联合穿刺-爆炸载荷是一种典型的连续极端载荷场景，其中 projectile 的穿刺首先引发局部损伤、材料侵蚀、裂纹和变形，随后爆炸作用于已经受损的结构。对于钢筋混凝土（RC）结构，穿刺引起的初始损伤可以显著改变刚度分布、载荷传递路径、失效模式以及由此产生的爆炸响应场[[1], [2], [3]]。尽管已经对硬化保护结构的穿刺-爆炸效应进行了广泛研究，但普通RC建筑的快速全场预测仍具有一定的挑战性。与硬化设施相比，普通RC建筑通常具有较低的保护水平、更复杂的空间布局和更脆弱的构件。因此，准确高效地重建其在连续穿刺-爆炸载荷下的损伤和位移场对于结构脆弱性评估和基于性能的保护设计至关重要。在RC结构中，损伤特性与裂纹行为密切相关；实验研究了在不同拉伸应变条件（从10‰到50‰）下中等配筋RC构件的裂纹宽度、间距和数量[[4]]。
现有的预测结构在穿刺和爆炸载荷下的响应的方法主要包括实验、高保真数值模拟以及经验或半经验模型。全尺度测试可以提供可靠的损伤机制观察，但成本高昂、难以重复，并且可探索的载荷和结构配置有限[[5], [6], [7]]。缩尺和构件级别的测试减少了实验负担，但仍需要大量资源，且可能会引入尺度效应[[8], [9], [10], [11]]。高保真数值模拟，特别是基于流体-结构相互作用（FSI）的模拟，可以解析冲击波、材料失效和结构变形的耦合演变[[12], [13], [14], [15]]，但其高昂的计算成本限制了其在快速参数分析和实时损伤评估中的应用。经验公式计算效率高，但其简化的功能形式通常不足以重建在复杂几何形状、边界条件和连续载荷历史下的三维损伤和位移场[[16], [17], [18], [19]]。这些局限性促使人们开发出高效的数据驱动替代模型，以实现快速全场结构响应预测。
基于机器学习的替代模型最近在极端载荷下的结构响应预测中显示出潜力。多层感知器（MLPs）可以在低计算成本下近似非线性输入-输出关系，但它们本质上仅限于固定维度的向量输入和输出。对于本研究中目标的全场预测任务——同时重建所有有限元节点的元件侵蚀状态和三维位移向量——MLP需要一个平面的向量表示，这会丢弃所有拓扑信息，导致参数空间过大且无法捕捉相邻元素之间的空间相关性[[20], [21], [22]]。卷积神经网络（CNNs）可以通过平移不变滤波器利用局部空间结构。然而，它们在规则网格上的操作需要对不规则FE网格进行插值或体素化，这不可避免地引入重采样误差、几何保真度的损失和边界伪影[23,24]。相比之下，图神经网络（GNNs）天然适用于非结构化领域，它们将计算域表示为一个图，图的节点对应于FE网格节点，边的编码表示局部连通性。这种表示直接继承了网格拓扑，无需投影或插值，保留了结构组件之间的精确空间关系，并实现了与相邻元素之间的应力-应变传播在物理上相似的信息传递操作[25,26]。最近的研究框架（如MeshGraphNets）表明，基于GNN的方法可以学习具有分辨率独立动态的基于网格的模拟，并且效率优于传统求解器[27]，而应用于爆炸引起的损伤预测和结构响应模拟的结果表明，基于图的表示在保持网格拓扑和实现不规则RC结构域上的精确场重建方面非常有效[28], [29], [30], [31]]。这些特性使得GNN成为连续穿刺-爆炸载荷下RC建筑响应全场重建的一个有很好动机的架构选择。值得注意的是，已经开发了考虑力学信息的GNN替代模型，将结构先验知识嵌入图表示中，以预测结构系统的变形场，其准确率高于标准黑盒模型[32]。除了替代建模之外，深度强化学习结合降阶建模还被应用于自动化结构模型更新，其中智能代理根据结构监测数据自主校准有限元模型参数[33]。
尽管取得了这些进展，大多数现有的机器学习替代模型仍专注于单阶段载荷场景，例如独立的穿刺、冲击或爆炸事件。对于联合穿刺-爆炸载荷，结构响应受连续损伤演变过程的控制：穿刺首先产生局部侵蚀、变形和刚度降解，这些随后定义了随后爆炸阶段的受损初始状态。从载荷参数到最终爆炸损伤的直接端到端映射可能会掩盖这种物理过渡。它无法明确量化穿刺引起的损伤对爆炸响应的累积影响。因此，一个物理上一致的替代模型应在传递累积的损伤和变形信息的同时区分穿刺和爆炸阶段。应该注意的是，替代模型的物理保真性源自高保真FSI数据集，而不是在训练期间对控制方程的显式嵌入。这促使开发了一个两阶段GNN框架，用于连续穿刺-爆炸载荷下RC建筑响应的全场重建。
本研究提出了一种两阶段GNN替代模型，用于快速预测连续穿刺-爆炸载荷下RC建筑的元件侵蚀状态和三维位移场。主要贡献如下：（1）一个两阶段GNN，分别重建穿刺和爆炸响应场，同时将穿刺引起的侵蚀状态和位移作为受损的初始条件进行传递；（2）同时高精度地预测元件失效状态和三维位移场，并大幅加速计算；（3）一个损伤因子框架，量化冲击位置和爆炸当量对结构损伤响应的影响。
