用于浓度非均匀长直管道中气体爆炸载荷预测的特征嵌入多图神经网络

《Journal of Loss Prevention in the Process Industries》：Feature-embedded multi-graph neural network for gas explosion load prediction in long straight tubes with non-uniform concentration

　　

摘要

高保真计算流体力学（CFD）模拟被广泛用于评估气体爆炸载荷，但其高昂的计算成本限制了快速风险评估的开展。本研究提出了一种特征嵌入多图神经网络（FEMGNN），用于预测具有非均匀初始气体浓度分布的长直管内轴向超压演化。FEMGNN将图卷积编码器与基于MeshGraphNets的自回归预测器耦合：图卷积编码器将分布式浓度场压缩为图级潜在表示，自回归预测器则用于逐节点压力演化预测。模型使用经FLACS模型验证生成的83个爆炸案例进行训练和评估，涵盖气云长度、浓度梯度和分段分布的变体。在独立测试集上，FEMGNN的均方绝对百分比误差（MAPE）为3.51%，R2为98.27%，而基线MeshGraphNets模型分别为5.18%和96.04%。对于五个分布外浓度拓扑，FEMGNN将MAPE从8.31%降至4.40%，R2从91.45%提升至98.13%。所提出的表示方法还大幅抑制了基线预测中在气云界面处观察到的非物理压力不连续性。在平均推理时间约5秒/案例的情况下，相比FLACS实现超过1200倍的加速，FEMGNN为在研究的几何和点火条件下快速评估爆炸载荷提供了高效的代理模型。

引言

可燃气体（如天然气、氢气和丙烷）在生产、运输、储存和利用过程中存在严重的火灾和爆炸风险（Xing等，2020；Yang等，2024；Sheng等，2024；Zhang等，2021，2023）。典型案例包括2013年青岛爆炸事故（Zhu等，2015）和2014年高雄爆炸事故（Chen等，2016），两者均由石油或天然气管道泄漏引发，造成了严重的人员伤亡和巨大的经济损失。在此类工业场景中，泄漏的可燃气体在重力、湍流扰动及其他环境因素驱动下，不可避免地表现出非均匀的浓度分布（Tang等，2025；Mei和Shuai，2022；Ma等，2024；Mohanty等，2024）。因此，研究在这些非均匀条件下预测气体爆炸载荷的有效方法，对于管道系统的安全评估和事故预防具有关键意义。

准确估算爆炸后果和结构载荷是定量风险评估的基石。目前，计算流体力学（CFD）是预测气体爆炸载荷的主流范式（Shen等，2020；Kang等，2022；Abg Shamsuddin等，2023）。与实验方法相比，CFD能够在速度场、超压动力学和火焰传播方面提供更高时空分辨率的高保真洞察。为解决管道中的非均匀浓度分布问题，主要采用两种数值策略。第一种是泄漏与爆炸的集成模拟，其中由扩散模型得出的异质浓度场作为燃烧分析的初始条件（Gexcon，2020）。第二种方法称为分层重建法（SRM），基于经验分布模型将复杂的浓度梯度简化为离散的均匀层（Yue等，2025）。然而，尽管这些基于CFD的方法具有很高的精度，但仍面临显著的计算瓶颈。在涉及大型几何结构的场景中，如长直隧道，其高昂的计算成本和漫长的运行时间严重限制了其在快速安全分析和应急决策中的应用。

为克服CFD的计算瓶颈，机器学习（ML）已作为一种有前景的代理建模策略出现，为计算密集型工程模拟提供快速预测能力（Kochkov等，2021；Choubineh等，2023；Mi等，2025）。早期的数据驱动方法主要采用多层感知器（MLP）建立初始条件与爆炸后果之间的映射关系，在气体燃烧（An等，2020）和沸腾液体扩展蒸气爆炸（BLEVE）（Li等，2023）等场景中证明是有效的。随后，深度学习方法，特别是卷积神经网络（CNN），被引入用于通过将流场视为类似图像的数据来捕捉层流（Zhong等，2023）和壁面受限流（Obiols-Sales等，2020）中的空间特征。然而，一个根本性的局限仍然存在：标准CNN本质上仅适用于欧几里得数据（即规则网格）。相比之下，高保真爆炸模拟通常依赖非结构化网格来解析复杂几何和冲击波。将CNN应用于此类非欧几里得数据需要将非结构化网格转换为结构化网格，这不可避免地导致几何保真度损失和预测精度降低（Pfaff等，2021）。

为避免映射到规则网格所导致的几何保真度损失，图神经网络（GNN）提供了一种引人注目的替代方案（Belbute-Peres等，2020；Tam等，2022）。其消息传递机制能够直接在图结构离散化上表示相邻物理实体之间的相互作用（Battaglia等，2018）。Sanchez-Gonzalez等（2020）提出了基于图网络的模拟器（GNS），在该方法中，物理系统被表示为相互作用的图实体，其动力学通过消息传递学习。Pfaff等（2021）随后开发了MeshGraphNets（MGN），该方法直接在基于网格的离散化上运行，并展示了预测复杂物理场演化的强大能力。这些基于图的方法此后被扩展到与爆炸相关的问题。Li等（2024a）将MGN改编用于预测BLEVE超压波的传播，在保持高精度预测的同时实现了改进的计算效率。Shi等（2025a）开发了一种物理信息GNN用于有障碍物气体爆炸，以捕捉火焰-障碍物相互作用并实时预测爆炸响应。在城市尺度上，Shi等（2025b）将基于GIS的建筑几何与自回归GNN结合，以模拟通过拥挤环境传播的爆轰波，而Shi等（2025c）进一步将拥挤度、火焰传播与爆轰波动力学之间的物理关系纳入物理引导GNN中，用于氢气气云爆炸。

