Page 29 - 《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

Fully connected

Convolution pooling

Input Layer 1 Layer Layer n Output

x y

图 3 CNN 模型的核心架构
Fig. 3 Core architecture of the CNN model
2 结果与讨论

2.1 模型的构建与评估
基于 Python 语言中的 TensorFlow 架构，采用归一化九维特征数据集构建卷积神经网络 CNN 与
Transformer 模型预测框架。CNN 通过一维卷积核与全局平均池化层提取管径-厚度-孔隙率等局部几何
约束特征，其离散卷积运算有效捕捉空间尺度关联；Transformer 模型则依托自注意力机制，解析燃气与
惰性气体体积分数交互的全局非线性耦合效应，突破传统模型对长程依赖建模的局限。超参数优化采
用手动调参方法，结合 L2 正则化抑制过拟合，最终以 Adam 优化器驱动模型收敛。
在构建燃气临界淬熄直径预测模型后，需对其性能进行系统化评估。采用相关系数 R 、平均绝对误
2
差（mean absolute error, MAE）δ MA E 和均方误差（mean squared error, MSE）δ MS E 构成综合评价体系 [37] 。
R 可揭示模型对响应变量变异性的解释能力，其计算基于总离差平方和（sums of squared deviations，
2
SST）与残差平方和（sum of squares due to error，SSE）的归一化比值：
n
∑ ( ′ 2
)
y i −y
i
2 i=1
R = 1− n (5)
∑ 2
(y i −y)
i=1
δ E 表征预测值与真实值间绝对偏离程度的期望估计，其定义为：
MA
n
1 ∑
δ MAE = y i −y ′ (6)
i
n
i=1
δ MS E 量化预测误差的二次矩估计，数学表述为：
n
1 ∑ ( ′ 2
)
δ MSE = y i −y (7)
n i
i=1
i y ′ y 为实验值的平均值，n 为实验数据量。
式中：y 为实验值， i 为模型预测值，
其中，δ MA E 因采用绝对值运算对异常值具有鲁棒性，单独使用可能弱化模型缺陷的显性表征；而
δ E 通过平方运算放大显著偏差的权重。为避免单一指标的评估局限性，综合运用 δ E 与 δ E 解析临
MS MA MS
界淬熄直径预测值与实验值的离散特性。R 则用于量化模型对数据变异性的解释能力，其趋近于 1 表
2
征拟合优度提升。3 项指标协同实现了模型泛化能力的多维度验证。

091502-5