Page 88 - 《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

致力于开发基于等效气云体积的爆炸危险区域划分及爆炸风险评估方法。齐心歌等 [22] 以气体泄漏事故
为基础，综合考虑气体泄漏概率、风速风向联合分布概率以及点火概率等，基于等效气云体积实现了气
体防护区域的定量划分。相比传统的定性划分方法，该方法可更加具体地表征气体防护区域的等级。
师吉浩 [23] 通过不同泄漏速率、风速和风向条件下的等效气云体积变化规律，对海洋平台气体爆燃风险进
行了评估，并开发了基于贝叶斯正则化神经网络的等效气云峰值体积预测模型。师燕超等 [24] 以综合管
廊发生天然气泄漏爆炸的后果评估为目标，建立了一种定量风险评估方法，通过建立等效气云体积与爆
炸后果的相关关系，提出一种适用于受限空间的单参数累积点火概率模型，该模型能够反映可燃气云发
展过程与时间因素的关系，最终得到了天然气泄漏爆炸超压峰值与冲量的超越概率曲线。然而，等效气
云体积的计算依赖于气体浓度分布，而如前文所述，实际泄漏场景下的浓度分布预测主要依赖于 CFD 方
法。因此，等效气云体积预测同样依赖于耗时的 CFD 方法，这种依赖性限制了各种爆炸风险评估方法的
应用效率，尤其是在需要快速响应的紧急情况下。因此，开发更高效的等效气云体积预测方法，以提高
爆炸风险评估方法的效率和实用性，是当前研究的重要方向。
图神经网络（graph neural networks，GNNs） [25-26] 是一种专门用于处理图数据的深度学习框架，该框架
可以为上述问题提供新的解决方案。图是一种由节点和边组成的数学结构，节点表示实体，边表示实体
之间的关系。图神经网络的核心是消息传递机制 [27] ，即节点通过其邻居节点传递信息，并根据聚合后的
信息更新自身特征。众所周知，CFD 方法通过求解偏微分方程更新物理场，类似地，将物理场表示为图
结构以后，GNNs 模型则可通过多层消息传递更新物理场。不同的是，经过训练的 GNNs 模型能够在短
时间内基于初始和边界条件预测物理系统的时空演化，是 CFD 方法的高效代理模型。GNNs 在物理模
拟领域的应用已相当广泛，Pfaff 等 [28] 提出的基于网格的图网络（mesh-based graph network, MGN）是一种
模拟物理系统时空演化的经典框架。基于 MGN 框架，Li 等 [29] 开发了预测沸腾液体膨胀蒸汽爆炸（boiling
liquid expanding vapor explosion, BLEVE）超压传播的图网络模型（BLEVE graph network, BGN）。结果表
明，与传统的 CFD 模拟相比，BGN 可以准确地预测 BLEVE 超压的传播，且计算量显著减小；与现有机器
学习模型相比，BGN 在超压时程曲线预测中获得了更高的时间分辨率，同时保持了相当的精度。Shi 等 [30]
开发了一种物理信息图神经网络方法（physics_GNNs），用于实时气体爆炸模拟。结果表明，该方法在拥
塞场景实时预测爆炸荷载时具有很高的精度，而且能够描述障碍物、火焰传播与爆炸荷载分布之间的物
理相互作用。可见，基于 MGN 的代理模型在物理系统时空预测任务中具有巨大的潜力。鉴于此，开发
基于 GNNs 的燃气泄漏扩散浓度场与等效气云体积的高效预测模型，不仅能够满足对泄漏扩散过程快
速、准确、全面评估的需求，而且能够提高爆炸风险评估的效率和实用性。目前尚未报道能同时预测气
体泄漏扩散浓度场与等效气云体积的 GNN 模型。
本文中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）。该模型不仅能够为可燃气体泄漏扩散浓度分布提供准确的实时全场时空预
测，还能为爆炸风险评估快速生成可靠的等效气云体积指标。本文中实时全场时空预测中“实时”是
指 MSDGNN 的计算效率远高于传统 CFD 方法，在相同计算工况下，计算时间由数小时缩短到数秒；
“全场”是指相对于表单式深度学习方法仅能针对物理场中某些指定测点开展预测，MSDGNN 能够对
物理场中所有网格点进行预测；“时空”是指相对于部分时间无关神经网络模型仅能预测物理量的稳

态或极值，MSDGNN 能够在所有网格点上输出预测物理量的时程曲线。
1 方法框架

1.1 问题概述
CFD 方法与 GNN 模型的计算范式显著不同。在计算可燃气体泄漏扩散浓度场时，CFD 方法根据所
提供的初始条件和边界条件求解偏微分方程，以获得系统物理量的时空演化，而 GNN 模型则通过节点
的状态变化及其相互依赖关系来学习基本物理规律。MSDGNN 被设计为端到端的代理模型，旨在替代
传统的 CFD 方法。具体而言，CFD 模拟中的初始条件和边界条件可转换为图表示。相关的物理量（如
浓度）被嵌入为节点特征，随后通过空间域的消息传递机制进行更新 [27] 。系统状态的时间演化通过自动

051431-3