有限开放空间建筑爆炸威力场机器学习及逃生规划方法

1.一种有限开放空间建筑三维爆炸威力场机器学习方法，其特征在于，包括：通过包括训练数据集和验证数据集的爆炸冲击下有限开放空间建筑威力场数据库对威力场交互协同图神经网络进行训练以及优化，得到爆炸冲击下有限开放空间建筑威力场预测模型，实现对有限开放空间建筑三维爆炸威力场的机器学习；其中，威力场包括峰值超压、峰值冲量、冲击波抵达时间；威力场交互协同图神经网络包括编码器、处理器、解码器，其中：编码器包括级联的多头自注意力层、第一前馈神经网络层、残差连接与层归一化组件，其中，第一前馈神经网络层包括一个第一全连接层以及N个相同的第一子层，每个第一子层包括一个前端级联一个ReLU激活函数的第二全连接层，每个第一子层的输入均为多头自注意力层的输出，每个子层的输出再通过一个ReLU激活函数汇总到第一全连接层；处理器包括TransGNN处理器、第一卷积层、多路径网络结构层、第三全连接层、池化层以及读出层，其中，多路径网络结构层包括级联的图注意力层、第二前馈神经网络层和RefineNet多路径网络结构，读出层包括级联的全局池化层和第四全连接层；其中，第二前馈神经网络层和第一前馈神经网络层结构相同；解码器包括多层掩蔽自注意力层、N个第二相同的第二子层、叠加和归一化组件以及生成网络层，其中，每个第二子层包括通过一个ReLU激活函数连接的第二卷积层和第五全连接层，每个第二卷积层的输入均为多层掩蔽自注意力层的输出，叠加和归一化组件包括级联的叠加层、softmax函数、归一化层以及残差连接层，残差连接层的输出和所有第五全连接层的输出一并作为叠加层的输入。 2.根据权利要求1所述的机器学习方法，其特征在于，在威力场交互协同图神经网络中嵌入物理信息约束，包括：采用随机数方法，按照比例距离分别对近场、中场、远场下的有限开放空间建筑三维爆炸抽取随机样本数据，拟合峰值超压、峰值冲量、冲击波抵达时间与比例距离的经验关系式： ， ， ，式中， I + 表示峰值冲量真实值，P表示峰值超压真实值，t + 表示冲击波抵达时间真实值，A1、B1、C1、D1表示拟合参数，Z表示比例距离，A2表示峰值冲量的参数，A3表示冲击波抵达时间的参数，W表示TNT当量；按照近场、中场、远场对应不同比例距离下的经验关系式，将经验关系式作为约束条件嵌入到图神经网络的损失函数中，实现图神经网络的物理信息约束嵌入。 3.根据权利要求1所述的机器学习方法，其特征在于，嵌入物理信息约束后，所得到的威力场交互协同图神经网络的损失函数中添加了物理信息约束损失项L physics ： ， ， ， ，其中， M表示节点数量， 、 和 分别表示峰值超压约束损失项、峰值冲量约束损失项和冲击波抵达时间约束损失项， 表示预测得到节点j的峰值超压，节点j的峰值超压真实值 ， 表示节点j的比例距离，A1、B1、C1、D1表示拟合参数， 表示预测得到节点j的峰值冲量，W表示TNT当量， 表示预测得到节点j的冲击波抵达时间，A3表示冲击波抵达时间的参数，dt表示微元。 4.根据权利要求1所述的机器学习方法，其特征在于，爆炸冲击下有限开放空间建筑威力场数据库建立步骤包括：通过数字孪生真实有限开放空间建筑与环境，随机生成爆炸当量与爆炸中心，构建爆炸事件；根据爆炸事件，利用数值仿真方法，建立爆炸事件威力场数值模型，获取爆炸事件威力场数据；对爆炸事件威力场数据进行数据预处理，建立样本集，结合选择的爆炸特征，建立包括训练数据集和验证数据集的爆炸冲击下有限开放空间建筑威力场数据库。 5.根据权利要求4所述的机器学习方法，其特征在于，爆炸事件构建步骤包括：通过数据爬取，获取真实有限开放空间建筑与周边环境地图数据源，通过建筑三维数字孪生方法，构建有限开放空间建筑及周边环境三维模型；预设爆炸当量与爆炸中心范围，通过随机数方法，生成爆炸当量与爆炸中心，根据爆炸事件号，进行数据组合，获取该爆炸事件号下的爆炸当量与爆炸中心；通过同一爆炸事件号下的爆炸中心与爆炸当量，匹配有限开放空间建筑与周边环境三维模型，构建爆炸事件。 6.根据权利要求4所述的机器学习方法，其特征在于，包括训练数据集和验证数据集的爆炸冲击下有限开放空间建筑威力场数据库建立步骤包括：通过缺失值补全、幅值调整、空间相关性转换，将爆炸事件威力场数据转换为二维/三维矩阵形式，实现爆炸事件威力场数据预处理；通过基于有限测点数据的爆炸冲击压力场分布重构仿真，对爆炸冲击威力场参数进行数字重构，构建样本集，爆炸冲击威力场参数包括峰值超压、峰值冲量、冲击波抵达时间；通过流场分析和数值模拟，得到爆炸冲击威力场参数的特征参数；将爆炸冲击威力场参数的特征参数，结合爆炸事件，构建爆炸冲击下有限开放空间建筑威力场数据库，并将爆炸冲击下有限开放空间建筑威力场数据库划分为训练数据集和验证数据集。 7.有限开放空间建筑爆炸逃生规划方法，其特征在于，包括：采用如权利要求1-6中任一所述的机器学习方法，得到爆炸冲击下有限开放空间建筑威力场预测结果；根据威力场预测结果，计算人员毁伤百分比；用带权有向图来表示有限开放空间建筑三维爆炸场景，并将人员毁伤百分比作为带权有向图中的节点的属性，即人员在该节点的受伤程度；基于Dijkstra算法，以所规划路径上任一节点的属性均不超过预设中度伤害等级且存活率最大、逃生时间最短的约束条件，找出最优逃生路径，完成逃生规划。 8.根据权利要求7所述的逃生规划方法，其特征在于，人员毁伤百分比的计算步骤包括：利用非线性关系数据拟合方法，得到人员毁伤百分比同峰值超压、峰值冲量和冲击波抵达时间的计算经验关系式： ，其中， 是人员毁伤百分比，E 1 、F 1 、G 1 是拟合参数， I + 表示峰值冲量真实值，P表示峰值超压真实值，t + 表示冲击波抵达时间真实值。 9.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1-6中任一所述的机器学习方法。 10.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1-6中任一所述的机器学习方法的指令。