基于图的数据-物理混合代理模型：结构地震响应评估与复现指南

这类“数据–物理”混合代理模型，最近在结构抗震领域讨论度明显上来了。它要解决的实际问题很直接：传统地震响应评估要么靠有限元等物理模型，算得准但耗时高；要么靠纯数据代理模型，跑得快但训练依赖大量样本，遇到训练集之外的结构形式还容易失真。基于图的“数据–物理”混合代理模型，就是想在这两条路线之间找平衡，用图结构表达构件连接关系，用数据驱动部分学习复杂非线性，再用物理约束兜住可信度边界。这篇文章会围绕这个主题拆开讲，重点说清楚它到底适合什么场景、复现时需要准备什么环境、数据怎么处理、训练时哪些参数最重要，以及最容易踩的坑在哪里。

如果你是在读研或者做工程评估，正在纠结要不要把一个开源的结构地震响应代理模型引入自己的实验或项目，这篇文章适合你先读一遍。我会按实际落地顺序来整理：先理解思路，再准备环境，接着处理数据和图结构，然后进入训练与验证，最后补上批量化评估需要注意的工程细节。全程不假设你有现成的高性能集群，也不会只按“理想配置”来讲。

1. 先搞清楚：数据-物理混合代理模型到底改变了对地震响应的判断方式

1.1 从“完全靠物理求解”和“完全靠数据拟合”的缝隙里切入

结构地震响应评估的传统做法，核心是有限元模型在不同地震波输入下做时程分析。这个方法可信度高，因为它直接基于力学方程，能描述结构在强震下的塑性发展、刚度退化、残余变形等过程。但代价也很明显：单次非线性时程分析往往需要几分钟到几十分钟，如果要做大规模参数分析、区域震害预测、或者反复优化设计，计算成本会快速累积到一个很难接受的水平。

纯数据代理模型的思路则相反。它不关心结构内部到底怎么变形，只学习“输入特征到输出响应”的映射关系，比如输入地震动峰值加速度、结构层数、周期、质量等，输出最大层间位移角、基底剪力、顶层位移。训练好之后，推理速度非常快，甚至可以做到单条样本毫秒级响应。但它有几个硬伤：样本数量不够时容易欠拟合或过拟合；外推能力弱，结构形式一变化，预测结果可能偏离物理规律；模型内部没有力学约束，可能出现“预测位移为负”“刚度突变不合理”这类物理上完全不可能的结果。

基于图的混合代理模型，恰恰是在这两者之间找一个可落地的折中方案。它先用“图”来显式表达结构体系——每个节点代表结构构件或楼层，连边代表连接关系。这样网络结构本身就嵌入了结构拓扑信息，而不是把节点拼成一维向量交给全连接网络。然后，模型再用图神经网络去拟合结构响应，同时在训练损失里加入物理残差项，比如让预测的层间剪力与质量×加速度关系尽量一致，让位移响应曲线满足边界条件。这样一来，模型既能从数据中学习复杂的非线性映射，又被物理规律约束住，不容易给出反常识结果。

1.2 这类模型真正有价值的地方在哪里

我个人的判断是，这类模型真正的价值点不是“替代有限元”，而是“在允许损失一点精度的前提下，把计算速度提升几个数量级”。实际实验中，很多团队更看重趋势判断和参数敏感性分析，而不是逐点精度。比如你要研究地震动强度对不同高度框架结构最大层间位移角的影响趋势，用有限元扫描一百个工况可能很费时，换混合代理模型就能把成本压下来。

还有一个容易被忽略的价值是可解释性。纯黑箱模型很难说明白“为什么给这个输出”，而图结构天然保留了构件之间的连接关系，你可以通过分析节点特征、边权甚至注意力系数，找出哪些构件对某一层响应影响最大。对于结构工程师来说，这比一个单纯的预测数值更有参考意义。

不建议把它的价值理解成“取代传统方法”。尤其在强非线性阶段，混凝土开裂、钢筋屈服、节点退化等物理过程非常复杂，数据驱动部分能不能完全学出来是未知数。更稳妥的定位是：作为快速筛选工具、参数探索工具、或者有限元结果的近似替代，用于那些不需要精细塑性细节的场景。

