BlastGraphNet——基于图神经网络的复杂三维建筑爆炸荷载智能计算方法

王祉乔; 彭江舟; 胡杰; 王名川; 戎晓力; 卞雷翔; 王明洋; 何勇; 吴威涛

doi:10.1016/j.eng.2025.03.007

Engineering ›› 2025, Vol. 49 ›› Issue (6) : 205 -224. DOI: 10.1016/j.eng.2025.03.007

研究论文

BlastGraphNet——基于图神经网络的复杂三维建筑爆炸荷载智能计算方法

王祉乔 ^a ,
彭江舟 ^a ,
胡杰 ^a ,
王名川 ^b ,
戎晓力 ^a ,
卞雷翔 ^c ,
王明洋 ^a^,^d ,
何勇 ^a ,
吴威涛 ^a

作者信息 +

BlastGraphNet: An Intelligent Computational Method for the Precise and Rapid Prediction of Blast Loads on Complex 3D Buildings Using Graph Neural Networks

Zhiqiao Wang ^a ,
Jiangzhou Peng ^a ,
Jie Hu ^a ,
Mingchuan Wang ^b ,
Xiaoli Rong ^a ,
Leixiang Bian ^c ,
Mingyang Wang ^a^,^d ,
Yong He ^a^,^* ,
Weitao Wu ^a^,^* ,

Author information +

文章历史 +

PDF (13206K)

摘要

爆炸事件中精确预测建筑表面荷载分布，有助于理解结构的动态响应、进行有效的防护评估以及设计人防工程。尽管试验与仿真仍是当前开展爆炸效应计算的主流方案，但它们仍然面临着试验部署困难、仿真计算耗时长、经验关系式泛化有限等挑战。本研究旨在开发一种基于数据驱动的建筑表面爆炸荷载预测方法，以提高荷载预测的精确性和计算效率，并具备应对更复杂场景的潜力。我们提出一种创新的编码-解码形式图神经模型，该模型基于消息传递机制以实现常规建筑及复杂建筑在爆炸事件中的超压、冲量荷载物理场分布情况，同时该模型支持结构毁伤模式判定以及虚拟城市爆炸事件快速评估等下游相关应用。研究结果显示，模型在常规建筑测试中的误差低于2%，推理速度相比于现有方法提升了3~4个数量级，且在复杂建筑、建筑群等极端测试样本中，模型展现出了极高的精度以及优秀的泛化能力，本文所提出的建筑爆炸荷载预测技术不仅在极强的物理条件适应性和泛化性上表现出色，同时还具备极高的预测准确性和运算实时性，为防护工程领域提供了一种全新的毁伤评估思路。

Abstract

Accurate and efficient prediction of the distribution of surface loads on buildings subjected to explosive effects is crucial for rapidly calculating structural dynamic responses, establishing effective protective measures, and designing civil defense engineering solutions. Current state-of-the-art methods face several issues: Experimental research is difficult and costly to implement, theoretical research is limited to simple geometries and lacks precision, and direct simulations require substantial computational resources. To address these challenges, this paper presents a data-driven method for predicting blast loads on building surfaces. This approach increases both the accuracy and computational efficiency of load predictions when the geometry of the building changes while the explosive yield remains constant, significantly improving its applicability in complex scenarios. This study introduces an innovative encoder–decoder graph neural network model named BlastGraphNet, which uses a message-passing mechanism to predict the overpressure and impulse load distributions on buildings with conventional and complex geometries during explosive events. The model also facilitates related downstream applications, such as damage mode identification and rapid assessment of virtual city explosions. The calculation results indicate that the prediction error of the model for conventional building tests is less than 2%, and its inference speed is 3–4 orders of magnitude faster than that of state-of-the-art numerical methods. In extreme test cases involving buildings with complex geometries and building clusters, the method achieved high accuracy and excellent generalizability. The strong adaptability and generalizability of BlastGraphNet confirm that this novel method enables precise real-time prediction of blast loads and provides a new paradigm for damage assessment in protective engineering.

关键词

爆炸荷载预测 / 图神经网络 / 数据驱动学习 / 实时预测 / 防护工程

Key words

Blast load prediction / Graph neural networks / Data-driven learning / Real-time prediction / Protective engineering

引用本文

引用格式 ▾

王祉乔,彭江舟,胡杰,王名川,戎晓力,卞雷翔,王明洋,何勇,吴威涛. BlastGraphNet——基于图神经网络的复杂三维建筑爆炸荷载智能计算方法[J]. 工程（英文）, 2025, 49(6): 205-224 DOI:10.1016/j.eng.2025.03.007

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

特定爆炸条件下建筑结构表面爆炸荷载分布的高效、准确预测，对结构抗爆设计[1‒2]、民防工程[3]以及韧性防护[4‒5]等领域具有重要意义。当前工程实践中，获取目标结构表面爆炸荷载主要通过经验关系模型与直接数值模拟。其中，经验模型在自由场爆炸[6]、近地爆炸及半密闭空间爆炸等标准工况下具有较高计算效率，但存在几何适应性较差、复杂构型建筑的爆炸过程表征困难等问题。当涉及多体建筑场景时，爆炸波的绕射与反射效应将显著影响经验模型的预测精度[7]，导致实际工程适用性受限。基于有限元分析（finite element analysis, FEA）的数值模拟能够精确捕捉爆炸冲击波传播过程[8]，并通过网格离散化求解流体动力学与化学动力学控制方程，以获得压力、温度等物理量的时空分布特征，但高分辨率网格严重限制了矩阵迭代求解速度，在高性能计算资源支持下仍存在时效性瓶颈；此外，数值模拟需精确设定边界条件、材料参数及离散格式等专业参数，对工程人员专业知识提出较高要求，这给实际工程评估造成了很大的障碍。

