Page 44 - 《爆炸与冲击》2026年第11期

第 46 卷 潘美霖，等： 基于贝叶斯深度主动学习的三维城市建筑群爆炸载荷快速预测 第 11 期

强泛化，误差控制在约 2% 以内。为提高爆炸载荷预测方法的效率，Dennis 等 [15-16] 提出分支算法（branching
algorithm, BA），以跨场景复用特征处理 20 个模型批次时，计算时间缩短约 80%，并与 DeNN 联用以兼顾
效率与精度。为降低计算成本，Pannell 等 [17] 基于迁移学习在不同装药类型间复用知识，结果表明在数据
删减条件下迁移神经网络的性能显著优于普通神经网络；Huang 等 [18] 引入超分辨率重建（super-resolution
reconstruction, SRR）技术，将符号距离场（signed distance field, SDF）和流场（flow region, FR）等记录流场信
息的高分辨率通道与低分辨率压力场连接作为网络输入，以高分辨率数据作为网络输出，为获取高分辨
率场数据提供了更具成本效益的技术路径。为提高城市复杂场景下的爆炸载荷预测精度，Kang 等 [19] 构
建融合场景空间信息的三维卷积神经网络（3D convolutional neural network, 3DCNN），预测精度较传统多
层感知器（multilayer perceptron, MLP）提升 2.5 倍；Peng 等 [20] 将空间特征与贝叶斯深度学习（Bayesian deep
learning, BDL）结合，所构造的 3D-DeBNN 模型在缩比城市场景中实现低于 5% 的爆炸载荷预测误差；黄
阳等 [21] 提出 BlastOFormer，将镜像爆源法、信号距离场与能量密度因子等物理特征融入模型，对典型街
区压力场预测的相对误差控制在 20% 以内。
总体而言，基于深度学习的爆炸载荷预测方法相对于传统数值模拟有显著的速度优势，且现有研究
在融合物理先验、空间编码与高效架构方面已取得显著进展。但当前基于深度学习的城市爆炸载荷预
测方法均采用被动学习范式，模型取得较高预测精度的前提是具备足够的训练样本。然而，城市爆炸数
据的获取成本较高：实验方面，受限于爆炸试验的高危险性、高成本及严格的安全管控，实测数据获取效
率极低；数值模拟方面，高精度爆炸流场仿真需采用显式动力学方法进行三维瞬态计算，需要消耗大量
计算资源与计算时间，这种数据获取瓶颈导致基于深度学习的城市爆炸载荷预测方法存在模型构建成
本高、样本效率低的问题 [22] 。
针对上述不足，本文融合主动学习 [23-24] 与贝叶斯深度学习，提出面向三维城市建筑群的贝叶斯深度
主动学习（Bayesian deep active learning, BDAL）框架，旨在在保证可信性的前提下，显著降低数据需求与
模型构建成本，提升城市复杂环境中的快速预测能力。首先，构建爆源与环境参数在较大范围内可变的
典型城市建筑群，基于开源 CFD 软件进行不同工况下冲击波传播数值模拟，通过网格灵敏度分析和自适
应网格细化获取兼顾模拟速度与计算精度的爆炸数据。然后，将贝叶斯原理与深度学习相结合，在快速
给出城市载荷预测的同时输出预测不确定性，提升方法的工程可信性 [25-27] ，并为主动样本选择与风险评
估提供依据。进而，利用基于不确定性的主动学习准则评估样本的边际价值，主动选择高价值数据用于
训练，使模型在显著减少训练样本的条件下达到与被动深度学习相当的预测精度。最后，通过预测精度
与不确定性量化效果评估、物理一致性验证以及主动学习效率分析等多维度验证，全面评估所提方法的
有效性与优越性。

1 三维典型城市爆炸数值模拟

本研究采用 blastFoam 对城市场景爆炸载荷进行三维数值仿真，通过动态监测城市关键位置处的压
力，量化分析并提取各监测位置的最大超压，建立三维典型规则化城市爆炸载荷数据库，为深度学习模
型的训练和验证提供数据支撑。
1.1 场景构建与网格划分

1.1.1 规则化城市场景设计
在三维空间中设计典型 3×3 建筑群场景，如图 1 所示，9 个长方体建筑的形态参数（长度 l、宽度
w 及高度 h）相同，均匀排列在建筑区（各街道的长度 l 和宽度 w 相同）。当量为 Q 的能量源位于自由场
s
s
区，其地面投影点到建筑区的水平距离为 r。
图 1 中灰色平面为建筑群中截面（h/2 高度水平面），为表征建筑群区域内冲击波压力场的空间分布
特征，在建筑群中截面上系统性选取 12 个关键位置作为监测点（图 2 中的红点），涵盖建筑表面中点与街
道中点，以捕获压力场在典型几何特征处的响应。图 2 通过建筑群的侧视图和俯视图来进一步说明各

111503-3