تخضع الطرق التقليدية للتنبؤ بأحمال الانفجار، مثل البحث التجريبي والنماذج النظرية والمحاكاة العددية، لقيود متعددة. تكون الإعدادات التجريبية باهظة الثمن وصعبة التنفيذ، بينما تقتصر النماذج النظرية غالبًا على الأشكال الهندسية البسيطة وليست دقيقة بما يكفي. في حين أن المحاكاة العددية دقيقة، إلا أنها تتطلب موارد حسابية ووقتًا كبيرين، مما يجعلها غير عملية للتطبيقات في الوقت الفعلي. للتغلب على هذه التحديات، طور الباحثون نموذج شبكة الرسم البياني العصبية (GNN) المسمى BlastGraphNet، والذي يعتمد على آلية التشفير وفك التشفير.
يستخدم BlastGraphNet آلية تمرير الرسائل للتنبؤ بتوزيعات حمل الضغط الزائد والنبض على المباني ذات الهندسة التقليدية والمعقدة. يتم تدريب النموذج باستخدام مجموعة بيانات تم إنشاؤها من محاكاة انفجار رقمية في منطقة حسابية تحتوي على تكوينات مباني مختلفة. من خلال التركيز على المعلمات الرئيسية مثل الضغط الزائد الأقصى، والنبض الأقصى ، ووقت وصول جبهة الموجة، يبسط BlastGraphNet عملية التنبؤ مع الحفاظ على دقة عالية.
تظهر نتائج الدراسة أن BlastGraphNet يحقق خطأ تنبؤ أقل من 2٪ في اختبارات المباني التقليدية، مع سرعة استدلال أعلى بثلاثة إلى أربعة أضعاف من أحدث الطرق العددية. في السيناريوهات الأكثر تعقيدًا، مثل المباني ذات الهندسة المعقدة وتجمعات المباني، يُظهر النموذج دقة عالية وقدرة ممتازة على التعميم. وتؤكد الدراسة أيضًا على إمكانات النموذج للتطبيقات اللاحقة، بما في ذلك تقييم الأضرار الهيكلية والمحاكاة الافتراضية لانفجارات المدن.
أنشأ الباحثون مجموعة بيانات شاملة عن طريق إنشاء 4000 مثال لتكوينات مبانٍ مختلفة للتدريب. لتقييم القدرة على التكيف الهندسي للنموذج، تم إنشاء ثلاثة أنواع من مجموعات بيانات الاختبار: هندسة الدوران، وهندسة الأجسام المتعددة، والهندسة المعقدة. تم تقييم أداء النموذج باستخدام مقاييس مثل متوسط الخطأ التربيعي النسبي (RMSE) ومعامل التحديد (R²). أظهرت النتائج أن BlastGraphNet يلتقط بفعالية الميزات الدقيقة لانتشار الموجة الصدمية ويوفر قدرات تنبؤ متسقة عبر سمات مختلفة.
بالإضافة إلى دقته وكفاءته العالية، يتمتع BlastGraphNet بقوة وقابلية تعميم قوية. تم اختبار النموذج على هندسة مبانٍ معقدة متنوعة وسيناريوهات أجسام متعددة، وحقق أداء تنبؤ مرضيًا. كما بحثت الدراسة في إمكانات النموذج للتطبيقات الهندسية، مثل تقييم الأضرار الهيكلية باستخدام منحنيات الضغط والاندفاع (P–I) ومحاكاة الانفجارات الحضرية الافتراضية. تشير النتائج إلى أن BlastGraphNet يمكن أن يوفر دعمًا حاسمًا لتصميم المباني والتخطيط الحضري وإدارة الطوارئ من خلال تمكين التقييمات السريعة والدقيقة لمخاطر الانفجار.
يؤكد البحث على إمكانات شبكات الرسم البياني العصبية لمعالجة البيانات غير المهيكلة والظواهر الفيزيائية المعقدة، مما يوفر نموذجًا جديدًا للتنبؤ بأحمال الانفجار وتقييم الأضرار في الهندسة الوقائية. قد تركز الأعمال المستقبلية على دمج سيناريوهات انفجار أكثر تنوعًا وتحسين النموذج لتطبيقات أكبر، لتعزيز قدراته لتقييمات السلامة الحضرية.