近年来，计算机硬件与人工智能技术的飞速发展推动了机器学习在爆炸波模拟领域的发展应用。Xi等[9]构建多层感知器（multilayer perceptron, MLP）模型，基于AUTODYN (ANSYS Inc, USA)构建爆炸数据库，从而拟合近地爆炸的峰值超压分布关系；Pannell等[10]采用迁移学习策略降低异形装药爆炸模型构建的数据需求；一些先进的神经网络架构，如Transformer等，已被证明在爆炸荷载预测以及后续结构响应上表现优秀[11]；在构建预测模型过程中引入物理约束的方式同样被证明有效。Zhou等[12]通过融入物理约束提升模型对地震冲击波致损行为的预测精度。然而，现有方法本质仍基于神经网络的隐式函数拟合器[13]，虽能建立炸药当量、爆心距与爆炸荷载参数间的映射关系，却难以实现超压场局部特征的精确捕捉，且在爆炸荷载物理场的全局时空表征能力上存在局限[14]。为提升空间特征提取能力，卷积神经网络（CNN）被引入爆炸流场预测领域：Huang等[15]采用U-Net架构实现障碍物周围二维爆炸流场的高分辨率预测；Kang和Park [16]用三维卷积模型预测建筑群间峰值压力分布。尽管卷积技术一定程度上增强了模型对建筑边缘特征的捕捉能力，但传统卷积神经网络受限于网格的结构化特性[17‒18]，在处理非结构化复杂数据时存在性能瓶颈[19]。

针对上述问题，需要一种更高效的框架用于处理非结构化的数据，图数据结构凭借其对非欧几里得数据的表征优势，在传热学[20]、流体力学[21]及电磁学[22]等领域展现出独特价值。图神经网络（graph neural networks, GNNs）通过节点-边的拓扑结构实现特征传递与聚合[23]，在复杂物理系统建模中取得显著进展：Sanchez-Gonzalez等[24]成功将其应用于机械系统仿真；Pfaff等[19]开发的MeshGraphNet突破性地解决了非结构网格下的空气动力学问题；Hao等[25‒26]采用自回归策略实现二维爆炸荷载-结构响应的时空模拟；Peng等[27]融合物理信息嵌入与图网络设计，有效改善稀疏数据条件下的二维爆炸流场预测精度。

尽管已取得系列进展，现有瞬态预测策略[28]多采用递归迭代方法，通过当前状态预测后续时间步长物理场分布，虽能精细捕捉流场演化细节，但长期预测易产生误差累积。为控制误差传播，需缩小时间步长，但这会导致计算成本剧增并削弱实时性，难以满足复杂几何与多参数工况的工程应用需求。值得注意的是，峰值超压与冲量作为爆炸毁伤评估的核心指标，通过稳态策略实现其快速精准预测，将显著提升工程评估效率。然而，目前尚缺乏适用于三维复杂结构的爆炸数据驱动模型，开展相关研究具有迫切工程价值。

在本文中，我们致力于开发一种适用于爆炸荷载场预测的图神经网络模型BlastGraphNet，通过利用图神经网络的强大非欧几里得数据处理能力，实现建筑表面爆炸荷载物理场的快速预测。模型采用正相三角波超压曲线简化策略，直接预测峰值超压、峰值冲量与冲击波到达时间，以此表征冲击波与建筑表面的相互作用。区别于传统时空场学习方法，本模型构建端到端的自编码器图神经网络，基于节点连通半径构建面向爆炸事件的图数据结构，通过动态信息交换与状态更新机制实现目标物理场的精准预测。

BlastGraphNet的核心在于为建筑结构爆炸荷载预测提供了高效工具：其预测精度可替代传统经验公式与数值模拟，推理速度较传统数值模拟方法提升三个数量级，相对误差小于2%；在结构毁伤评估与区域爆炸模拟等工程场景中展现出显著优势。本文的主要创新贡献包括：

• 建立建筑外爆图神经预测模型BlastGraphNet，实现复杂建筑结构表面峰值超压与冲量的高精度预测。

• 相较传统数值模拟，BlastGraphNet在建筑表面爆炸荷载预测问题上表现出强大的预测性能，计算误差小于2%，且实现三个数量级的计算加速，为下游结构安全评估提供实时技术支持。

• 通过集成虚拟城市技术，BlastGraphNet可作为一种实时辅助决策工具，用于快速评估虚拟建筑设施在爆炸事件下的毁伤效应，为爆炸事件中防护措施的快速部署提供理论依据。

2 方法

本文所关注的建筑爆炸问题可表示为：给定建筑几何尺寸以及爆心位置、爆炸当量、炸药种类等一系列爆炸条件，可获得超压、冲量等一系列爆炸物理场输出。本文采用高精度数值计算方法构建建筑外爆数据集，并结合图神经网络架构与梯度优化算法，提出BlastGraphNet预测模型，其核心功能在于通过数据驱动方式实现异质建筑结构表面爆炸荷载的精准预测。该模型有效克服传统数值模拟方法在计算效率方面的固有局限，为工程实践提供高效替代方案。

2.1 物理模型

冲击波传播过程求解采用可压缩Navier-Stokes方程描述，计算域设定为

100 m

（

长

）

× 100 m

（

宽

）

× 50 m

（

高

）的三维空间。基于开源计算流体力学软件OpenFOAM （OpenCFD Ltd.,UK）平台，利用其内置的基于密度的求解器进行流场计算，并使用OpenFOAM内置的网格离散工具对爆炸区域进行网格划分。为验证模型的几何适应性，计算域包含多种形状与尺寸的建筑，建筑在计算域中随机分布。爆炸中心固定为

(X, Y, Z) = (50 m, 50 m, 5 m)

，其中，

X 、 Y 、 Z

分别代表爆心、网格节点与建筑中心的坐标参数。爆炸源的TNT当量固定为200 kg，除地面外的计算边界设置为无反射外流条件。计算域与相关爆炸中心设置如图1所示。

炸药爆炸过程中所释放的化学能大部分转化为冲击波能量，其压力时程特性是防护结构设计的关键荷载参数。爆炸能量释放产生的冲击波传播过程如图2所示，其压力-时间曲线呈现典型双相特征：在正压阶段，气压显著高于大气压

p 0

，冲击波阵面在结构表面形成高速脉冲。随着冲击波的传播，压力

p

随传播距离呈指数衰减，直至大气压水平，正相持续时间为

t +

。在负压阶段，气压低于大气压，在建筑表面产生吸力效应，其持续时间

t -

通常长于正压相。鉴于既有研究证实正压相超压是结构损伤的主控因素，本研究聚焦于正压相荷载特征的量化表征与模型重构。为提升计算效率，本研究对实测压力时程进行特征化简化（图2）。正压相分析采用三角波近似模型，其关键控制参数包括峰值超压

p r, m a x

、峰值正相冲量

i +

(

i + = ∫ t a t a + t + p r (t) d t

)、冲击波到达时间

t a

。其中，

p r

表示超压，

t

为时间，

∫ t a t a + t + p r (t) d t

表示相对压力从

t a

到

t a + t +

的时间积分。同时，考虑到超压、冲量等物理量能够充分满足毁伤效能评估需求，本文将冲击波的正相阶段简化为三角波，以此重构建筑外爆全物理场超压时空分布特性。为简化表述，本文中将峰值相对超压（p_r,max）、正压阶段峰值冲量（i₊ ）及波前到达时间（t_a）分别简称为峰值超压、峰值冲量及到达时间。通过确定峰值超压、峰值冲量与到达时间，该模型可精准重构所有节点的超压时程曲线。

