Page 56 - 《爆炸与冲击》2026年第11期
P. 56

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

                   综合图    9  可知，基于   MC-Dropout 的  BDAL  模型在    MAPE  指标上仅需约       50%  的训练样本即可达到
               被动  BDL  全量模型的精度，在         R 指标上仅需约       40%  的数据量即可实现等效预测性能，样本效率提升率
                                           2
               达到  50%  以上。上述结果有力地证明了本文提出的主动学习框架能够有效降低深度学习模型对大规模
               训练数据的依赖，在保证爆炸载荷预测精度的前提下提高样本效率、减少模型构建成本。

                3.5.2    与其他方法的对比
                   为验证所提      BDAL  方法的性能优势，将其与城市爆炸载荷快速预测领域                          2  类代表性方法进行对
               比—经典的        FCNN  [9-11]  和先进的  3D-DeBNN [20] 。其中经实验确定的性能最优的            FCNN  基本架构为包
               含  3  个隐藏层（每层包含       300  个神经元）的全连接神经网络；3D-DeBNN              为包含   3  个隐藏层的贝叶斯神经
               网络（每层包含      600  个神经元，随机失活率为          15%），所有模型在相同的输入输出设置下进行训练与测试。
                   3  种模型在完整训练集及          50%  随机子集上训练，并在同一测试集上评估，性能对比如表                         6  所示。分
               析可知：
                   (1) 在完整训练数据下，BDAL          的预测精度最高（MAPE          为  13.1%），优于   FCNN（MAPE   为  16.0%）与
               3D-DeBNN（MAPE   为  13.7%），说明其在三维建筑群爆炸载荷预测中具有更优的拟合能力。
                   (2) 在  训  练  数  据  减  半  时  ， FCNN  与  3D-DeBNN  的  预  测  误  差  显  著  上  升  （ MAPE  分  别  增  至  52.9%  和
               22.6%），而  BDAL  的误差仍接近全量训练时的水平（MAPE                  为  17.2%）。这表明     BDAL  通过主动学习策
               略，能有效选取信息量丰富的样本，大幅降低模型对训练数据规模的依赖，具备突出的样本效率优势。
                   (3) 在不确定性量化方面，FCNN          仅提供点预测，无法评估置信度；3D-DeBNN                 虽可输出不确定性，但
               在数据减半时其区间覆盖率由              85.4%  降至  62.0%，区间宽度由     2.5%  增至  7.8%，表明其不确定性估计对数
               据  量  较  敏  感  。  相  比  之  下  ， BDAL  在  数  据  受  限  时  仍  保  持  较  稳  定  的  不  确  定  性  量  化  性  能  （ PICP  为  72.2%，
               NMPIW  为  6.0%），说明其在少量数据下也能提供较可靠的预测置信度信息。
                   综上，BDAL    通过不确定性驱动的主动学习机制，在训练样本有限时仍能高效学习关键数据分布，
               在保证预测精度的同时显著提升数据利用效率。这一特点使其尤其适用于数据获取成本高、场景复杂
               的城市爆炸载荷快速预测任务，兼具预测可靠性与经济性。


                                                   表 6    不同方法的性能对比
                                        Table 6    Performance comparison of different methods
                                          50%训练样本                                 100%训练样本
                   方法
                             MAPE/%     R 2     PICP/%   NMPIW/%     MAPE/%      R 2    PICP/%   NMPIW/%
                  BDAL        17.2     0.945     72.2       6.0        13.1     0.972    85.9       2.6
                  FCNN        52.9     0.388      −         −          16.0     0.967     −         −
                 3D-DeBNN     22.6     0.875     62.0       7.8        13.7     0.971    85.4       2.5

                4    总结与讨论


                   针对典型规则化三维城市爆炸载荷快速预测面临的模型构建成本高、样本效率低的问题，本文提出
               了一种基于贝叶斯深度主动学习的高效建模方法。主要工作和结论如下：
                   (1) 构建面向三维城市冲击波传播的多维参数数据库。设计了涵盖多维度能量源参数和环境参数
               的  648  组典型工况，基于开源软件          blastFoam  开展三维建筑群爆炸载荷模拟。通过实施网格灵敏度分析
               与自适应网格细化技术，在保证计算精度的前提下缩短单工况的计算时间，最终建立包含                                         7 776  组超压
               峰值数据的多维特征数据库。
                   (2) 引入贝叶斯深度学习实现不确定性量化。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，以提升方法的工程可信性，并为主动样本选择与风险评估提供依据。
               所提方法预测城市超压峰值的平均绝对百分比误差为                         13.1%，预测区间覆盖真实值的概率达              85.9%，单点



                                                         111503-15
   51   52   53   54   55   56   57   58   59   60   61