Page 94 - 《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

接近 [46] 。因此，数据集仅保留每个工况下 x=6 m 平面上的物理场数据，主要包括每个控制体的坐标位置
C i 及等效气云体积 C i 和 Q 包含 个时间步数据，时间步长为 30 s。随后，
8
l i 、孔隙度 η i 、浓度 Q ，其中 60
8
将训练集随机分配 80% 用作模型训练，其余 20% 被进一步平均分成验证集和测试集。在模型训练之
前，将每个特征通过最小-最大归一化方法调整到 [0, 1] 范围，这样不仅可以加快收敛效率，而且有助于提
高模型的泛化能力 [47] 。

表 1 可燃气体泄漏扩散数据集
Table 1 Combustible gas leakage diffusion dataset
−1
数据集 v L /（kg·s ） h L /m D L /s 工况数量
训练集 0.000 5～0.010 0 0.1、0.7、1.3、1.9、2.5 1 800 (Δt=30 s) 100
泛化集 0.010 0～0.012 0 1.0、1.6、2.2 1 800、2 700 (Δt=30 s) 15

3 模型训练与评价

3.1 实验设置
3.1.1 环境与超参数
MSDGNN 模型采用了 PyTorch 和 PyTorch Geometric 深度学习框架，在单个 NVIDIA RTX 4090 GPU
上进行训练，而 FLACS 中的 CFD 模拟则在 36 核的 Intel(R) Xeon(R) Gold 6154 CPU 上执行。
模型中的图构建采用 kNN 方法，参数 k 设为 9。子网络 N co n 和 N vo l 的消息传递层数均设为 10，隐藏
层均含 128 个神经元。模型中所有 MLP 都包含 2 个隐藏层，每个隐藏层配备 128 个神经元。每个隐藏
层之后均采用 ReLU 激活函数引入非线性，并在第 2 个隐藏层之后引入 LayerNorm 归一化层 [48] 。模型参
−4
数采用 Adam 优化器 [49] 进行优化，学习率从 10 到 10 呈指数递减。每经历一个训练周期，采用验证集
−6
对模型性能进行测试，其中表现最佳的模型将在测试集上进行性能评估。当模型在验证集上的性能在
连续 50 个周期内没有显著提升或者开始下降时，则停止训练。经过试算发现，当体积网络 N vo l 采用单阶
段训练，而浓度网络 N co n 采用两阶段训练时，MSDGNN 模型已经具备足够的预测精度。
3.1.2 评价标准
为了评价 MSDGNN 的预测性能，采用了 3 种误差标准：均方根误差 ε RMSE 、平均绝对百分比误差 ε MAPE
ε R 2 。给定目标浓度值 ˆ y 和目标深度值的均值 种误差标准的公式如下：
i
和决定系数 y 、预测浓度值 y，3
Ã
n
1 ∑ 2
ε RMSE = (y i − ˆy i ) (13)
n
i=1
n
1 ∑ y i − ˆy i
ε MAPE = (14)
n y i
i=1
n
∑
(y i − ˆy i ) 2
i=1
ε R 2 = 1− n (15)
∑ 2
(y i − ¯y)
i=1
ε MAPE 的值越接近于 ε R 2 的值越接近于 1，表示预测结果与目标值越吻合，即模型的预测精
式中： ε RMSE 和 0，
度越高。
3.1.3 基准模型
首先，将 MSDGNN 模型预测结果与 FLACS 计算结果进行比较，将其误差作为衡量预测准确性和可
靠性的关键指标。此外，还以 Pfaff 等 [28] 提出的 MGN 模型为基准，进一步凸显 MSDGNN 采用双神经网
络架构与多阶段训练策略所带来的优势。

051431-9