Page 99 - 《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

的对比，而图 12 中展示了 MGN 生成的预测结果。可见，在不同的泄漏速率与泄漏高度下，MGN 的预测
结果可能与 FLACS 计算结果之间存在较大差异，例如 LP_0.1_LR_0.002 工况中的 MP3 与 LP_0.1_
LR_0.009 工况中的 MP1、MP2。相比之下，MSDGNN 能够生成更加准确的测点浓度时程曲线。这表明，
MSDGNN 模型能够准确获取泄漏气体在关键位置的浓度变化，这一能力对于可燃气体泄漏前的传感器
布局优化、泄漏时的危险区域识别以及泄漏后的事故调查分析均具有重要意义。

12.5 40

MGN-MP1 MGN-MP1
FLACS-MP1 FLACS-MP1
10.0 MGN-MP2 30 MGN-MP2
FLACS-MP2
FLACS-MP2
Concentration/% 7.5 MGN-MP3 Concentration/% 20 MGN-MP3
FLACS-MP3
FLACS-MP3
5.0
2.5 10

0 600 1 200 1 800 0 600 1 200 1 800
Time/s Time/s
(a) LP_0.1_LR_0.002 (b) LP_0.1_LR_0.009
30 50
MGN-MP1 MGN-MP1
FLACS-MP1 FLACS-MP1
25
MGN-MP2 40 MGN-MP2
FLACS-MP2
FLACS-MP2
Concentration/% 15 MGN-MP3 Concentration/% 30 MGN-MP3
20
FLACS-MP3
FLACS-MP3
20
10
5 10

0 600 1 200 1 800 0 600 1 200 1 800
Time/s Time/s
(c) LP_1.3_LR_0.0035 (d) LP_1.3_LR_0.008
50 60
MGN-MP1 MGN-MP1
FLACS-MP1 50 FLACS-MP1
40 MGN-MP2 40 MGN-MP2
FLACS-MP2
FLACS-MP2
Concentration/% 30 MGN-MP3 Concentration/% 30 MGN-MP3
FLACS-MP3
FLACS-MP3
20
10 20
10

0 600 1 200 1 800 0 600 1 200 1 800
Time/s Time/s
(e) LP_2.5_LR_0.0065 (f) LP_2.5_LR_0.0085

图 12 MGN 生成的测点浓度时程曲线
Fig. 12 Concentration time history curve of the measuring point generated by MGN

3.4 预测效率
为了评估 MSDGNN 和 MGN 的预测效率，从测试集中随机选取 5 个工况进行测试。表 2 显示，

MSDGNN 对单个工况的计算时间约为 2 s，而 MGN 的计算时间约为 0.5 s。MSDGNN 的效率较 MGN

051431-14