2. 复现之前先做准备：开源仓库里通常有什么、需要什么运行条件

2.1 启动新项目时最容易忽略的三个前置检查

不管是从GitHub还是其他开源渠道拿到的项目，第一步不是急着pip install，而是把仓库结构、README、requirements、模型配置目录先看一遍。开源项目管理中最大的坑往往是依赖版本不一致，而不是项目代码本身有问题。基于图的混合代理模型项目通常涉及多个库：图神经网络库、深度学习框架、数据处理库、可视化库，每一个版本都可能影响训练行为。

我一般会按下面顺序检查：

1. Python版本是否在仓库声明范围内，常见是3.8、3.9、3.10。
2. 有没有GPU。如果只有CPU，很多模型能跑但速度会慢不少，小规模测试问题不大。
3. 训练数据目录是否存在。很多仓库不会把所有数据塞进Git，而是通过下载脚本、外部链接或README说明来提供。你得先确认数据源是否可访问，避免代码能读、数据却没有。

另外一个常被忽略的是输出目录和日志目录。在没有明确指定保存路径的项目里，默认输出可能直接写到当前目录或临时目录。跑完以后找不到模型文件和评估图，会浪费不少时间。建议在第一次运行前手动建好outputs/checkpoints、outputs/logs、outputs/figures这类目录，或者在配置里提前改好。

2.2 Open Source 项目的核心目录通常长什么样

虽然不同仓库组织方式不一样，但一个典型的“基于图的数据–物理混合代理模型”项目，一般会包含以下模块：

如果项目本身没有明确结构，你需要先从README里找到完整的运行命令。很多基于图的论文项目都提供了类似python train.py --config configs/xxx.yaml的入口。我的建议是：第一次运行时，不要改任何超参，先按默认配置跑一个最小样例，确认流程能通。

注意：如果仓库只提供了模型代码，没有提供训练数据或预训练权重，这不代表项目不完整。很多学术开源项目把数据托管在外部网盘或机构服务器上，你需要先准备好自己的数据集，或者下载他们提到的公开数据集。这里的“准备数据”经常是整个复现过程中最耗时的一步。

2.3 需要准备哪些依赖：PyTorch、图神经网络库、地球物理相关工具

常用的运行环境可以按以下清单准备。下面给出的是通用依赖思路，不针对某个特定仓库，实际安装时以仓库的requirements.txt为准。

• Python 环境：建议使用 conda 创建独立虚拟环境，避免把系统Python搞坏。
• 深度学习框架：多数项目使用 PyTorch，部分使用 TensorFlow。如果项目面向图数据，通常需要torch-geometric或dgl。
• 科学计算库：numpy、scipy、pandas，主要用于地震波和结构数据的预处理。
• 可视化库：matplotlib，用于绘制响应曲线、损失曲线。
• 配置文件解析：pyyaml，如果项目使用 YAML 配置。

一个常见问题是图神经网络库的版本必须和 PyTorch 版本匹配。比如torch-geometric在不同 PyTorch 版本下需要.whl或绑定版本不同。安装时如果遇到CUDA not available或者No module named 'torch_geometric'，先别怀疑代码，大概率是依赖没装对。官方文档一般会提供类似下面的安装命令：

pip install torch pip install torch-scatter -f https://data.pyg.org/whl/torch-2.0.0+cu118.html pip install torch-sparse -f https://data.pyg.org/whl/torch-2.0.0+cu118.html pip install torch-geometric

没有 GPU 的机器也可以选 CPU 版本，只是要把训练数据量和模型规模都调小。低配置能跑通训练，不代表能批量跑一百个工况，这是两回事。

3. 数据侧的关键：把结构“节点—连接”关系变成图输入

3.1 结构地震响应数据有哪些必要字段

不管来源是有限元模型还是真实监测数据，输入到模型前，都需要整理成统一的字段。常见的有三块：

1. 结构几何与材料信息：每层的质量、刚度、阻尼比、层高、柱截面尺寸、梁截面尺寸、材料强度。
2. 结构拓扑关系：每个节点连接哪些节点，也就是邻接关系。对于楼层模型，通常是一个链式结构；对于整体空间结构，可能需要根据框架柱、梁的布置生成连接边。
3. 地震输入：地震波加速度时程，也就是每个时间步的加速度值，对应输入地震动强度参数。

输出则通常是结构在地震作用下的响应指标，比如最大层间位移角、最大层间剪力、顶层位移时程、基底剪力时程。如果你从有限元软件里导出数据，需要按“结构编号—工况编号”组织好，确保每个样本都对应明确的地震输入和响应输出。