2.2 数据集构建

训练数据集的构建显著影响爆炸预测模型的泛化能力。为此，本文构建了一种参数化建筑生成器，用于创建具有随机几何特征的等截面柱体建筑样本。几何生成过程包括：①截面形状生成：在二维计算域中随机确定3~7个顶点坐标，生成非规则多边形截面，确保截面形状的多样性和复杂性；②高度方向拉伸：将多边形截面沿高度方向进行等截面拉伸，其中拉伸高度控制于15~30 m范围内。因此，生成了4000个不同建筑构型的样本用于模型训练。

为进一步评估爆炸荷载预测框架的几何适应性，本研究构建了四类具有不同几何复杂度的测试数据集，各数据集中建筑布局及尺寸特征如图3所示。相关细节如下。

（1）普通几何数据集：包含500个与训练集同分布的样本，每个样本由随机生成的多边形截面棱柱体建筑构成，用于验证模型训练收敛性及全局节点超压时程重构精度。

（2）旋转几何数据集：建筑尺寸固定为

30 m

（

长

）

×

20 m

（

宽

）

× 30 m

（

高

），绕几何中心实施逆时针旋转角度

θ

。建筑中心固定为

(X, Y) = (50 m, 75 m)

，如图3（a）所示。

（3）多体几何数据集：包含2~4个独立长方体建筑，各建筑截面为随机矩形，长、宽设置于20~40 m范围，高度于15~30 m范围内采集。通过空间碰撞检测算法确保建筑间无重叠，共生成100组多建筑样本，如图3（b）所示。

（4）复杂截面集：建筑中心位置

(X, Y) = (50 m, 75 m)

，高度固定为30 m，截面采用花瓣形、椭圆形、V形及子弹形等非规则几何形态。如图3（c）所示。

值得注意的是，本研究在模型训练阶段系统性地排除了复杂建筑样本，该决策主要基于以下两方面考量：其一，计算效率优化需求。复杂建筑往往伴随密集的离散节点分布和非均匀的拓扑连接关系，采用简化建筑进行训练可显著降低计算复杂度，提升模型开发阶段的收敛速度和数值稳定性。其二，工程泛化性验证目标。实际工程结构复杂度通常远高于训练样本集，通过刻意制造训练数据与测试数据间的分布差异，本研究旨在验证模型在“训练-测试复杂度跃迁”场景下的鲁棒性。这种策略本质上构建了一种“简单特征学习-复杂场景泛化”的评估范式，能够有效检验模型对未见过建筑构型的适应能力。

2.3 模型框架

BlastGraphNet的本质是一种基于自编码器的图神经网络，其能够将图数据编码为高维潜在向量，并将潜在特征解码为目标物理场特征。该模型将

N

离散节点特征表征为集合

V x = (v 1, v 2, . . ., v N)

，其中，

N

表示节点数量，且

x = 1, 2, . . ., N

。模型直接预测和重建爆炸荷载物理场

V y = (y 1, y 2, . . ., y N)

，

y = 1,2, . . ., N

。其中，

x

代表模型的输入，

y

代表模型的输出。该模型的主要组成部分包括图结构、编码层、处理层和解码层，具体模型设计流程如图4所示。

2.3.1 图数据生成

图数据的构建是模型对爆炸荷载物理场节点间作用机理学习的关键基础。本研究从爆炸数值模拟的非结构化网格出发，构建适用于图神经网络的几何-物理耦合表达体系。传统数值模拟过程中生成的原始计算网格可形式化为图结构

G m e s h = G v m e s h, e m e s h

，其中，节点集合

v m e s h

对应物理域离散点，边集合

e m e s h

表征节点邻接关系，对应物理域边。为实现爆炸荷载物理场特征的图神经网络建模，需进行以下几何信息编码：计算域离散后的节点几何特征和爆炸特征作为输入节点

v x

。引入连通半径

R

以构建节点连接关系，当且仅当节点对(

v i

v j)

满足欧式距离

p i - p j < R

时，建立边连接，该准则确保局部邻域信息的动态捕获，且关联半径越大，节点邻域覆盖范围越广。其中，

p i

和

p j

分别表示节点

i

和

j

的三维空间坐标。连通半径越大，与目标节点相连的节点越多。为消除坐标系依赖，边特征

r i j

被定义为

r i j = (p i - p j), p i - p j

，其中，

(p i - p j

)是节点之间的相对位移，

p i - p j

代表相对位移的范数，该设计保证了空间变换下的绝对不变性[28‒29]。通过上述图结构编码策略，实现了从网格数据到图神经网络的特征空间映射，为爆炸场物理量的图神经网络预测提供了结构化输入。输入节点特征

v i

包括相对位置、距离爆炸中心的距离和类别信息。

2.3.2 编码器

编码器的主要功能是提供初始图数据的嵌入表示，对初始图中的节点特征和连接信息进行编码，捕获它们的局部特征，最终返回潜在图

G 0

。编码器包括节点编码

f v (v i

)以及边编码

f e (r i j

)，其中分别嵌入节点特征

v i

和边特征

r i j

。嵌入的节点特征表示为

v i 0 = f v (v i

)，嵌入的边潜在特征表示为

e i j 0 = f e (r i j

)。在本研究中，节点和边编码函数由两层MLP组成，隐含层有64个神经元。

2.3.3 处理器

处理器由

M

个结构相同且具有独立参数的级联消息传递块（GN块）组成，其输入为编码器处理得到的潜在图

G 0

。经过

M

次消息传递更新后，处理器返回最终的潜在图

G M

。对于第

m

个GN块，输入潜在图

G m

，经过信息聚合和更新，输出潜在图

G m + 1

，即

G m + 1 = G N m + 1 G m

。在此过程中，嵌入的边特征

e i j m + 1

和嵌入的节点特征

v i m + 1

更新如下：

e i j m + 1 ← g e e i j m, v i m, v j m, v i m + 1 ← g v v i m, ∑ e i △ m + 1

(1)

