面向鲁棒和可泛化的长期 blast 波预测的深度替代模型
机器学习
2026-03-19 v2
摘要
准确建模 blast 波传播的时空动力学始终是一项长期存在的挑战，原因在于其高度非线性行为、锐利梯度以及沉重的计算成本。虽然基于机器学习的替代模型在提供快速推断方面作为一种有前景的替代方案，但在复杂城市布局或超出分布场景下，准确度会受到损失。此外，此类模型中的自回归预测策略在长期预测时程上容易产生误差累积，限制了其在扩展时间模拟中的鲁棒性。为克服这些限制，我们提出了 RGD-Blast—a 个鲁棒且可泛化的深度替代模型，用于高保真、长期 blast 波预测。RGD-Blast 包含多尺度模块，以捕捉全局流动模式和局部边界相互作用，有效缓解自回归预测期间的误差累积。我们引入了动态-静态特征耦合机制，将时间变化的压力场与静态源和布局特征融合，从而增强超出分布的泛化能力。实验表明，RGD-Blast 在保持可比准确度的同时，比传统数值方法实现了两个数量级的加速。在未见建筑布局的泛化测试中，该模型在 280 个连续时间步上实现平均 RMSE 低于 0.01，R2 超过 0.89。此外，在 varying blast 源位置和爆炸充当器重量下的额外评估进一步验证了其泛化能力，显著推进了长期 blast 波建模的技术进步。
引用
@article{arxiv.2602.18168,
title = {A Deep Surrogate Model for Robust and Generalizable Long-Term Blast Wave Prediction},
author = {Danning Jing and Xinhai Chen and Xifeng Pu and Jie Hu and Chao Huang and Xuguang Chen and Qinglin Wang and Jie Liu},
journal= {arXiv preprint arXiv:2602.18168},
year = {2026}
}
备注
The authors wish to withdraw this version for substantial revision and internal review. The current version contains preliminary findings that require further validation before public dissemination