3.2 如何把结构体系构建成图

这是整个流程里最需要理解的一步。图和普通的表格数据差异在于，它不仅有节点特征，还有明确的连接关系。对于一个多层框架结构，可以把每个楼层或每个构件抽象成节点，节点特征就是该楼层或构件的质量和刚度等信息；如果两个楼层或构件之间有梁柱连接关系，就在它们之间建立边。

示例代码如下：

import torch from torch_geometric.data import Data # 假设一个5层简化框架，每个节点代表一层 num_nodes = 5 node_features = torch.tensor([ [500.0, 2000.0, 0.05], # 节点0：质量、刚度、阻尼比 [500.0, 2000.0, 0.05], [500.0, 2000.0, 0.05], [500.0, 2000.0, 0.05], [500.0, 2000.0, 0.05] ], dtype=torch.float32) # 边的索引：从低层向高层连接 edge_index = torch.tensor([ [0, 1, 1, 2, 2, 3, 3, 4], [1, 0, 2, 1, 3, 2, 4, 3] ], dtype=torch.long) data = Data(x=node_features, edge_index=edge_index)

这段代码里，edge_index是图神经网络的输入形式，它用两行索引表示边的起点和终点。无向图会在两个方向都写入连接关系，这样才能在消息传递过程中让相邻节点互相影响。

图结构确定后，还有一个关键选择：节点特征要不要包含地震输入信息和时间状态。很多混合代理模型并不是只基于初始几何信息预测最终响应，而是把地震动特征和节点状态一起输入。你可以把地震波的关键指标先降维，比如峰值加速度、卓越周期、持续时长等，拼接到每个节点特征里。但这种做法有一个问题：节点特征会在所有节点上共享地震信息，没办法表达空间上的地震输入差异。如果你的结构是空间大跨模型，地面运动在空间上有差异，那就要把波形或频谱片段直接拼进去，或者采用更复杂的编码器。

3.3 数据预处理和归一化：训练稳定性的基本盘

在这个场景里，归一化特别重要。因为质量、刚度、加速度时程的数值范围差异很大，比如质量可能是几百吨，刚度可能是几千千牛每毫米，加速度可能是几百厘米每平方秒。如果不做归一化，模型训练时梯度容易被大数值特征主导，结果就是损失下降很慢，或者训练过程振荡。

一般做法是保存训练集的均值和标准差，然后用同一套统计值去归一化验证集和测试集，避免信息泄露。归一化后，所有特征都落在接近零均值、单位方差的范围内，GNN层和物理约束层都能更容易收敛。

代码示例：

mean = train_data.x.mean(dim=0) std = train_data.x.std(dim=0) train_data.x = (train_data.x - mean) / std val_data.x = (val_data.x - mean) / std test_data.x = (test_data.x - mean) / std

归一化之后，最好用直方图看一眼特征分布。如果还是存在明显的长尾或极端值，可以考虑进一步做截断或log变换。很多模型训练不收敛，不是网络结构不行，而是输入特征里有大量离群值。

4. 训练环节的核心：物理约束是怎么参与损失计算的

4.1 物理约束不只是一个加分项，它改变了训练目标

在纯数据驱动模型里，损失函数通常就是预测值和真实值之间的误差，比如 MSE。这个目标函数只能约束“模型输出尽量贴近已有标签”，但没有任何机制保证输出符合力学常识。混合代理模型的关键修改是：在原有监督损失基础上，加入一个或多个物理一致性损失项，合起来构成总的训练目标。

物理约束的具体形式取决于你关注的是哪类结构响应。常见做法有几种：

• 用预测的楼层位移求差，得到层间位移，再和预测的层间剪力做组合，看是否满足刚度关系。
• 对时程响应做时间导数，检查加速度曲线和速度曲线是否满足运动学关系。
• 对整体受力做平衡约束，例如基底剪力近似等于各楼层惯性力之和。
• 对不可违背的边界条件做硬性软约束，比如位移不能在固定支座处大于零。