式中，

v i m

和

v j m

分别表示在潜在图

G m

上节点

i

和

j

的特征，

e i △ m + 1

表示节点

i

与其余节点相连的关系边，Δ表示与节点

i

相连节点索引。

g e

和

g v

为残差结构的双层MLP。在每次消息传递过程中，基于相邻节点的信息对连接边的嵌入特征进行初次更新，并通过聚合所有与目标节点相连的边嵌入信息，更新目标节点的嵌入特征。从“视野”的角度来看，消息更新次数

M

决定了节点接收信息的范围，这使得处理层在训练时能够观察到图的整体结构。同样，

M

的取值决定了模型的复杂度。本研究中，GN块中

g e

和

g v

的隐含层神经元个数设置为128，消息传递迭代次数

M

为6。

2.3.4 解码器

为获得毁伤物理场信息，将处理层返回的潜在图

G m

转化为目标特征，即

y i = h v v i M

。通过解码层，模型输出实际物理场信息，从而完成对峰值超压、峰值冲量、波前到达时间的预测任务。在本研究中，解码层包括一个两层的MLP，隐藏层有64个神经元。

2.4 模型训练

为提升模型训练效率并保证空间旋转不变性，本研究通过施加90°、180°和270°以实现数据增强。这种增强策略不仅加速了模型收敛过程，并提升了模型对空间旋转的适应性。此外，针对样本间物理量纲的显著差异，本文通过对峰值超压、峰值冲量等目标物理场进行标准化处理，消除量纲尺度对目标物理场学习的影响，进一步提高了模型收敛速度和数值稳定性。

模型训练采用均方误差（MSE）作为损失函数，其定义为

L = 1 N ∑ i N y i - y^i 2

，其中，

y i

为物理场真值，

y^i

为模型预测结果。模型参数通过Adam优化器进行迭代更新，训练过程包含300 000次梯度下降迭代。为平衡训练效率与稳定性，对学习率采取指数衰减，初始值设为

10 - 4

。计算框架基于PyTorch和PyTorch Geometric [30]实现，利用两块RTX 4090采取分布式训练策略[31‒32]，对超峰值超压、峰值冲量及冲击波到达时间三个物理量进行联合优化，总训练耗时约60 h。

3 结果

为量化评估物理场的预测精度，采用相对均方根误差（RMSE）和决定系数（

R 2

）作为核心评价指标，其中，RMSE衡量预测值与真值间的相对偏差程度，

R 2

反映预测结果对真值变异的解释能力。通过双指标联合评估策略，系统比较了模型在不同复杂度测试数据集上的泛化性能[33]，有效验证了预测框架的鲁棒性和精度保持能力。

均方根误差计算如下：

ε = ∑ y i - y^i 2 ∑ y^i 2

(2)

式中，

y i

和

y^i

为原始尺度非标准化数据，用于误差计算。训练过程中RMSE持续下降，如图5所示。

ε m e a n

代表全数据集（包括训练数据集和测试数据集）的平均RMSE，以量化模型整体预测精度。

模型训练过程中，峰值超压与峰值冲量的损失函数随爆心距增大呈现幂律衰减特性。以超压场为例，爆炸中心附近高压区超压值比远端低压区高2~3个数量级，导致高压区域预测误差显著大于低压区。采用RMSE作为评估指标，有效消除了量纲差异对误差评估的影响，为不均匀数据规模下的爆炸场预测提供了更合理的性能比较基准。

R 2

是测试样本中预测值与真实值之间的线性相关性衡量指标，计算公式如下：

R 2 = 1 - ∑ n = 1 N y i - y^i 2 ∑ n = 1 N y i - y ¯ i 2

(3)

式中，

y i

是所有真值的平均值，

R 2

值越接近1，说明预测值与真实值的线性相关性越大，预测越准确。

3.1 测试样本上模型表现

3.1.1 预测结果

BlastGraphNet采用端到端的预测策略，以建筑结构参数与爆炸荷载条件为输入，直接输出爆炸计算域节点物理场时空分布。通过可视化测试集中典型样本的预测结果（图6）与决定系数

R 2

分析（图7），验证了模型对冲击波传播过程细粒度特征的捕捉能力，在地面与建筑表面等不同介质界面上均展现出稳定的预测精度，

R 2

值分布进一步确认了预测场与真值的高度一致性。

在爆炸冲击波传播过程中，入射波与地面反射波间的非线性耦合形成作用于建筑表面的马赫波。在马赫波前的高度范围内，合成波可近似为均匀分布的平面波。当这种平面波到达建筑物表面时，会发生反射效应，使结构所受的峰值压力和冲量增大。当爆炸中心高度（本研究统一设为5 m）低于建筑结构高度时，爆炸发生在相对靠近结构的地方。因此，合成波的耦合效应是相当显著的。如图8所示，近地爆炸条件下建筑底部出现超压峰值区，沿建筑高度方向因地面反射效应衰减，超压梯度呈现非线性分布特征。BlastGraphNet通过图结构消息传递机制，有效模拟了爆炸波-地-结构间的多物理场耦合作用，精准捕捉了冲击波绕射、反射及叠加的全过程。模型在测试集上取得1.8%的平均预测误差，单样本推理时间低于0.1 s，这种性能为大规模爆炸场景下多次爆炸模拟快速评估提供了高效计算框架，具有重要意义。

区别于传统自回归式瞬态爆炸仿真方法[26]，本研究采取直接端到端的学习策略。通过直接学习爆炸关键特征参数（如峰值超压、冲量及波前到达时间），模型实现了对全域节点压力时程的高效重构。以建筑物迎爆面的关键节点为例，模型通过整合多物理量特征，精确复现了特定位置的压力时间历程，如图9所示。图中红色预测曲线与黑色真值曲线高度吻合，灰色背景曲线展示了原始采样序列的波动特征。尽管当前参数化方法未显示峰值压力波形及峰值冲量累积过程，但其准确捕捉的初始峰值参数已能满足工程损伤评估的核心需求。该方法在简化计算维度的同时，为复杂爆炸场景的结构响应预测提供了有效解决方案。

3.1.2 采样方法

图神经网络在非结构化数据处理方面展现出显著优势。在本研究中，需要将建筑几何模型转换为计算网格。目前将几何体转换为节点的过程主要是通过网格划分进行的，这实质上是在初始网格的基础上进行扩展和迭代的过程，保证了结构的一致性和规则性。为进一步检验模型在涉及非结构化数据时的表达能力，提高其预测效率，研究采用面随机采样方法，即在建筑物表面随机选取点生成节点，输入BlastGraphNet模型中。图10给出了网格划分和不同随机采样数量（10 000个和50 000个采样点）时的超压分布。

