Page 26 - 《爆炸与冲击》2026年第9期

第 46 卷 聂仲恒，等： 基于深度学习算法预测燃爆的临界淬熄直径 第 9 期

identifying and weighting critical interdependencies among the diverse input features governing the complex quenching
process. The capability enables more precise capture of the nonlinear phenomena defining the quenching limit. Furthermore,
robustness testing involving diverse data normalization schemes revealed that the Transformer model exhibits greater stability.
This resilience stems from its inherent layer normalization mechanism, which effectively decouples feature dependencies and
mitigates sensitivity to input scaling variations. Consequently, the Transformer architecture is established as the definitive
optimal model for this critical safety prediction task. Its significant advantage lies in the minimal data preprocessing required
before deployment, a feature that greatly enhances its practical utility. The model provides robust quantitative decision-making
support essential for formulating effective gas explosion mitigation strategies and optimizing the safety design parameters of
pipeline flame arresters. By accurately predicting the critical quenching diameter across various scenarios, this work delivers a
valuable tool for enhancing inherent safety in industries handling combustible gases within confined pipeline systems.
Keywords: pipeline explosion; deep learning; critical quenching diameter prediction; flame arrester

对于降低管道内可燃气的爆炸风险，管道阻火器的安装与应用至关重要。阻火器能有效阻止火焰
[1]
沿管道传播，从而提升安全性 。然而，不同可燃气体的理化性质存在显著差异，这为阻火器的设计带来
[2]
了挑战 。同时，各类阻火介质（如波纹板、泡沫金属、多孔板等）的阻火性能亦呈现显著差别 [3-5] 。由此
可见，可燃气体种类与浓度、阻火介质类型、厚度及孔隙率等因素构成了阻火器设计过程中的核心难点 [6-7] 。
然而，现有研究在定量确定多孔介质的临界淬熄直径方面仍面临困难。所幸，计算机技术的发展与各类
深度学习算法的兴起，为解决此问题提供了可能 [8-11] 。
在当前研究阶段，火焰淬熄机理主要依托于传热理论以及化学链式反应理论这两大理论体系 [12] 。
依据传热理论所确立的淬熄判定标准 [13-14] 为：爆炸过程所产生的放热量应当小于或等于火焰与固体之
间的传热量。然而，就实际应用情境而言，使用者往往更关切阻火介质所展现出的阻火性能。在此现实
需求的驱动之下，学者们纷纷投身于探究阻火介质种类、阻火介质厚度以及孔隙率等关键因素对于淬熄
结果所产生的影响 [15-16] 。经由一系列严谨的实验研究，众多研究者相继提出了一些具有关键意义的临界
淬熄参数，诸如安全阻火速度 [17-18] 、临界淬熄直径 [19] 和临界淬熄厚度 [20-21] 等经验公式。例如：在对阻火
器临界淬熄直径的深入探究过程中，研究者们通过大量的实验观测发现，淬熄直径与湍流火焰速度呈现
出负相关关系，并据此推导出了相应的经验公式 [22] 。不容忽视的是，这些经验公式在工业安全防护中均
存在着局限性。鉴于此，从纯粹的理论计算视角出发、精准地获取适用于不同种类可燃气体以及不同淬
熄介质条件下的临界淬熄直径，尚存在巨大的困难。
随着机器学习的高速发展，目前机器学习已被积极应用于爆炸安全防护的各个方面 [23-25] 。Zhang 等 [10]
建立了用于预测甲烷爆炸压力的 KPCA-GWO-LSSVM 模型。Xu 等 [26] 结合理论分析与机器学习构建了
F-P-PSO-DNN 模型，建立了气体类型与浓度、容器参数及点火位置与泄爆超压的关系，该模型的准确性
仅比莫尔科夫模型低 19%。因此，从算法原理的角度来看，机器学习算法有利于多因素条件下的临界淬
熄直径预测。然而，目前关于多孔介质中临界淬熄直径预测的相关研究较少，有待进一步研究。
基于上述研究背景，本文致力于构建 Transformer 架构与卷积神经网络（convolutional neural network，
CNN）模型，开展可燃气体临界淬熄直径的精确预测工作。通过系统评估 2 种回归模型的预测效能，判
断适配于临界淬熄直径预测的深度学习模型。该模型以可燃气类别、体积分数、初始压力、阻火介质厚
度以及惰性气体注入状况等多维度变量为输入依据，预测不同可燃气体系及阻火介质结构参数组合下
的临界淬熄直径，以期为可燃气体燃爆安全防控策略的制定以及管道阻火器安全设计的优化提供量化
决策支持。

1 理论方法

1.1 数据收集
数据来源于 2 部分：自建实验平台获取的数据及文献数据，其中自建实验数据占主体。为了开展管

091502-2