编者荐语：

我院张浩然助理教授团队近日于《Applied Energy》发表论文《Real-time gas explosion prediction at urban scale by GIS and graph neural network》

论文信息

标题：Real-time gas explosion prediction at urban scale by GIS and graph neural network

期刊：Applied Energy

时间：28 September 2024

DOI：https://doi.org/10.1016/j.apenergy.2024.124614

| 摘要 |

液化气体有望在城市能源转型中发挥重要作用。然而，液化气体的意外泄漏会产生易燃的蒸汽云，其体积几乎是未液化气体的10倍。在拥挤的城市街区，泄漏的液化气体一旦被点燃，爆炸的威力将更大，对城市建筑和人员都会造成灾难性的后果。目前，人们已经开发出机器学习方法来有效评估气体爆炸的后果，但这种方法在捕捉拥挤建筑与爆炸波传播之间的相互作用方面表现不佳。本研究旨在开发地理信息系统(GIS)和图形神经网络(GNN)的综合方法，其中GIS提供城市规模的3D建筑几何结构和网格信息。本研究将使用计算流体动力学(CFD)模拟来构建基准数据集，并利用该数据集开发自回归GNN方法，以更好的捕捉拥挤建筑与爆炸波传播之间的相互作用。将本文提出的方法与现有的基于机器学习的预测方法进行了比较。结果表明,本研究提出的方法具有更高的R2值(0.946)和更低的MSE值(5.36E-4)，表明其气体爆炸演变预测的准确性更高,特别是在拥挤的城市地区。与城市规模的CFD方法相比，本研究的方法还显示出1000倍的计算加速改进。该方法有望高效、准确地分析城市范围内气体爆炸的最坏破坏性影响，为决策者提供支持，从而在能源转型的背景下提高城市的抗灾能力。

关键词：Urban energy transition 城市能源转型; graph neural network 图形神经网络; GIS 地理信息系统; Urban scale gas explosion 城市规模燃气爆炸; liquified natural gas 液化天然气

▲ BenchmarkCFD Demo

▲ GNN Approach Demo

01 Research Gap

液化气体一旦意外泄漏会蒸发并发生非常大的体积膨胀，导致高度易燃的蒸汽云覆盖大规模的城市地区与拥挤的建筑物。因为爆炸波的传播将与更多城市规模的建筑物发生相互作用，随后的爆炸可能造成更严重的破坏性影响。机器学习如 MLP 和变压器已被广泛应用于天然气爆炸破坏效应的分析。它能够有效地确定天然气爆炸的后果，支持事故减灾的实时决策。然而，天然气爆炸的节点间动力学，以及拥挤建筑物与爆炸波的传播之间的复杂相互作用，是造成破坏性后果的重要因素。现有的基于机器学习的方法在捕捉天然气爆炸的节点间动力学以及拥挤建筑物与爆炸波的传播之间复杂的相互作用方面表现不佳。因此，这些方法对城市范围内阻塞性天然气爆炸的最大超压预测的推广能力较差。

02 Highlights

1) 提出了一种 GIS 与 GNN 集成的城市天然气爆炸实时监测方法，利用 GIS 提供三维城市建筑结构，GNN 捕捉城市建筑与爆炸冲击波的相互作用。

2) 通过案例研究，证明了所提出的城市爆炸波的传播预测方法与最先进的天然气爆炸预测模型相比具有更高的准确性和实时性。

3) 该方法具有高效、准确地分析城市范围内天然气爆炸最坏情况影响的潜力，支持城市规划决策，提高城市复原力。

03 图文解析

1.  地理信息系统(GIS)与自回归 GNN 方法相结合

本研究利用地理信息系统(GIS)与自回归 GNN 方法相结合的方法，实现了对城市拥挤建筑物进行实时大规模天然气爆炸预测。大致概括如下：首先对三维 GIS 建筑数据进行预处理，建立三维数值几何模型。GIS 网格结构将用于 CFD 数值模拟。随后，将在大型城市街区进行大量的天然气爆炸模拟。利用这个数值基准数据集，开发了一种基于自回归预测的 GNN 方法，该方法将使用 GIS 网格配置。图1展示了城市拥挤建筑物实时天然气爆炸预测的 GIS 与自回归 GNN 方法集成的流程。