相较于网格生成方法得到的规则、均匀节点分布，随机采样节点在空间分布上呈现更高的无序性。针对此问题，BlastGraphNet引入动态自适应机制，通过局部连通性准则自动构建目标节点的邻域连接，其中，邻域范围由预设的连通半径参数控制。该动态建模方法通过局部几何关联机制有效提取节点间的全局空间-物理耦合特征，即使在面对非规则分布的离散数据时也是如此。相较于传统网格生成方法，随机表面采样策略在保持核心特征表征能力的同时，显著降低了前处理复杂度。实验表明，网格节点生成需耗时约90 s，而50 000点随机采样仅需0.8 s，效率提升达两个数量级。这种计算范式的革新，为未知建筑结构爆炸响应的快速预测提供了关键技术支撑，在防灾减灾领域具有显著应用价值。

针对峰值超压和峰值冲量，进一步测试了不同采样节点数量下的模型预测误差。如图11所示，随着采样节点数量的增加，节点之间的距离减小，它们的空间分布变得更加密集。该模型可以观察到更多的节点依赖关系，有效降低了其与基线之间的误差。BlastGraphNet在随机采样的节点样本上总体仍维持稳定的预测性能，且相较于传统网格划分方法，其前处理耗时显著缩减。这种计算效率的突破性提升，为复杂建筑场景下的爆炸模拟提供了更大的算法自由度与参数调优空间，进而增强了模型在工程实践中的实时推理能力。

3.1.3 模型对比和参数优化

在复杂建筑结构爆炸荷载分布预测领域，卷积神经网络（CNN）与Transformer架构虽各具优势——前者擅长规则网格的局部特征提取，后者擅长全局依赖关系建模，但二者分别受限于网格依赖性与计算复杂度瓶颈。本研究聚焦于图神经网络（GNN）模型的适用性评估，重点对比了经典图卷积网络（GCN）与所提出的BlastGraphNet模型。

实验结果显示，在测试集样本中，GCN模型的平均预测误差为3.32%，而BlastGraphNet的预测误差显著降至1.8%，如图12所示。在建筑物边缘等网格节点密度较高的区域，BlastGraphNet展现出更优的预测性能，其局部超压预测精度较GCN模型明显提升。上述结果验证了BlastGraphNet在处理复杂建筑几何形态时，既能有效管理非规则节点分布，又能精确捕获局部爆炸响应特征，这一特性使其在工程应用中具有显著优势。

此外，本研究系统性地开展了参数优化工作，重点针对信息更新机制与连通半径等核心超参数进行网格搜索，如表1所示。首先，通过增加消息传递迭代步数，模型在测试集上的性能得到了显著提升。这一性能增强现象可能归因于更大的M值，使得模型能够捕获节点间更远距离及更复杂的交互作用关系。然而，增加消息传递迭代步数也会导致计算时间变长，性能提升幅度逐渐趋于饱和。因此，研究通过多组实验最终确定最优消息传递步数为6步。连通半径的扩大虽能有效降低预测误差，但边数量的指数级增长导致计算资源消耗显著增加。因此，综合权衡计算效率与预测精度后，本文最终将连通半径参数设定为1。

3.2 旋转建筑构型

为深入探究爆心位置与建筑物空间布局对爆炸效应的作用机制，本研究精心设计了一项具有针对性的数值模拟实验，实验布局如图13所示。在实验过程中，严格保持建筑物的几何形态参数恒定不变，仅围绕其几何中心轴线实施旋转操作，以此实现建筑物相对于爆炸源方位的定向调整。该实验策略的优势在于，能够在完整保留建筑物固有物理特性的前提下，从多维度、系统性视角剖析建筑物模型对爆炸冲击的动态响应特征。

当建筑物围绕其几何中心轴线实施旋转操作时，建筑物各节点与爆心之间的空间相对位置关系呈现出显著的变化特征。此类相对位置的动态调整，直接导致反射冲击波在传播过程中与建筑结构表面的相互作用模式发生改变，尤其是对建筑底部区域所承受的反射冲击波超压作用特性产生了显著影响，进而加剧或改变了该部位因超压作用而遭受的破坏程度与破坏模式。图14呈现了建筑物在不同旋转角度工况下的物理场分布特征，涵盖了峰值超压场与峰值冲量场等关键参数。通过可视化分析结果可直观观察到，旋转角度的改变对建筑物遭受反射冲击波作用时的响应特性产生了显著影响，尤其体现在建筑物基底区域所承受的超压效应差异上。此外，表2定量展示了不同旋转角度条件下建筑物在BlastGraphNet评估体系下的性能表现，结果表明该评估模型的总体预测误差稳定控制在4%以内，验证了模型在多角度分析场景下的可靠性与准确性。为深入剖析并系统性验证模型性能，本研究提取了建筑物表面关键节点的预测数据，并基于这些数据开展了线性拟合分析，具体结果如图15所示。鉴于爆炸物理场数据具有显著的尺度不均匀性特征，特别是在高压区域呈现较大数值量级，模型在低压区域的预测性能出现了一定程度的衰减，此现象被视为由数据本质特性所导致的客观局限。该尺度差异进一步引发了模型在BlastGraphNet评估框架中对高压区域的聚焦效应，使得高压区域的预测精度相对优于低压区域，这一结果与数据分布特征高度契合。

3.3 复杂建筑构型

为全面且深入地评估BlastGraphNet模型在不同建筑设计场景下的泛化能力，本文构建了与训练数据集对比，具有显著差异性的、更具挑战性的测试数据集，以检验模型在未知数据分布下的性能表现。该测试样本集的独特性主要体现在其非常规的横截面形态设计上，如图16所示，具体包括子弹形、V形、椭圆形、花瓣形及圆形等多样化截面类型。在样本设计过程中，严格保持所有测试建筑的高度参数与中心位置坐标恒定不变，以有效隔离尺寸与位置因素对模型预测结果的干扰，确保模型在推断过程中能够专注于建筑形状变化这一核心变量，进而客观反映其几何适应能力。

