Eine neue, in Engineering veröffentlichte Studie präsentiert eine innovative Berechnungsmethode zur Vorhersage der Explosionslastverteilung auf komplexe 3D-Gebäude mithilfe von Graph-Neural-Networks. Die von einem Team der Fakultät für Maschinenbau der Nanjing University of Science and Technology geleitete Forschung stellt einen datenbasierten Ansatz vor, der die Genauigkeit und Effizienz der Explosionslastvorhersage deutlich verbessert. Dies ist entscheidend für Tragwerksplanung, Zivilschutz und Sicherheitsbewertungen.
Herkömmliche Methoden zur Vorhersage von Explosionslasten, wie experimentelle Forschung, theoretische Modelle und numerische Simulationen, unterliegen mehreren Einschränkungen. Experimentelle Aufbauten sind teuer und schwierig umzusetzen, während theoretische Modelle oft auf einfache Geometrien beschränkt sind und nicht präzise genug sind. Numerische Simulationen sind zwar präzise, ??erfordern aber erhebliche Rechenressourcen und Zeit, was sie für Echtzeitanwendungen unpraktisch macht. Um diese Herausforderungen zu bewältigen, entwickelten die Forscher ein Encoder-Decoder-Graph-Neural-Network-Modell (GNN) namens BlastGraphNet.
BlastGraphNet nutzt einen Nachrichtenübermittlungsmechanismus, um Überdruck- und Impulslastverteilungen auf Gebäuden mit konventioneller und komplexer Geometrie vorherzusagen. Das Modell wird anhand eines Datensatzes trainiert, der aus numerischen Explosionssimulationen in einem Rechenbereich mit verschiedenen Gebäudekonfigurationen generiert wurde. Durch die Fokussierung auf Schlüsselparameter wie Spitzenüberdruck, Spitzenimpuls und Wellenfrontankunftszeit vereinfacht BlastGraphNet den Vorhersageprozess bei gleichzeitig hoher Genauigkeit.
Die Ergebnisse der Studie zeigen, dass BlastGraphNet bei konventionellen Gebäudetests einen Vorhersagefehler von weniger als 2 % erreicht und dabei eine um drei bis vier Größenordnungen höhere Inferenzgeschwindigkeit als modernste numerische Methoden aufweist. In komplexeren Szenarien, wie z. B. bei Gebäuden mit komplexen Geometrien und Gebäudeclustern, weist das Modell eine hohe Genauigkeit und hervorragende Generalisierbarkeit auf. Die Studie unterstreicht zudem das Potenzial des Modells für nachgelagerte Anwendungen, darunter die Bewertung von Strukturschäden und virtuelle Simulationen von Stadtexplosionen.
Die Forscher erstellten einen umfassenden Datensatz, indem sie 4.000 Beispiele verschiedener Gebäudekonfigurationen für das Training generierten. Um die geometrische Anpassungsfähigkeit des Modells zu bewerten, wurden drei Arten von Testdatensätzen erstellt: Rotationsgeometrien, Mehrkörpergeometrien und komplexe Geometrien. Die Leistung des Modells wurde anhand von Kennzahlen wie dem relativen mittleren quadratischen Fehler (RMSE) und dem Determinationskoeffizienten ( R² ) bewertet. Die Ergebnisse zeigten, dass BlastGraphNet die feinkörnigen Merkmale der Stoßwellenausbreitung effektiv erfasst und über verschiedene Attribute hinweg konsistente Vorhersagefähigkeiten bietet.
Neben seiner hohen Genauigkeit und Effizienz weist BlastGraphNet eine starke Robustheit und Generalisierbarkeit auf. Das Modell wurde an verschiedenen komplexen Gebäudegeometrien und Mehrkörperszenarien getestet und erzielte eine zufriedenstellende Vorhersageleistung. Die Studie untersuchte auch das Potenzial des Modells für technische Anwendungen, wie etwa die Bewertung von Strukturschäden anhand von Druck-Impuls-Kurven ( P – I ) und virtuelle Explosionssimulationen in Städten. Die Ergebnisse deuten darauf hin, dass BlastGraphNet eine entscheidende Unterstützung für Gebäudedesign, Stadtplanung und Notfallmanagement sein kann, indem es schnelle und genaue Bewertungen von Explosionsrisiken ermöglicht.
Die Forschung unterstreicht das Potenzial von Graph-Neural-Networks für die Verarbeitung unstrukturierter Daten und komplexer physikalischer Phänomene und bietet ein neues Paradigma für die Vorhersage von Explosionslasten und die Bewertung von Schäden im Schutzingenieurwesen. Zukünftige Arbeiten könnten sich auf die Einbeziehung vielfältigerer Explosionsszenarien und die Optimierung des Modells für noch umfangreichere Anwendungen konzentrieren, um seine Fähigkeiten für Bewertungen der städtischen Sicherheit weiter zu verbessern.