GIS 建筑数据预处理：从Mapbox提取3D GIS建筑数据。建筑数据以GeoJSON格式存储，包含建筑轮廓和高度信息。提取后的数据需要经过几个预处理步骤，具体包括：  将建筑数据的坐标从经纬度转换为投影坐标，以确保使用实际距离单位（米）。将建筑轮廓数据构建为与CFD数值建模兼容的3D对象，以便进行准确的CFD模拟。创建地理网格配置，间隔为0.5米，作为CFD数值建模的基础和GNN模型的初始图结构。最后，将使用CFD工具模拟多个气体爆炸场景，以生成高精度的基准数据集，支持GNN方法的发展，预测城市规模内建筑物与爆炸波之间的相互作用。

超回归 GNN 方法：首先，通过GIS网格数据生成初始图结构，以建立建筑物和爆炸波之间的空间连接。由于城市建筑物的存在，可能导致图中某些边缘无法准确表示建筑物与爆炸波的相互作用。因此，采用k最近邻（kNN）方法来解决这一问题。本研究提出了两种约束方案以处理建筑内部的图节点：方案一（刚性边界条件）删除建筑内的节点，而方案二（混合边界条件）则将这些节点的预测值固定为初始值。

本研究的GNN模型包括编码器、处理器和解码器三个部分。编码器将输入数据编码为潜在空间，处理器使用图网络模块进行多次迭代预测，最终生成潜在图。解码器则将潜在图转化为未来时刻的最大超压预测值。

最后在训练过程中，方案一使用均方误差（MSE）作为损失函数，而方案二则在损失函数中添加了建筑内节点的固定预测值。通过使用AdamW优化器和加高斯噪声来提高模型的鲁棒性，最终选择验证误差最低的模型进行测试比较。该GNN方法将被整合进GIS系统，以评估气体爆炸对周围建筑物和人员的影响，从而支持城市规划和安全措施的制定。

图1 城市拥挤建筑物实时天然气爆炸预测的 GIS 与自回归 GNN 方法集成

2.  数值建模与基准数据集预处理

本研究使用了东京地区的3D建筑GIS数据进行数值建模，包括3D 建筑结构和网格配置如图2所示。图2 a)是日本东京地区的 GIS 数据，图2 b)显示了城市尺度的3D 建筑结构,图2 c)显示了当地的地图网格单元。图2 b) 中的三维建筑结构被用作城市块体几何建模与模拟,使用FlACS软件进行计算流体力学数值模拟。图3展示了500m × 500m 大型拥挤城市街区天然气爆炸的数值模拟。利用所建立的数值模型，在核心区域考虑了沿主干道100个点火点，共模拟了100个天然气爆炸场景。图4显示了可燃气云区域和着火区域。而后进行基准数据集预处理，每个模拟持续550毫秒，结果记录间隔为10毫秒，以捕捉系统状态。提取每个爆炸场景的最大超压数据，使用空间坐标和时间作为输入和输出。为了减少时间步的累积预测误差，在训练数据中注入高斯分布噪声，并对输入和输出数据进行归一化处理。

图2 日本东京地区三维 GIS 建设与网格信息

图3 采用 FLACS 对500m × 500m 大型拥挤城区天然气爆炸的数值模拟

图4 点火区域包括100个点火点，均匀分布在主干道上，垂直间距0.15 cm，水平间距0.3 cm

3.  其他方法与本文提出的GNN方法的对比

图5分别显示了 t = 250ms，350ms，450ms 和550ms 时最大超压的基准时空演变。该基准序列是从测试数据集中选择的，其点火位置为(x = 0，y = 0)。图6 a)、 b)和 c)分别显示了 GNN、 MLP 和 Transformer 方法的相应预测结果。图6 a)显示，本研究开发的图神经网络（GNN）方法在T=350毫秒之前预测的最大过压分布与基准数据相似，但在T=350毫秒后，GNN在建筑A与建筑B之间、建筑B与建筑C之间和区域1的最大过压预测值更高，尽管这些区域的预测值与基准值之间仍存在有限差异。图6 b)中，MLP方法的最大过压分布与基准数据有显著不同，虽然在建筑A与建筑B之间等区域能够预测较大的过压，这表明MLP在捕捉拥挤建筑对爆炸波传播的限制效应方面表现不佳。图6 c)显示，变换器（Transformer）方法在T=450毫秒之前对最大过压的分布预测较为准确，但在T=550毫秒时，建筑A与建筑B、建筑B与建筑C和区域1等限制区域的预测值相对较低。这同样表明，Transformer方法无法准确描述拥挤建筑对爆炸波传播的限制效应。