表3展示了BlastGraphNet针对各类复杂几何构型建筑物的预测误差分布情况，而图17则直观呈现不同结构形式下负载物理场的空间分布特征。随着建筑物几何复杂度的提升，模型在模态预测任务中面临显著挑战，尤其当处理花瓣型等具有显著非对称特征的几何体时，超压预测误差呈现明显增大趋势。这一现象主要归因于冲击波在建筑物表面凹陷区域产生的复杂反射与耦合效应，从而降低了模型性能。尽管如此，得益于BlastGraphNet在训练阶段对爆炸冲击波荷载分布物理特征的有效捕捉与组合依赖关系的深度学习，模型仍能维持相对稳定的整体预测精度，验证了其在处理复杂几何构型时的鲁棒性与泛化能力。

图18展示了距爆心最近的建筑物迎爆面中心线处的爆炸冲击荷载物理场分布。BlastGraphNet成功且精准地捕捉到建筑物底部超压的梯度变化规律，进一步证实模型在建筑物形态与超压等物理场分布之间建立了内在联系。

3.4 多体建筑构型

在实际爆炸场景中，经常会出现多个建筑物（障碍物），因此使用多体建筑构型对BlastGraphNet模型的性能进行测试是必不可少的。测试集中的建筑物数量在2~4之间，如图19所示。每个单独的建筑物是一个标准的长方体，且在计算域内随机分布。

当研究的重点从单体建筑物转移到多体建筑时，预测的难度显著增加。随着建筑数量的增加，建筑对冲击波的阻挡作用以及冲击波在相邻结构间的反射和绕射作用更加明显，导致更加难以捕捉超压、冲量等物理场分布。此外，建筑数量的增加直接影响图形数据的规模。例如，当建筑数量为4时，计算域中空间节点数超过100 000，图的拓扑结构发生明显变化。尽管存在这些挑战，但BlastGraphNet仍然表现出令人满意的预测性能，如图20所示，无论是建筑和地面的反射超压，还是来自相邻区域的反射压力，压力分布云图都与数值模拟保持高度一致。在训练过程中，模型通过多轮信息聚合，有效地捕获了该构型下地面节点和建筑物节点之间爆炸冲击波的复杂传播特征交互细节。这些交互关系在多建筑物样本中持续存在，甚至强于建筑物节点之间的关系，最终保证了BlastGraphNet在多建筑物场景中的外推能力。

当进行多建筑物推断时，数据驱动模型的推断效率表现得更加显著。表4列出不同建筑物数量测试集的平均误差和计算时间。在有两个建筑物的情况下，模型的推理速度提高了三个数量级，而在有四个建筑物的情况下，由于图数据规模的增大，模型的推理速度有所下降。然而，不同建筑数量数据集的推理时间都小于1 s，与数值模拟相比仍在可接受范围内。

4 BlastGraphNet的工程应用

精确预测爆炸超压荷载对下游诸多工程应用领域具有关键意义，尤其在建筑毁伤评估以及人防工程规划等方面不可或缺。为进一步阐释本文所提出的建筑物爆破预测模型BlastGraphNet在实际工程场景中的可行性，本研究将其应用于建筑毁伤评估和虚拟城市爆破效果评估这两个具体工程任务中，并开展了相应的测试工作。

4.1 毁伤评估

建筑物在遭受爆炸冲击后，往往会呈现出多样化的破坏形态。对建筑开展快速毁伤评估工作，无论是在建筑结构的设计优化阶段，还是在爆炸事件的后果评估环节，都具有至关重要的意义。为了构建建筑结构在不同爆炸能量释放水平以及不同作用距离条件下的毁伤判定准则，学术领域通常采用试验研究、有限元数值分析以及基于经验的关联关系等方法，对建筑结构在爆炸作用下的响应模式展开深入探究。其中，压力-冲量（P-I）曲线作为一种被广泛认可且应用成熟的设计工具，通过一系列双曲线方程对爆炸效应进行合理简化，能够为准确判定结构的破坏程度提供有力支持[2,34]。在本研究工作中，为有效评估不同爆炸超压场环境下建筑结构的损伤状况，采用了Prugh [35]所提出的P-I损伤曲线作为评估依据，具体损伤判定准则如表5所示。冲击波相对压力

p r

用

k P a

表示，正冲量

i +

用

k P a ⋅ s

表示。

为评估建筑物在爆炸作用下的结构损伤情况，从结构截面中选取了代表性测试样本。如图21（a）所示，基于P-I曲线方法，系统分析了地面冲击响应与建筑物迎爆面区域的损伤分布特征。图21（b）展示了P-I参数空间内不同损伤等级的量化结果。通过将建筑构件的力学响应参数映射至P-I空间，依据其坐标位置所属的损伤区域，可实现对结构构件在爆炸荷载作用下的潜在损伤等级预测，进而构建结构损伤的快速评估体系。

图22与图23通过可视化手段直观阐释超压对建筑物结构体系完整性的作用机制，同时刻画建筑物在不同爆炸强度条件下的潜在破坏等级演化规律，分别呈现地面及建筑物表面的超压场、冲量场、冲击波到达时间等值线分布以及相应破坏特征曲线。本研究的重要性在于，BlastGraphNet所具备的精准实时计算特性，为建筑结构设计、城市空间规划及应急响应管理等领域提供了理论支撑与实践工具。该特性使专业人员能够更高效地开展爆炸风险评估与应对策略制定。这些毁伤曲线不仅在技术层面上展现了数物模型的高度准确性和实用性，同时也在安全评估和预防策略制定上起着至关重要的作用。

4.2 虚拟城市爆炸模拟

城市虚拟化技术的兴起为交互式建筑爆炸效应评估提供了关键技术支撑。本部分基于贝鲁特港构建新型虚拟城市，采用CADMapper框架[36‒37]提取城市区域信息，涵盖建筑、道路及地形等精细特征，并实施表面平滑处理、建筑结构优化及冗余数据裁剪[38]。此外，对原贝鲁特港特征进行适应性调整，在保留港口典型特征的基础上增设湖泊、河流等地理要素，并拆除部分建筑以重构空间布局。最终以贝鲁特为蓝本，构建了直径约1.5 km的虚拟城市MetaBeirut。

在MetaBeirut虚拟场景中，于8个指定位置部署了等效于200 kg TNT当量的含能炸药。为开展安全性评估，研究团队将所提出的数据驱动型建筑物爆炸预测模型BlastGraphNet进行集成应用，实现了对MetaBeirut场景内爆炸事故的快速模拟分析。

