Page 86 - 《爆炸与冲击》2026年第5期

第 46 卷 第 5 期 爆 炸 与 冲 击 Vol. 46, No. 5
2026 年 5 月 EXPLOSION AND SHOCK WAVES May, 2026

DOI：10.11883/bzycj-2025-0154

基于图神经网络的可燃气体泄漏扩散预测方法 *

冯 彬 ，关少坤 ，陈 力 ，方 秦 2
1
1
1
（1. 东南大学爆炸安全防护教育部工程研究中心, 江苏 南京 211189；
2. 陆军工程大学爆炸冲击防灾减灾全国重点实验室, 江苏 南京 210007）

摘要： 燃气泄漏爆炸事故严重威胁公共安全，而准确预测可燃气体泄漏爆炸效应的先决条件是确定气体泄漏后
的浓度分布。为构建可燃气体泄漏扩散的实时全场时空预测模型，实现等效气云体积的高效预测，提出一种基于双神
经网络架构与多阶段训练策略的图神经网络模型（multi-stage dual graph neural network, MSDGNN）。该模型包含 2 个协
同工作的子网络：（1）浓度网络（N con ），用于建立连续时间步浓度场之间的映射关系；（2）体积网络（N vol ），用于生成每个
时间步的等效气云体积，为爆炸风险评估提供量化指标。为进一步提升模型性能，开发了分阶段渐进式训练策略对双
网络进行联合优化。验证结果表明：相较于传统单一网络架构（如 mesh-based graph network，MGN），双网络架构通过解
耦浓度场预测与等效气云体积预测任务，有效规避了单目标损失函数中权重因子对训练过程的干扰。多阶段训练策
略通过分步参数优化，可解决传统方法对训练数据拟合不足的问题，使浓度场与等效气云体积的平均绝对百分误差
ε MAPE 分别从 49.47% 和 108.93% 大幅降低至 7.55% 和 9.07%；同时，模型泛化误差从 41.18%（浓度场）和 38.81%（等效气
云 体 积 ） 分 别 降 至 8.01% 和 14.92%。 此 外 ， 在 泄 漏 速 率 、 泄 漏 高 度 及 持 续 时 间 等 关 键 参 数 超 出 训 练 数 据 范 围 时 ，
MSDGNN 仍表现出良好的预测鲁棒性。与数值模拟方法相比，本模型在保持预测精度的同时，计算效率提升了 3 个数
量级，可为可燃气体安全监测提供有效的实时分析工具。
关键词： 图神经网络；气体泄漏扩散；双神经网络架构；多阶段训练策略
中图分类号： O389; X932 国标学科代码： 13035 文献标志码： A

Combustible gas leakage and diffusion prediction
based on graph neural network

1
1
1
FENG Bin , GUAN Shaokun , CHEN Li , FANG Qin 2
（1. Engineering Research Center of Safety and Protection of Explosion & Impact of Ministry of Education,
Southeast University, Nanjing 211189, Jiangsu, China;
2. State Key Laboratory of Disaster Prevention & Mitigation of Explosion & Impact,
Army Engineering University, Jiangsu, Nanjing 210007, Jiangsu, China）

Abstract: Gas leakage and explosion accidents pose a serious threat to public safety. A critical prerequisite for accurately
predicting the explosive effects of combustible gas leakage lies in determining the concentration distribution following the
leakage. To develop a real-time, full-field spatiotemporal prediction model for combustible gas leakage and diffusion, and to
achieve efficient prediction of the equivalent gas cloud volume, a novel graph neural network model based on a dual-neural-
network architecture and a multi-stage training strategy, named multi-stage dual graph neural network (MSDGNN), was
proposed. The MSDGNN model consists of two synergistic sub-networks: (1) a concentration network (N ), which establishes
con
the mapping relationship between the concentration fields of two consecutive timesteps, and (2) a volume network (N ), which
vol
generates the equivalent gas cloud volume at each timestep to provide a quantitative metric for explosion risk assessment. To
further enhance model performance, a multi-stage progressive training strategy was developed to jointly optimize the dual

* 收稿日期： 2025-05-27；修回日期： 2025-08-21
基金项目： 国家自然科学基金面上项目（52378487，52378488）
第一作者： 冯 彬（1988－ ），男，博士，研究员，bin.feng@seu.edu.cn
通信作者： 陈 力（1982－ ），男，博士，教授，博士生导师，li.chen@seu.edu.cn

051431-1