置下最大爆炸超压和温度后果的批量预测。得到如
下主要结论。
(1) 针对复杂居民环境燃气爆炸事故的复杂非线性特征，建立了基于人工神经网络（ANN）的后果预
测方法，通过融合数值模拟和数据驱动范式，实现了对爆炸超压、温度及其空间位置的较好预测。
(2) 基于典型事故案例，构建了全尺寸燃气爆炸数值仿真模型，并采用拉丁超立方采样方法抽取燃
气浓度和点火位置样本。通过大规模仿真计算，生成包含 300 组工况的爆炸后果数据集，经最大最小归
一化处理后，为模型训练提供了可靠数据支持。
(3) 通过结构敏感性分析，确定 ANN 网络结构为 [4, 25, 8]，隐含层神经元数量为 25 个，确保模型性
能与效率平衡。验证结果显示，最大超压预测误差低于 15%，最大温度误差低于 5%，满足工程应用需
求。而位置坐标最大误差在 25% 以内，仍可支持事故调查中对最严重爆炸后果位置的基本判断。
(4) 借助预测模型，批量预测了任意点火位置下的最严重爆炸后果及其位置。发现，随着户型面积

051445-14