一个简化的损失结构如下：

# 简化示意：总损失是数据损失 + 物理约束损失 pred_response = model(data.x, data.edge_index) data_loss = mse_loss(pred_response, target_response) # 物理约束：预测结构基底剪力约等于各层惯性力之和 mass = data.x[:, 0] # 每个节点的质量 acc = pred_response[:, 2] # 预测的加速度 base_shear_pred = torch.sum(mass * acc, dim=-1) # 这里 target_base_shear 可以是有限元计算结果，也可以是从运动学关系推出的估计 physics_loss = mse_loss(base_shear_pred, target_base_shear) total_loss = data_loss + lambda_physics * physics_loss

lambda_physics是用来控制物理约束强度的权重参数。这个参数很敏感：设得太大，模型可能只顾着满足物理关系而忽视数据拟合；设得太小，物理约束形同虚设，模型还是可能输出反物理结果。

4.2 物理约束权重怎么调：从0.01开始逐步观察

我在实际训练中一般不会直接把物理约束权重拉满。更稳妥的方法是先从较小的值开始，比如0.01或0.1，跑几个epoch观察数据损失是否正常下降；然后再把权重提高，观察验证集误差和物理残差是否同时下降。

如果数据损失下降很快，但物理残差一直很高，说明当前权重不够，模型还没被“拉回”到物理规律范围内。如果物理残差降下来了，但数据损失不降反升，说明约束过强，模型被限制在一个更平滑但偏离真实数据的区域。你需要在这两者之间找一个平衡点。

一个常见技巧是采用逐渐增大的物理约束权重，也就是训练初期让模型主要学习数据规律，后期再逐步加强物理约束，把输出往物理合理方向拉。类似课程学习的思想，能让训练更稳定。

4.3 图神经网络层的选择：GCN、GAT还是GraphSAGE

对于结构地震响应这类数据量中等、图规模中等的任务，几个主流图卷积层都值得试。它们之间的差异主要体现在邻居信息聚合方式上：

GCN：实现简单，聚合方式是邻居特征取平均或带归一化平均，计算量小，适合图结构比较规整的框架结构。第一次复现时建议先用GCN做baseline，因为它最容易跑通。

GAT：引入了注意力机制，不同邻居对目标节点的贡献权重不同，表达能力更强，适合连接关系不完全均质、某些关键构件对响应影响很大的场景。但训练时间更长，也更容易过拟合。

GraphSAGE：通过采样邻居来聚合信息，适合大规模图。单个结构模型一般规模不会特别大，但如果要对整个区域建筑群建模，GraphSAGE会更合适。

对于一个多层框架结构，节点数量通常是几十层或几百个构件，GCN和GAT都能处理。我更建议先用GCN跑通全流程，再把GAT作为对比实验。不要一开始就让模型变得很复杂，否则排查问题时很难判断是模型结构的问题还是数据处理的问题。

4.4 训练配置里的关键参数：为什么不要一上来把批次拉满

在GNN任务里，batch_size这个概念和普通表格数据不太一样。如果你的数据集合里每个结构是一个图，那一个batch里可能有多个图，PyTorch Geometric 会把它们合并成一个更大的稀疏图，然后用索引区分不同样本。batch size太大，显存和内存占用都会迅速上升。当图规模本身很密集时，即使batch size是4，也可能把显卡爆掉。

显存不够时不要急着换更大的GPU，先检查这几项：

1. neighbor_sampling是否开启，如果不需要所有邻居可以采样。
2. 模型中是否有多余的稠密张量中间变量。
3. 输入图的边有没有重复、无向边是不是被重复加入。

边重复是个很常见的问题。如果你在构建无向图时不小心对每条边都添加了两次，图网络消息传递的计算量会翻倍，显存占用也会变高。检查方式比较简单：打印data.edge_index.shape[1]，如果边数远大于理论连接数量，就说明有重复。

5. 怎么判断模型真的可用：评估指标和可视化验证

5.1 不要只看整体误差，要分层看结构响应

训练结束后，经常有人只看一个平均误差就下结论。这个做法在地震响应评估里很容易误导人，因为不同楼层的响应差异可能很大。比如底层最大层间位移角通常比高楼层大得多，如果整体MSE很小，可能只是因为高楼层误差很小，而底层——恰恰是最关键的楼层——误差却很高。