将爆炸区域内建筑物的构型参数输入BlastGraphNet模型，以实现爆炸影响的预测分析。基于此，将预测所得的峰值超压场数据可视化呈现于数字城市场景中，如图24所示，并进一步对比了数值模拟与数据驱动建模两种爆炸评估方法的计算效率差异，如表6所示，结果表明，BlastGraphNet模型与虚拟城市孪生系统实现了有效集成。尽管在爆炸6和爆炸8等多建筑物样本中，建筑物数量的增加导致超压场预测精度有所下降，但该模型已初步具备预测实际建筑物爆炸效应的能力，尤其在单个建筑物场景中表现突出。此外，相较于数值模拟方法，基于BlastGraphNet的数据驱动评估方法在效率上更具优势，单个城市爆炸事件的评估时间可缩短至1 s以内。利用BlastGraphNet的精确实时预测能力，可进一步分析大型城市中多次爆炸事件的综合影响，为后续城市建筑物易损性评估提供关键技术支撑。

5 讨论

本文提出了一种基于图神经网络的复杂三维建筑物爆炸荷载预测方法，旨在实现建筑物外部爆炸超压分布的快速预测。通过简化爆炸模型，确定超压时程曲线正相阶段中的关键参数，结合自编码形式的消息传递图神经模型，从而准确、高效地实现爆炸超压、冲量、波前抵达时间物理场全局空间预测。针对与训练集分布相近的测试集，其预测误差小于2%，且推理速度较数值模拟提升3~4个数量级。在泛化能力测试中，该模型展现出较强的外推性能，在旋转建筑物、复杂几何形态建筑物及建筑物群等具有挑战性的测试样本中表现优异。相较于全时空物理场的自回归图神经网络模型，本文方法通过直接预测超压曲线关键参数（如峰值超压与峰值冲量）实现模型简化，有效降低了与时间项相关的计算开销，从而实现了压力时程曲线的快速精确重构。此外，本文还强调了该模型的工程化应用潜力，其可与结构损伤评估等下游任务进行集成。通过耦合P-I损伤准则与智能建筑爆炸预测模型，可实现对建筑物损伤模式的直接评估。基于现实场景，本文构建了包含建筑物及道路网等基础设施的数字城市平台，结合所提出的智能建筑爆炸预测模型，可实现虚拟建筑物爆炸效应的快速评估，为城市安全防护提供了创新方法。

此项开创性研究为未来爆炸损伤研究提供了新视角。例如，将不同当量高度及产量的爆炸事件整合至一个数据集中，可推动开发更具普适性及物理适配能力的数据驱动智能模型。进一步地，通过将优化算法与BlastGrapNet集成，可构建从毁伤效应到爆炸条件的快速反演框架[39]，该框架能够基于爆炸荷载分布反向推算爆炸当量、规模和位置，对爆炸后预测及现场勘查具有关键意义。此外，采用级联网络架构结合大规模图数据训练技术，可提升模型对大范围建筑区域爆炸场问题的预测效能，这对构建更完备的爆炸预测模型至关重要。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Chen L, Xie P, Feng B, Hong J, Fang Q. A modified K&C model for concrete subjected to coupled effect of high temperature and high strain rate. Int J Impact Eng 2023;181:104760. . 10.1016/j.ijimpeng.2023.104760

[2]	Colombo M, Martinelli P, Di Prisco M. A design approach for tunnels exposed to blast and fire. Struct Concr 2015;16(2):262‒72. . 10.1002/suco.201400052

[3]	Zhang Z, Zhou C, Remennikov A, Wu T, Lu S, Xia Y. Dynamic response and safety control of civil air defense tunnel under excavation blasting of subway tunnel. Tunn Undergr Space Technol 2021;112:103879. . 10.1016/j.tust.2021.103879

[4]	Huang Z, Cai L, Kollipara T. Blast hazard resilience using machine learning for west fertilizer plant explosion. J Perform Constr Facil 2021;35(5):04021062. . 10.1061/(asce)cf.1943-5509.0001644

[5]	Salem S, Campidelli M, El-Dakhakhni WW, Tait MJ. Resilience-based design of urban centers: application to blast risk assessment. Sustain Resilient Infrastruct 2018;3(2):68‒85. . 10.1080/23789689.2017.1345256

[6]	Xiao W, Andrae M, Ruediger L, Gebbeken N. Numerical prediction of blast wall effectiveness for structural protection against air blast. Procedia Eng 2017;199:2519‒24. . 10.1016/j.proeng.2017.09.432

[7]	Li J, Pan J, Jiang C, Shi X, Zhu Y, Quaye EK. Numerical study on detonation reflections over concave and convex double wedges. Int J Hydrogen Energy 2022;47(38):17033‒44. . 10.1016/j.ijhydene.2022.03.173

[8]	Sohaimi ASM, Risby MS, Ishak SAFM, Khalis S, Norazman MN, Ariffin I, et al. Using computational fluid dynamics (CFD) for blast wave propagation under structure. Procedia Comput Sci 2016;80:1202‒11. . 10.1016/j.procs.2016.05.463

[9]	Xi HZ, Kong DR, Peng YQ, Zhang SM, Shi Q, Le GG. Prediction of spatial peak overpressure profile of air blast shocks using multiple linear regression and artificial neural network. J Phys Conf Ser 2023;2478(7):072036. . 10.1088/1742-6596/2478/7/072036

[10]	Pannell JJ, Rigby SE, Panoutsos G. Application of transfer learning for the prediction of blast impulse. Int J Prot Struct 2023;14(2):242‒62. . 10.1177/20414196221096699

[11]	Li Q, Wang Y, Shao Y, Li L, Hao H. A comparative study on the most effective machine learning model for blast loading prediction: from GBDT to transformer. Eng Struct 2022;276:115310. . 10.1016/j.engstruct.2022.115310

[12]	Zhou Y, Meng S, Lou Y, Kong Q. Physics-informed deep learning-based real time structural response prediction method. Engineering 2024;30:140‒57. . 10.1016/j.eng.2023.08.011

[13]	Kirchner MR, Kirchner SR, Dennis AA, Rigby SE. Non-parametric characterization of blast loads. Int J Prot Struct 2024;15(3):509‒35. . 10.1177/20414196231184581

[14]	Liu Y, Lu Y, Wang Y, Sun D, Deng L, WangF, et al. A CNN-based shock detection method in flow visualization. Comput Fluids 2019;184:1‒9. . 10.1016/j.compfluid.2019.03.022

[15]	Huang Y, Zhu S, Chen S. Deep learning-driven super-resolution reconstruction of two-dimensional explosion pressure fields. J Build Eng 2023;78:107620. . 10.1016/j.jobe.2023.107620

