Page 31 - 《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

在模型训练过程中，批量大小（每次迭代时同时输入的样本数量）为关键超参数，其取值的确定需综
合考量硬件限制条件以及随机性引入程度等因素，以保障模型训练的稳定性。通常情况下，较大的批量
大小借助硬件加速优势，可提升训练速度。图 4 呈现了当批量大小分别设置为 16、32、48、64 和 80 时，
2
模型评估参数相应的变动情形。经观察发现，批量大小为 32 时，δ MA E 与 δ MS E 均达到最小值，而 R 取得最
大值。当批量大小由 16 递增至 32，相关性系数呈现逐步上升趋势，增幅较大。然而，当批量大小增至
2
2
48 时，R 急剧回落至 0.889，相较于批量大小为 32 时的 R 值，降幅达 4.2%，表明过大的批量会削弱模型
预测的精准度与泛化能力。但从整体来看，批量大小对 Transformer 模型性能的影响力有限。权衡各方
面因素后，确定最优批量大小为 32。
Epoch 表征模型遍历完整训练集的次数。通常，模型预测性能随轮次增加而提升，但伴随时间成本
上升及过拟合风险增大，进而削弱泛化能力。因此，确定最优轮次至关重要。如图 5 所示，对比分析
400、500、600、700 及 800 五种训练轮次下的性能表现发现，各评估指标随轮次变化幅度较小，表明轮次
2
对整体性能影响有限。在 Epoch=500 轮次时，模型性能达到最优（δ MAE =0.067, δ MSE =0.008, R =0.928）。综
合考虑训练效率与泛化能力，最终选定 Epoch 为 500。
获得最优超参数后，将最优的 Transformer 模型得到的预测值与实验得到的真实值作比较，如图 6
所示。可以发现，预测值的误差范围大部分在 7% 以内，存在小部分离群值。这种精度程度表明该模型

能够准确地预测多孔介质临界淬熄直径，从而确 0.90
保应用场景中对管道燃气爆炸的有效阻隔。同 Predictive value
Error=0
时，较低的误差范围也说明了该模型在预测临界 0.72 Transformer
淬熄直径方面的稳健性，有利于可燃气体燃爆安 0.54
全防控策略的制定以及管道阻火器安全设计的 Predictive value
优化。 0.36
除了 Transformer 模型，基于一维卷积神经
0.18
网络 (1D CNN) 建立回归预测模型，其逻辑流程
是：读取标准化后的数据集，选择 9 个输入特征
0 0.18 0.36 0.54 0.72 0.90
和多孔介质临界淬熄直径作为预测目标；对特征
Actual value
数据进行标准化处理，并按 9∶1 的比例划分训
图 6 Transformer 模型预测值与真实值比较
练集和测试集；构建包含 2 个 Conv1D 层（分别
Fig. 6 Comparison of Transformer model predictions
使 用 R e L U 和 S i g m o i d 激 活 函 数 ） 、 展 平 层 、 and actual values
256 节点全连接层（带 LeakyReLU 激活）和单节

点输出层的网络架构，所有层均应用 L2 正则化 表 3 CNN 模型最优超参数组合
防止过拟合；使用 Adam 优化器编译模型，在特 Table 3 Optimal hyperparameter combination
定 Epoch 的小批量训练；训练完成后评估测试集 for CNN models
性能，计算 δ MAE 、δ MS E 和 R 指标。经过超参数优 超参数 最优值
2
化得到最优的训练模型。通过调整超参数，本文 批量大小 16
获得了 CNN 模型的最优超参数组合，如表 3 所示。 训练轮次 600
在确定卷积神经网络 CNN 模型的最优超参
数组合后，对其预测性能进行了严谨的定量验证。如图 7 所示，模型预测值与真实值对比分析的结果表
明，该 CNN 模型的预测误差总体上控制在约 10% 的范围内。然而，值得注意的是，预测结果中存在一定
数量的离群值。尽管这一精度水平在一定程度上反映了模型的有效性，但对于管道燃爆安全防护这一
对预测可靠性要求极高的关键应用领域而言，当前 10% 左右的误差水平仍显不足，模型精度亟待进一步
提升以满足实际安全防护的严格需求。

091502-7