所以评估时至少要按楼层拆开看：

• 每一层的最大层间位移角预测误差。
• 每一层的最大层间剪力预测误差。
• 顶层位移时程的曲线对比。

建议生成两张图：一张是“预测响应值 vs 真实响应值”的散点图，对角线越接近越好；另一张是“楼层位置—平均绝对误差”的柱状图，可以直观看出误差集中在哪里。

5.2 常用的量化指标：MAE、RMSE、R²

量化指标里，MAE 最直观，单位就是响应本身的单位，比如毫米或度；RMSE 对大误差更敏感，适合用来发现模型是否在某些极端工况下有较大偏差；R² 表示模型解释的真实数据方差比例，越接近1越好，但在强非线性响应里，R² 达到0.95以上已经算非常优秀。

可以写一小段计算：

import numpy as np from sklearn.metrics import mean_absolute_error, r2_score mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(np.mean((y_true - y_pred) ** 2)) r2 = r2_score(y_true, y_pred)

5.3 从物理残差验证模型是否“真的遵守物理规律”

除了对真实值做误差评估，还要单独看物理残差。如果模型遵守力学关系，物理残差应当很低；如果残差很高，说明虽然预测值和真实值接近，但模型很可能只是记住了训练集的模式，并没有真正学到物理规律。

常见的验证方法：取模型预测的层间剪力和层间位移，计算二者的比值，和结构刚度矩阵的预期关系做对比。或者在时程输出上做有限差分，检查速度和位移的关系。这类验证在论文里经常用，但在工程落地时也同样重要，因为它决定了模型是否能迁移到没见过的地震波。

5.4 划分数据集时的“工况隔离”问题

地震响应数据集的划分不能直接随机打乱。如果同一个结构在同一个地震波下只改了峰值加速度，这类样本在训练集和测试集中同时出现，很容易高估模型的泛化能力。更严格的做法是按地震动记录分组，让同一条地震波只出现在训练集或测试集中，这样才能检验模型对“未见地震波”的泛化能力。

类似地，如果想验证模型对结构形式变化的泛化能力，可以按结构类型划分：训练时只放框剪结构，测试时放另一批刚度有差异的框剪结构或纯框架结构。这种划分可能让误差升高，但它更贴近真实工程使用场景。

6. 实测中容易踩的坑：收敛不稳、显存不够、物理约束失效

6.1 训练开始时损失剧烈波动，先别急着加正则

我在复现类似项目时，最常遇到的问题是训练前期损失波动特别大。很多人第一反应是调低学习率，或者加正则项。但实际上，先检查数据归一化、边的方向一致性以及batch划分是否合理，往往更有效。

如果归一化后损失仍然波动，可以确认是不是学习率设置太高。比如Adam优化器的初始学习率在1e-3附近通常可以，但对于图规模较大的任务，建议降到5e-4或3e-4。学习率太低也不值得担心，最多是训练时间变长，至少不会让模型发散。

6.2 训练时显存不够，但不想换GPU

如果你是在普通笔记本或单卡环境上复现，显存不够是大概率会遇到的问题。除了降低batch size，还有一个思路是减少图的节点特征维度和隐藏维度。很多混合代理模型为了追求精度，把隐藏维度设成128或256，但在小规模结构数据上，64维往往已经足够。

可以这样对比：先用隐藏维度32跑一个很小的epoch，确认整个流程能走通；再把隐藏维度调回预期值。这并不浪费时间，因为两次训练之间的代码改动可能帮你排查出多种环境问题。

6.3 物理约束没有发挥作用的常见原因

物理约束失效，通常不是代码逻辑错，而是配置或数据的问题。我遇到过几种情况：

1. 物理约束对应的量纲和预测量不一致，导致损失数值差距太大，被数据损失压住。
2. 物理约束的lambda_physics太小，模型几乎没有感知。
3. 物理约束目标本身来自同样的有限元模拟，没有形成真正的“物理约束”，只是一个监督目标的副本。

第一点尤其值得注意。如果你的数据损失是经过归一化的无量纲量，而物理残差是带单位的大数值，比如kN·m级别的量，那物理损失的绝对值可能非常大。这类问题可以用“单独归一化物理损失”来解决，也就是对物理残差也做标准化，或者对其除以一个参考量级。

6.4 出现NaN或Inf：先查数据，再查梯度

训练断在某个epoch，损失变成NaN，这种情况在GNN训练里不罕见。排查顺序我一般是这样：

1. 查看输入数据中是否有缺失值或无穷值。
2. 检查地震波数据是否包含极端脉冲，导致特征值过大。
3. 查看梯度范数，如果出现爆炸，可以尝试梯度裁剪。
4. 检查归一化时是否除到了接近0的标准差。

