Page 32 - 《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

0.90

Predictive value
Error=0
0.72 CNN
Predictive value 0.54

0.36

0.18

0 0.18 0.36 0.54 0.72 0.90
Actual value
图 7 CNN 模型预测值与真实值比较
Fig. 7 Comparison of CNN model predictions and actual values

2.2.2 2 种模型的性能对比

针对多孔介质临界淬熄直径的高精度预测 0.125
需求，系统对比了 CNN 与 Transformer 模型的预 MAE 0.93 0.928
MSE 0.92
测性能。通过确定各模型最优超参数组合后，采 0.100 R 2 0.91 0.908
用独立验证集进行鲁棒性评估，并可视化关键性 0.075 0.079 CNN Transformer
能 指 标 分 布 ， 如 图 8 所 示 。 定 量 分 析 表 明 ： Evaluation indicators 0.067
CNN 模 型 在 测 试 集 上 呈 现 δ MAE =0.079、 δ MSE = 0.050
2
0.012 及 R =0.906；相较之下，Transformer 模型展
现出显著更优的统计特性——其 δ MAE =0.068 和 0.025 0.012 0.008
2
δ MSE =0.008 分别降低 15.2% 和 33.3%，同时 R 提 0
升至 0.928。该差异具有双重内涵：在误差维度， CNN Transformer
Transformer 的 δ MAE /δ MS E 优势反映其对异常值更 图 8 两种模型的评估指标分布
强的鲁棒性；在解释性维度，其更高的 R 值证实 Fig. 8 Distribution of evaluation indicators
2
模 型 捕 获 了 更 完 备 的 物 理 机 制 非 线 性 映 射 关 for the CNN and Transformer models

系。进一步可推断 Transformer 的注意力机制有 0.3

效聚焦于淬熄过程的临界特征参数（如孔隙率-
0.2
流速耦合效应），而 CNN 的局部感知特性在全局 0.771
工况泛化中存在结构性局限。综上，在当前以预 0.1 0.578
测精度为核心指标的范式下，Transformer 模型展 Error 0 0.732 0.638 0.851 0.037 0.760 0.016 0.557 0.540 0.757 0.015
现出明确的优势，这为复杂多孔介质燃爆安全防 −0.1 0.639
0.952
护提供了更可靠的算法基础。
−0.2
为进一步探究模型预测精度的稳定性，系 CNN
−0.3 Transformer
统对比了 Transformer 与 CNN 模型预测误差随
真实值变化的分布特性，如图 9 所示。可视化分 Actual value
析表明，在临界淬熄直径的实测范围内，CNN 模 图 9 2 种模型的实验值和误差值比较
型的预测误差呈现出显著的系统性偏离。具体 Fig. 9 Comparison of experimental values and error values
between the CNN and Transformer models
而言，其预测值与实验值间的绝对偏差在多个实
测值区间均高于 Transformer 模型，尤其在峰值工况区域误差波动更剧烈。反观 Transformer 模型，其误
差分布带明显低于 CNN 模型，且离散程度较低，表明该模型对不同工况的适应性更强。该现象印证了
上述定量指标（δ MAE /δ MSE ）的差异本质：CNN 模型虽具备基础预测能力，但其误差分布的广泛性与不稳定

091502-8