Page 30 - 《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

2.2 模型预测结果
2.2.1 Transformer 模型和 CNN 模型的预测分析
构建基于 Transformer 的回归预测模型，用于预测多孔介质临界孔隙率，其核心逻辑如下：从标准化
数据集中提取 9 个关键特征参数（包括燃气浓度、管径、初始压力等）作为输入变量，以多孔介质临界孔
隙率为目标变量。首先对数据进行标准化预处理，然后按 9∶1 比例将处理后的数据划分为训练集和测
试 集 。 模 型 架 构 采 用 Transformer 核 心 结 构 ： 输 入 层 接 收 特 征 向 量 后 ， 依 次 经 过 2 个 全 连 接 隐 藏 层
（512 和 256 个神经元，ReLU 激活函数），每层均引入 L2 正则化（λ=0.005）和 Dropout（10%）机制以增强泛
化能力，最终通过线性输出层生成预测值。采用 Adam 优化器进行 N 个训练轮次（Epoch）的训练（批量大
2
小自定）。模型评估阶段计算测试集的 δ MAE 、δ MS E 和 R 性能指标，最后将训练历史数据、评估结果及完
整模型参数分别保存，实现实验过程的可重复性与结果可追溯性。
对于 Transformer 模型，批量大小和训练轮 表 2 Transformer 模型最优超参数组合
次的选择会影响模型预测的效率和准确率，因 Table 2 Optimal hyperparameter combinations
此，需要获得最优的参数组合。通过手动调参， for Transformer models
本文获得了最优超参数组合，如表 2 所示。其 超参数 最优值
中 ， 最 优 的 批 量 大 小 和 训 练 轮 次 分 别 为 32 和 批量大小 32
500。通过固定其他参数，获得了不同超参数对 训练轮次 500
Transformer 模型性能的影响如图 4 和图 5 所示。

0.018 0 0.12 1.00

Transformer Transformer
δ MSE
Epochs=500 Epochs=500
δ MAE
0.013 5 0.09 0.95
δ MSE 0.009 0 0.06 δ MAE R 2 0.90

0.004 5 0.03 0.85

0 0.80
0 16 32 48 64 80 16 32 48 64 80
Batch_size Batch_size

图 4 不同批量大小对 Transformer 模型性能的影响
Fig. 4 Impact of different batch_size on Transformer model performance

0.018 0 1.2

Transformer Transformer
δ MSE
δ MAE Batch_size=32 0.10 Batch_size=32
0.013 5 1.0
0.09
δ MSE 0.009 0 δ MAE R 2 0.8
0.08
0.004 5 0.6
0.07
0.4
0 400 500 600 700 800 400 500 600 700 800
Epochs Epochs

图 5 不同训练轮次对 Transformer 模型性能的影响
Fig. 5 Impact of different epochs on the performances of Transformer models

091502-6