Page 7 - 《爆炸与冲击》2026年第5期

第 46 卷 黄 阳，等： 基于物理信息及数据融合驱动的复杂街区爆炸荷载快速计算方法 第 5 期

pressure field across the entire urban block. The two network models incorporate the results from method of images, signed
distance fields, and energy density factors to integrate key physical features of the flow field. For the architectures, the two
models adopt a 3D-UNet and a cascaded network composed of a 2D-UNet and a 3D-UNet, respectively. The target outputs for
both networks were generated using a validated numerical simulation method, which were then used to train the models.
Evaluation of the model’s predictive performance demonstrates that the proposed method accurately predicts the
spatiotemporal evolution of the pressure field. The relative error between the predicted flow field and numerical simulation
results is within 20% in both detonation and non-detonation streets. Moreover, the method effectively captures the pressure-
time histories at specified locations. The inference time of the proposed dual-network collaborative method is approximately
2% of the computation time of the corresponding numerical simulation, and the flow field storage cost for a single time step is
less than 0.2% of a D3PLOT file, thereby significantly reducing computational and storage costs. The research provides a
novel method for the rapid assessment of blast loads in large-scale, complex urban blocks, offering efficient decision-making
support for the blast-resistant design and evaluation of urban buildings.
Keywords: complex urban environment; explosion load; method of images; energy density factor; deep learning

因恐怖袭击或意外引起的城市街区爆炸事故不仅会造成人员伤亡，还可能导致周边建筑结构损伤
及建筑维护体系失效，产生玻璃飞溅等二次伤害，甚至诱发结构连续性倒塌，造成严重财产损失。快速
准确地评估城市街区场景爆炸荷载，对结构抗爆设计、灾后损伤评估及应急救援规划具有重要意义。
受爆炸冲击波反射、绕射及建筑结构空间约束的耦合影响，城市街区场景中的爆炸荷载往往表现出
多种特征。直街道的通道效应会显著增强沿街方向的荷载冲量 [1-3] ，十字形及 T 形路口场景中的泄压效
应能有效降低爆炸荷载 [1, 4] 。此外，建筑物间的遮蔽效应能够进一步降低远离爆源建筑所受荷载 [5-7] 。在
实际的城市场景中，街区布局通常为多种街道形态的融合，因此爆炸荷载表现为多种特征的耦合结果。
随着街道形态及其组合复杂度的提升，采用非数值方法准确计算街区爆炸荷载的难度显著增加。
计算爆炸荷载的传统方法包括经验公式、物理模型和数值模拟，然而，这些方法在处理复杂街区爆炸
场景时，无法以低计算代价获取高精度荷载。经验公式方法 [8-9] 对自由场、近地面爆炸及考虑单一障碍物
的场景表现出较高适用性，然而其难以考虑复杂街区场景中不同建筑对爆炸流场的耦合影响。物理模型，
如镜像爆源方法 [10-12] ，基于计算假设简化了冲击波传播过程，降低了求解爆炸流场的难度，然而其计算
假设也限制了模型的极限精度。数值模拟方法对不同街区场景均有较好的适用性，然而其往往对应较高
的计算代价。近年来，逐渐兴起的深度学习方法为爆炸荷载快速计算提供了新的思路，多层感知机 [13-15] 、
卷积网络 [16-17] 、Transformer [18] 、图神经网络 [19-21] 等多种网络架构被逐步应用于爆炸场景中，并表现
出良好的适用性。然而，已提出的模型多聚焦于预测二维及三维爆炸场景中不同荷载特征参数或特定区
域荷载时程 [15, 22] ，无法直接用于全域流场时空演化过程预测。现有研究主要基于自迭代图神经网络 [19-20]
和超分辨率模型 [17] 实现流场演化预测。然而，自迭代模型预测精度在非完全约束场景中随迭代步数的
增加呈下降趋势，难以保证模型在长持时预测问题中的适用性；而超分辨率模型需依赖低分辨率数值模
拟作为其先验输入，无法独立实现流场预测。
为实现复杂街区场景爆炸压力场演化过程的高效计算，本研究提出一种基于流场物理信息与数据
融合驱动的爆炸荷载预测方法。该方法基于“空间分区、逐步推理”策略，构建由起爆街道预测模型和
非起爆街道预测模型组成的双网络协同预测框架。两种模型通过引入基于镜像爆源法、信号距离场及
能量密度因子等物理模型描述的关键流场物理特征并采用多层卷积网络作为架构，分别对起爆街道和
非起爆街道流场进行预测，基于街道边界压力协同工作，最终实现街区全域压力场时空演化预测。基于
验证后数值模拟方法，构建对应两种模型的目标数据。基于数据驱动方法开展模型训练后，对所提出方
法在复杂街区爆炸场景下的预测性能进行验证，并将其计算与数据存储代价同传统数值模拟进行对比，
以期为在不采用数值模拟的前提下实现复杂街区爆炸流场快速预测提供新的解决方案，为建筑结构在
对应场景下的抗爆设计、灾后快速损伤评估及应急救援决策提供依据。

051411-2