Page 87 - 《爆炸与冲击》2026年第5期

第 46 卷 冯 彬，等： 基于图神经网络的可燃气体泄漏扩散预测方法 第 5 期

networks. Experimental results demonstrate that compared with mesh-based graph network (MGN), the dual-network
architecture effectively decouples the tasks of concentration field prediction and equivalent gas cloud volume prediction. This
approach significantly mitigates the interference of weight factors in single-objective loss functions during the training process.
The multi-stage training strategy, through stepwise parameter optimization, addresses the issue of insufficient data fitting
ε MAPE for concentration fields
encountered in traditional methods, significantly reducing the mean absolute percentage error
and equivalent gas cloud volumes from 49.47% and 108.93% to 7.55% and 9.07%, respectively. Furthermore, the
generalization error of MSDGNN for concentration fields and equivalent gas cloud volumes is reduced from 41.18% and
38.81% to 8.01% and 14.92%, respectively. In addition, MSDGNN exhibits robust prediction performance even when key
parameters such as leakage rate, leakage height, and leakage duration exceed the range of training data. Compared with
numerical simulation methods, the proposed model achieves a three-order-of-magnitude improvement in computational
efficiency while maintaining prediction accuracy, providing an effective real-time analytical tool for combustible gas safety
monitoring.
Keywords: graph neural network; gas leakage and diffusion; dual neural network architecture; multi-stage training strategy

天然气、氢气、丙烷等易燃气体在生产、运输、储存和使用过程中经常因泄漏引发火灾和爆炸事故 [1-5] ，
燃气泄漏爆炸事故已成为威胁公共安全的重大隐患，造成的人员伤亡与财产损失具有显著的社会性危
害。因此，构建准确的可燃气体泄漏爆炸效应预测模型，对预防事故发生、降低灾害后果具有重要的科
学意义和工程应用价值。
可燃气体泄漏爆炸是典型的非理想爆轰过程，与高能炸药（如 TNT）爆炸最显著的区别在于其发生
爆炸前需要经历较长时间的泄漏扩散过程，只有当空间内的泄漏气体浓度达到爆炸极限，才可能发生爆
炸。因此，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 [6-10] 。基于计算流
体力学（computational fluid dynamics, CFD）的数值模拟方法因其经济高效、可重复性强等优势，已成为预
测气体泄漏扩散浓度分布的重要手段 [11] 。学者们采用 CFD 方法已开展了大量的可燃气体泄漏扩散模拟
研究，主要分析了泄漏速率 [12] 、泄漏位置 [13] 、通风条件 [14] 及障碍物 [15] 对浓度分布的影响。然而，CFD 方
法的计算效率较低，无法满足实时预测需求。因此，近年来涌现出众多基于机器学习（machine learning,
ML）的气体泄漏扩散预测方法。Wang 等 [16] 将 PHAST 软件、人工神经网络（artificial neural network,
ANN）和气体探测器相结合，提出了一种高效、实时的危险气体扩散预测技术。结果表明，即使泄漏源信
息未知，该方法仍然能够以可接受的精度实时预测危险气体泄漏对目标位置的影响。Qiu 等 [17] 提出了一
种 基 于 ANN、 粒 子 群 优 化 算 法 （ particle swarm optimization, PSO） 和 期 望 最 大 化 方 法 （ expectation
maximization, EM）的扩散预测和泄漏源定位方法，该方法使用大量预先设定的情景训练神经网络，从而

能够准确有效地预测浓度分布。Tang 等 [18] 基于支持向量机建立了硫化氢泄漏扩散浓度的实时预测模
型，在保证预测精度的同时，大大降低了计算时间成本。Zhang 等 [19] 开发了一种物理信息图神经网络，
用于基于稀疏传感器数据的氢气射流预测。结果表明，该模型能够准确、快速地预测氢气射流的浓度场
和速度场，计算效率较 CFD 数值模拟方法提高了 100 倍。然而，目前基于机器学习的气体泄漏扩散全场
时空预测方法还比较有限。所谓全场时空预测方法，是指能够在整个泄漏场景空间范围内，对泄漏扩散
过程中的浓度分布进行动态、连续预测的方法。与上述部分机器学习方法相比，全场时空预测方法不仅
需要考虑泄漏源参数（如泄漏速率、泄漏位置等）的影响，还要能够捕捉浓度随时间和空间变化的复杂动
态特性。然而，目前的研究大多集中在局部区域或特定工况下，缺乏对全场时空动态变化的系统性建模
和预测能力，导致在面对复杂场景时，难以全面、高效地评估可燃气体泄漏的后果。这种局限性使得现
有方法无法满足对泄漏扩散过程快速、准确、全面评估的需求。
对可燃气体爆炸风险进行量化评估时，往往需要简化气体的扩散过程，将实际不规则分布的燃气浓
度场等效为一个理想化的均匀浓度气团，该气团的体积称为等效气云体积，其具体定义是可燃气体泄漏
后，与真实扩散状态具有相同爆炸危险性的虚拟气云体积 [20] 。等效气云体积是燃气安全领域使用的关
键风险评估指标，基于该指标可方便快速地实现燃气灾害效应计算和风险评估 [21] 。因此，许多研究工作

051431-2