Page 89 - 《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

编码器架构实现 [28, 31-32] ，能够输出各时间步节点的浓度。因此，MSDGNN 模型的第 1 个预测任务是根据
泄漏初始条件生成节点级输出，从而对浓度场进行预测。
此外，为提高爆炸风险评估方法的效率和实用性，可设计 MSDGNN 基于浓度场生成等效气云体
积。等效气云是指由实际泄漏形成的复杂气云简化而成的具有化学计量浓度的规则气云，其体积可以
反映实际参与爆炸反应的气体量。等效气云体积因其与爆燃荷载的强相关性，已被应用于各种爆炸风
险评估模型 [23-24] 。等效气云体积越大，表示参与爆炸反应的气体量越多，爆炸释放的能量和影响范围也
越大，因此风险越高。参考 FLACS 软件 [33] 中的等效气云体积 Q 作为定量指标，可通过其计算密闭空间
8
中与非均匀气云相似的爆燃载荷，以提高计算效率，计算公式如下：
n
∑
V i [V e (E i )−1]
Q 8 = i=1 E LFL ≤E≤E UFL (1)
max{[V e (E)−1]}
V i 为第
式中： i 个控制体的体积；E 为当量比，其中 E LFL 、 E UFL 分别为可燃气体浓度取爆燃下限（lower
V e 为定压下的体积膨胀
flammable limit, LFL）及爆燃上限（upper flammable limit, UFL）时对应的当量比；
率，其值取决于 E，其计算公式如下：

T burnt /M burnt
V e = (2)
T unburnt /M unburnt
T burnt 分别为燃烧前后气体混合物的温度，单位为 M burnt 分别为燃烧前、后气体
式中： T unburnt 、 K； M unburnt 、
混合物的平均分子量，单位为 g/mol。
可见，CFD 模型根据所有控制体的气体浓度计算等效气云体积。相应地，GNN 模型可以通过图池
化操作得到浓度场的图级表示，并据此预测等效气云体积。因此，MSDGNN 模型的第 2 个预测任务是基
于浓度场生成图级输出，进而实现等效气云体积的预测。

1.2 图的构建
图的构建是将数值模拟数据转换为适合 GNN 模型训练格式的关键步骤。为了将 CFD 模型中的物
理场表示为图结构，需定义节点、边及其各自的特征。具体而言，CFD 模型中每个控制体的中心被定义
为图节点，相邻控制体之间的关系由图边来表示。图边的生成通常采用 2 种方法，即 r-radius 和 kNN
方法，前者是将每个节点与其距离在 r 以内的节点连接起来，而后者是将每个节点与其 k 个距离最近的
节点连接起来。用于模拟气体泄漏扩散的 CFD 模型通常需要在泄漏源处进行网格细化处理，这导致细
化区域的网格密度明显高于非细化区域。在网格密度不均匀的情况下，采用 r-radius 方法可能会导致细
化区域的节点连接过于密集或非细化区域的节点连接过于稀疏。相比之下，kNN 方法能够为每个节点
找到其 k 个最近邻节点进行连接，这种基于局部邻近性的连接方式可以更好地适应不同的网格密度，因
此，本研究选取 kNN 方法生成图边。在图的特征表示方面，节点特征用于存储浓度等物理量，这些物理
量直接反映了每个控制体的物理状态；而边特征则包含了相邻节点之间的相对位置信息，用于描述节点
间的空间关系。通过这种定义方式，CFD 模型中的物理场可被有效地转化为图结构，从而为后续 GNN
模型的训练提供合适的数据格式。
1.3 MSDGNN 框架
如图 1(a) 所示，MSDGNN 模型采用双神经网络架构，包含 2 个协同工作的子网络：（1）浓度网络
（N ），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 ），用于生成每个时间步的等效气
vol
con
云体积，为爆炸风险评估提供定量指标。采用该架构主要基于以下 2 点考虑：（1）浓度场的预测受到诸
多因素的综合影响，包括浓度场自身的历史状态、泄漏速率及泄漏位置等，而等效气云体积 Q 的预测主
8
要由浓度场所驱动，这导致两者在模型输入特征上存在明显差异；（2）当采用单网络架构进行多变量回
归任务时，缺少为特定任务单独设计的组件可能会导致不同任务间相互竞争，从而影响性能 [34-35] 。实际
上，当采用单网络架构进行训练时，损失函数中的权重因子（A 和 B）对训练效果起着至关重要的作用，若
权重因子设置不合理，甚至可能直接导致训练失败。这意味着在训练时往往需要对权重因子进行反复

051431-4