图5 测试数据点(x = 0，y = 0)下最大超压时间 t = 250ms，350ms，450ms 和550ms 的基准时空演变

a)GNN 方法 

b)MLP 方法

c)Transformer 方法

图6 t = 250ms，350ms，450ms 和550ms 时，GNN，MLP 和变压器预测的最大超压的时空演变。点火点(x = 0，y = 0)与图5相同

图7展示了在9个不同位置预测的最大过压的比较。这些位置分别位于主干道和两栋建筑之间的限制区域。位置1、2、5、6、7和8位于城市街区的边缘，而位置3则在两栋拥挤建筑之间。这些点用于检查各方法在爆炸波与拥挤建筑长距离相互作用后的最大过压预测精度。此外，位置4和9靠近点火位置，建筑较为稀疏，影响爆炸波传播。从图中可以看出，本文提出的图神经网络（GNN）方法大多数预测的最大过压在±25%的误差区间内，尽管位置8仍存在较大的预测误差。然而，该误差仍小于多层感知器（MLP）和变换器（Transformer）方法。此外，MLP和Transformer在位置1、2、7和8的预测误差均大于25%，这可能是由于它们难以捕捉拥挤建筑与爆炸波之间的长距离相互作用。Transformer方法在位置5和6的预测远离±25%的误差区间，进一步表明其在拥挤城市区域的最大过压预测表现不佳。同时，MLP在位置9的预测最差，显示其在捕捉气体爆炸动态方面的低准确性。

图7 随机选取两栋建筑物之间主干道、约束区域的不同位置

图8 随机选取不同位置预测的最大超压比较

表格展示了 GNN、 MLP 和 Transformer 方法中R2和MSE的比较。从中可以看出，与 MLP 和 Transformer 方法相比，本研究开发的 GNN 方法具有最高的 R2值为0.8860，最低的 MSE 值为7.36E-4。此外，本研究提出的 GNN 方法具有16.13 ms 的推断时间的实时性，可以用来预测拥挤建筑物的天然气爆炸的大规模时空超压。GIS 与 GNN 的集成与 GIS 与 CFD 的集成相比，计算速度提高了1000倍，城市规模天然气爆炸预测需要2小时。总的来说，上述结果验证了本研究所提出的 GNN 方法比 MLP 方法和变压器方法更准确，而且在城市规模拥挤建筑物的天然气爆炸预测方面，它比 CFD 方法具有更高的计算效率。

表 GNN、 MLP 和 Transformer 方法的 R2和 MSE 比较

04 总结

本研究将地理信息系统(GIS)与图形神经网路(GNN)相结合，提出一套适用于城市范围内阻塞性天然气爆炸实时预测的方法。在这种方法中，GIS 在城市尺度上提供三维建筑几何图形和网格信息，GNN 解决了城市建筑物和爆炸波的传播之间的相互作用。并与现有的天然气爆炸预测方法进行了比较。结果表明: (1) GNN 方法的训练过程中不考虑建筑物内部的图形节点，有助于更准确地描述拥挤建筑物与爆炸波的传播之间的相互作用。(2)建议的方法表现为0.946和5.36E-4，表明其对爆炸荷载演变的预测准确度较高，特别是在拥挤的建筑物区域相比，国家的最新技术，即 MLP 和变压器方法。(3)该方法具有较强的实时推理能力，推理时间小于1s。然而，与城市尺度的 CFD 方法相比，它具有1000倍的计算加速比改进。(4)这种已开发的方法有可能准确、快速地评估城市范围内天然气爆炸的最坏情况的破坏性影响，支持关于城市规划的决策，以提高城市能源转型背景下的城市复原力。

团队介绍

本研究由香港理工大学建筑环境与能源工程系、北京大学城市规划设计学院、Gexcon China的研究人员合作完成。

§通讯作者简介：张浩然，助理教授，北京大学城市规划设计学院。

§第一作者简介：师吉浩，研究助理教授，香港理工大学建筑环境与能源工程系。

§其他作者简介：李俊杰，博士在读，香港理工大学建筑环境与能源工程系；Xie Bin，中国区总经理，Gexcon China ；谢宗昊，研究助理，香港理工大学建筑环境与能源工程系；余庆，博士后，北京大学城市规划设计学院；严晋跃，教授，香港理工大学建筑环境与能源工程系。