近期研究进一步将基于图的学习从爆炸波预测扩展到耦合燃烧与气体扩散问题。Covoni等（2026）将MeshGraphNets应用于复杂、拥挤且受限的工业环境中的氢-空气爆燃，预测压力、温度和速度场的耦合演化，并检验对未见几何的泛化能力。Zhang等（2025）开发了一种用于氢气喷射和扩散预测的物理信息GNN，将控制方程残差纳入训练过程，以改善从稀疏传感器数据获得预测的物理一致性。

综上所述，这些研究表明，基于GNN的模型可以为不规则几何和瞬态物理过程（涵盖气体扩散、燃烧和爆炸传播）提供高效的代理表示。然而，现有研究主要关注几何复杂性、障碍物诱导效应、氢气扩散或爆炸波演化，而在全场爆炸超压预测中显式表示空间非均匀初始浓度场的研究仍相对不足。特别是，在长封闭管的基于图的代理模型中，如何表示分布式初始浓度场尚未得到充分研究。为弥补这一空白，本研究开发了一种增强型GNN架构，提取初始浓度场的图级表示，并将此信息纳入长直管内超压演化的预测中。

大多数用于物理模拟的基于GNN的方法被表述为节点级回归任务，将关键物理参数编码为节点特征（Pfaff等，2021；Sanchez-Gonzalez等，2020）。对于本文考虑的非均匀浓度情况，直接将初始浓度值附加到每个节点在基线模型中产生了次优的预测。这一观察表明，纯局部节点级表示可能不足以概括空间分布浓度场对后续压力演化的全局影响，从而推动了一个独立浓度场编码器的设计，用于调节流场展开。

为改进初始浓度场的表示，本研究采用特征提取和图级嵌入。与其将每个节点的浓度仅作为独立的本地特征，所提出的编码器将分布式浓度信息聚合为紧凑的潜在表示，该表示调节所有节点的压力预测。相关的低维特征提取策略已被用于表示分布式载荷和复杂流场（Wang等，2023，2024；Zhang等，2024；Ning和Zhang，2024；Tauro等，2014）。受这些研究启发，我们探讨紧凑的全局表示是否能改善基于MGN的代理模型区分不同浓度分布所关联爆炸响应能力。

在本文中，我们提出了一种特征嵌入多图神经网络（FEMGNN），用于非均匀初始浓度分布下的气体爆炸载荷预测。该方法将初始浓度图编码器与自回归MeshGraphNets预测模块结合，从而将全局浓度场信息引入逐节点压力预测中。本研究在固定的长直管几何和规定的点火条件下评估了这一策略。本文其余部分组织如下：第2节详述所提出方法的架构框架和实现。第3节描述数值模拟方法和数据集构建。第4节规定实验设置和评估方案。第5节呈现评估结果。最后，第6节总结主要发现和局限性。

分节片段

问题表述

对于在非均匀浓度分布的受限长直管内发生的气体爆炸，爆燃过程通常可由复杂的耦合流-化学动力学来表征。点火时，形成火焰核并扩展，瞬时产生通过可燃混合物传播的压缩波。当火焰通过非均匀气云传播时，冲击波与可变浓度梯度之间的相互作用引起……

数值模型验证

数值模型使用FLACS开发，并与Li等（2021）的大型甲烷-空气爆炸实验进行验证。图2展示了实验装置及对应的数值域。管道长30米，方形截面为0.8米×0.8米。一个3米长的气云以化学计量当量比为1.0填充管道一端。点火在该充满气体的一端启动，超压传感器MP1和MP2在对面……

数据处理

在本研究中，爆炸产生的超压沿管道轴线传播，且在管道截面上的分布相对均匀，允许简化为一维问题（Li等，2021）。从管道中心轴线获得的模拟结果被选用于构建数据集，从而提高了训练效率。数据集中的每个案例包含初始浓度和超压剖面信息，记录在602……

时空域的预测精度

地面真实值（CFD结果）与FEMGNN、MGN和MGN-t生成的预测之间的一致性如图4所示。在这些散点图中，水平和垂直轴分别表示目标和预测值。落在红色对角线上的数据点表示完全一致，绿色线所围区域表示±30%的相对误差范围。每个模型的定量评估指标，包括MAPE和R2，均予以提供。

结论

本研究开发了一种特征嵌入多图神经网络（FEMGNN），以实现具有非均匀初始浓度分布的长直管内气体爆炸载荷的高效预测。主要结论总结如下：

（1）FEMGNN在保持高计算效率的同时，达到了比基线MeshGraphNets（MGN）更高的预测精度。对于图8所示的代表性测试案例，FEMGNN降低了各监测点峰值超压的MAPE……

CRediT作者贡献声明

冯斌：撰写—审阅与编辑，方法论，资金获取，概念构思。关绍坤：撰写—初稿，可视化，软件。尹瑞：撰写—审阅与编辑，验证，方法论，数据整理。杨坤：监督，资源，调查研究，资金获取。周天才：可视化，验证，资金获取。饶晶：可视化，软件，项目管理。岳承君：撰写—审阅与编辑，验证，软件。李贝贝：

利益冲突声明

作者声明他们没有已知的、可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到国家自然科学基金（批准号：52378487和52378488）、中央高校基本科研业务费（批准号：2242026K30046）以及东南大学大数据计算中心的资助。

冯斌|关绍坤|尹瑞|杨坤|周天才|饶晶|岳承君|李贝贝|李晨

东南大学教育部爆炸与冲击安全防护工程技术研究中心，南京，211189，中国