Page 33 - 《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

性导致整体精度劣于 Transformer。这一发现从误差结构维度揭示了 Transformer 在复杂非线性关系建模
中的可靠性优势。
为了探究模型的推广维度，使用未归一化的数据评估模型的预测能力。在最优超参数组合条件下，
对比了 Transformer 模型和 CNN 模型处理是否进行归一化处理的数据的性能差异。可以发现，源数据是
否进行归一化处理对 Transformer 模型性能的影响很小，其 δ MA E 和 δ MS E 相差不大。但是，对于 CNN 模
型，未进行归一化处理数据的 R 为 2 0.904。相比归一化处理后的数据降低了 3.7%。说明，Transformer 模
型对于复杂数据的接受能力要强于 CNN 模型。换言之，对于未进行归一化处理的数据，Transformer 模
型也能获得令人满意的预测结果。
为验证模型在实际工业复杂数据中的泛化能力，系统评估了 Transformer 与 CNN 对原始尺度数据的
适应性。在固定最优超参数条件下，设计 2 组对照模拟：分别输入归一化/未归一化数据 2 类模型。如
图 10 所示，Transformer 的归一化敏感性显著低于 CNN。反观 CNN 模型，未归一化数据导致其决定系数
由 归 一 化 状 态 的 R = 0.906 骤 降 至 0.888。 这 种 差 异 源 于 模 型 固 有 特 性 ： Transformer 的 层 归 一 化
2
（LayerNorm）模块及自注意力机制具备隐式特征缩放能力，而 CNN 的卷积核权重受输入量纲直接影
响。结果表明，Transformer 在应对复杂工程数据（如含多物理量纲的临界淬熄直径数据集）时具有更强
的鲁棒性，这对开发免预处理的实时安全防护系统具有重要应用价值。

0.10 0.085

0.906 With normalization With normalization 0.936
Without normalization 0.906 0.928 Without normalization
0.08 0.068
CNN Transformer 0.924
0.900
0.06 0.051
Error 0.894 R 2 Error 0.912 R 2
0.04 0.034
0.900
0.888
0.02 0.888 0.017 0.898
0.888
0.882
0 0
δ MAE δ MSE δ MAE δ MSE
Evaluation indicators Evaluation indicators
图 10 归一化处理对两种模型性能的影响
Fig. 10 Impact of normalization on the performance of the CNN and Transformer models
3 结 论

基于燃气组分、管道几何参数、初始条件及多孔介质结构参数构成的九维特征空间，建立了密闭管
道可燃气临界淬熄直径的预测模型。通过确定模型的最优超参数组合，系统对比 CNN 与 Transformer 模
2
型的预测性能（δ MAE 、δ MSE 、 R 和误差分布）。研究表明 Transformer 模型预测性能显著优于 CNN，且提高
了对未归一化数据的鲁棒性，被确立为预测多孔介质临界淬熄直径的最优解。该模型突破了传统经验
公式的工况局限，为管道燃爆安全防护体系提供核心算法支撑。得到的主要结论如下：
(1) 经最优超参数配置下的系统验证，CNN 模型虽实现约 10% 的平均预测误差，但其显著存在的离
群值及误差波动性表明，该模型在管道燃爆安全防护场景中仍存在可靠性缺陷。反观 Transformer 模型，
在同等验证条件下将预测误差压缩至 7% 左右，且离群值比例显著降低。这种精度的阶跃式提升不仅证
实了 Transformer 对多孔介质临界淬熄直径预测的强鲁棒性，更从本质上解决了安全防护领域的核心需
求。Transformer 模型误差分布的高度稳定性消除了传统 CNN 模型在极端工况下的误判风险，为燃气管
道动态安全防控策略提供确定性保障。
(2) 基于多孔介质临界淬熄直径预测任务的系统验证，Transformer 模型在最优超参数配置下展现出
显著优于 CNN 的预测性能。其核心指标 δ MAE =0.068 和 δ MSE =0.008 较 CNN（0.079 和 0.012）分别降低

091502-9