[16]	Kang MA, Park CH. Prediction of peak pressure by blast wave propagation between buildings using a conditional 3D convolutional neural network. IEEE Access 2023;11:26114‒24. . 10.1109/access.2023.3257345

[17]	Wang ZQ, Hua Y, Aubry N, Zhou ZF, Feng F, Wu WT. Fast optimization of multichip modules using deep learning coupled with Bayesian method. Int Commun Heat Mass Transf 2023;141:106592. . 10.1016/j.icheatmasstransfer.2022.106592

[18]	Hua Y, Wang ZQ, Yuan XY, Li YB, Wu WT, Aubry N. Estimation of steady-state temperature field in multichip modules using deep convolutional neural network. Therm Sci Eng Prog 2023;40:101755. . 10.1016/j.tsep.2023.101755

[19]	Pfaff T, Fortunato M, Sanchez-Gonzalez A, Battaglia PW. Learning mesh-based simulation with graph networks. In: Proceedings of the 9th International Conference on Learning Representations, ICLR 2021; 2021 May 3‒7; online conference. San Diego: NeurIPS; 2021.

[20]	Peng JZ, Aubry N, Li YB, Mei M, Chen ZH, Wu WT. Physics-informed graph convolutional neural network for modeling geometry-adaptive steady-state natural convection. Int J Heat Mass Transf 2023;216:124593. . 10.1016/j.ijheatmasstransfer.2023.124593

[21]

Suk J, de Haan P, Lippe P, Brune C, Wolterink JM. Mesh convolutional neural networks for wall shear stress estimation in 3D artery models. In: Antón EP, Pop M, Martín-Isla C, Sermesant M, Suinesiaputra A, Camara O, et al. editors. Proceedings of the 12th International Workshop on Statistical Atlases and Computational Models of the Heart, STACOM 2021; 2021 Sep 27; Strasbourg, France. Berlin: Springer-Verlag; 2022. p. 93‒102. . 10.1007/978-3-030-93722-5_11

[22]	Fabijańska A, Banasiak R. Graph convolutional networks for enhanced resolution 3D electrical capacitance tomography image reconstruction. Appl Soft Comput 2021;110:107608. . 10.1016/j.asoc.2021.107608

[23]	Battaglia PW, Hamrick JB, Bapst V, Sanchez-Gonzalez A, Zambaldi V, Malinowski M, et al. Relational inductive biases, deep learning, and graph networks. 2018. arXiv:

[24]

Sanchez-Gonzalez A, Heess N, Springenberg JT, Merel J, Riedmiller M, Hadsell R, et al. Graph networks as learnable physics engines for inference and control. In: Proceedings of the 35th International Conference on Machine Learning; 2018 Jul 7‒15; Stockholm, Sweden. Stockholm: International Machine Learning Society (IMLS); 2018. p. 7097‒117. . 10.48550/arXiv.1806.01242

[25]	Li Q, Wang Z, Li L, Hao H, Chen W, Shao Y. Machine learning prediction of structural dynamic responses using graph neural networks. Comput Struc 2023;289:107188. . 10.1016/j.compstruc.2023.107188

[26]	Li Q, Wang Y, Chen W, Li L, Hao H. Machine learning prediction of BLEVE loading with graph neural networks. Reliab Eng Syst Saf 2023;241:109639. . 10.1016/j.ress.2023.109639

[27]	Peng JZ, Wang ZQ, Rong X, Mei M, Wang M, He Y, et al. Rapid and sparse reconstruction of high-speed steady-state and transient compressible flow f ields using physics-informed graph neural networks. Phys Fluids 2024;36(4):046113. . 10.1063/5.0202789

[28]	Sanchez-Gonzalez A, Godwin J, Pfaff T, Ying R, Leskovec J, Battaglia PW. Learning to simulate complex physics with graph networks. PMLR 2020;119:8459‒68.

[29]	Dennis AA, Rigby SE. The direction-encoded neural network: a machine learning approach to rapidly predict blast loading in obstructed environments. Int J Prot Struct 2024;15(3):455‒83. . 10.1177/20414196231177364

[30]	Fey M, Lenssen JE. Fast graph representation learning with PyTorch geometric; 2019. arXiv:10.1109/cvpr.2018.00097

[31]

Zheng D, Ma C, Wang M, Zhou J, Su Q, Song X. DistDGL: distributed graph neural network training for billion-scale graphs. In: Proceedings of the 2020 IEEE/ACM 10th Workshop on Irregular Applications: Architectures and Algorithms (IA3); 2020 Nov 11; Atlanta, GA, USA. New York City: IEEE; 2020. p. 36‒44. . 10.1109/IA351965.2020.00011

[32]

Md V, Misra S, Ma G, Mohanty R, Georganas E, Heinecke A, et al. DistGNN: scalable distributed training for large-scale graph neural networks. In: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis; 2021 Nov 14‒19; St. Louis, MT, USA. New York City: Association for Computing Machinery (ACM); 2021. . 10.1145/3458817.3480856

[33]	Li T, Zou S, Chang X, Zhang L, Deng X. Finite volume graph network (FVGN): predicting unsteady incompressible fluid dynamics with finite volume informed neural network; 2023. arXiv:10.1063/5.0197425

[34]	Ferradás EG, Alonso FD, Sánchez Pérez JF, Aznar AM, Gimeno JR, Alonso JM. Characteristic overpressure-impulse-distance curves for vessel burst. Process Saf Prog 2006;25(3):250‒4. . 10.1002/prs.10140

[35]	Prugh RW. Effects of explosive blast on structures and personnel. Process Saf Prog 1999;18(1):5‒16. . 10.1002/prs.680180104

[36]	Fejes P, Horkai A. Creating city models in ArchiCAD software environment. Int J Eng Sci 2021;10(1):117.

[37]	McClanahan TC. Study of neutron-induced stable and radioactive nuclides in a post detonation urban environment. Report. Oak Ridge: US Department of Energy Office of Scientific and Technical Information; 2019. . 10.2172/1572315

[38]	Scale L, Of S, Using C, Reality V. Large scale simulations of cities using virtual reality. In: Proceedings of the 17th World Conference on Earthquake Engineering; 2021 Sep 27‒Oct 2; Sendai, Japan. Toledo: University of Toledo; 2021.

[39]	Dennis AA, Smyl DJ, Stirling CG, Rigby SE. A branching algorithm to reduce computational time of batch models: application for blast analyses. Int J Prot Struct 2022;2:135‒67. . 10.1177/20414196221085720