数据里包含缺失值是最容易被忽视的。你用pandas读CSV时，某些空单元格会被自动填充成NaN，如果不处理，模型在反向传播时就会计算出NaN。建议在训练前统一检查数据完整性：

print(data_array.isnull().sum()) print(np.isinf(data_array).sum())

7. 从跑通到落地：批量化评估和工程化注意点

7.1 单条样本评估正常后，再设计批量跑批

如果你的目标是做参数敏感性分析或者区域震害快速评估，那单条样本能跑通只是第一步。更关键的是批量任务怎么组织。批量任务中，失败重试、输出命名、断点续跑，这几件事不做好的话，稍大规模测试会变得很痛苦。

一个比较简单的做法是：把每次评估的样本编号、结构名称、地震波编号写在一个CSV清单里，逐行读取并执行。每跑完一条就把结果写回另一个CSV，同时记录状态字段：success、failed、reason。如果中间断掉，下次启动时先读取已完成列表，跳过去，只跑剩余行。这样做虽然略显笨重，但在没有复杂任务队列的环境下足够可靠。

7.2 输出文件命名不能有歧义

批量评估时输出文件名一定要包含关键参数，否则后期整理会非常麻烦。建议包含结构编号、地震波编号、峰值加速度或谱特征。比如：

response_structure_003_wave_KOBE_PGA0.35g.json

如果同时输出了多个响应指标，建议用 JSON 或 HDF5 保存，而不是几十个CSV文件，那样后面读取和汇总都很费劲。

7.3 保存模型和训练日志时，把超参一起存下来

我踩过比较多次的坑是：模型训练完，一个月后回来看结果，发现已经想不起当时的超参组合。尤其像lambda_physics、隐藏维度、图卷积层数这些值，一旦改变，模型行为变化非常大。建议在训练脚本里直接用torch.save把模型状态和配置字典一起保存：

checkpoint = { 'model_state_dict': model.state_dict(), 'config': config, 'best_val_loss': best_val_loss, 'epoch': epoch } torch.save(checkpoint, 'outputs/checkpoints/best_model.pt')

这样不只在复现时省事，也有利于别人阅读你的开源项目或实验结果。

7.4 低配置环境可以先跑降级版

如果你手里的机器没有独立GPU，或者GPU显存很小，可以先跑“降级版”：图规模减小、节点特征维度降低、训练集比例缩小、物理约束仅保留一个核心项。这样不是为了拿到好实验数据，而是为了确认流程可通、接口正确、训练日志正常。跑通之后再逐步把配置拉回，这样排查问题会更快。

注意：低配置能跑通不代表适合批量跑。批量评估意味着连续多次前向推理和多次结果写入，磁盘I/O和内存占用会叠加。如果只是学习，默认配置通常够用；如果要处理几十上百个工况，建议把输出目录、日志轮转和失败重试都提前设计好。

7.5 工程化落地时，要把“结果可信度区间”一并输出

模型输出一个预测位移角数值，并不代表它一定可信。实际工程判断中，往往需要知道这个预测值在什么条件下更可靠、什么条件下可能偏离较大。一个相对简单的做法是，在测试集上按工况类型统计误差分布，然后在部署阶段输出预测值时附带一个置信标记，比如：

• 预测误差落在测试集80%区间内：绿色，认为可信。
• 落在95%区间内：黄色，需要人工复核。
• 落在区间外：红色，建议改用有限元或详细方法重新验算。

这种做法听起来简单，但对结构工程师来说非常实用。他们可以快速判断哪些结果可以直接使用，哪些结果宁可多花时间用精细模型验证，也不应该冒然用于工程判断。

最后留几个自己排查时会优先看的点

这类基于图的数据–物理混合代理模型项目，在尝试跑通和调优时，有几个优先级很高的检查点是我会反复看的：

第一，输入图结构是否正确。很多模型精度上不去，不是因为网络设计不好，而是邻接矩阵构建错了，比如楼层连接关系错位，导致GNN在错误的消息传递路径上学习。

第二，物理约束的标定是否一致。你需要确认物理约束项和预测目标之间是否满足量纲和方向关系。如果连参考公式都没有先验校验，那物理约束可能只是给训练增加了一个不必要的负担。

第三，验证集划分是否真的反映泛化能力。如果划分不合理，表面上的高R² 很可能只是记忆效应。

第四，日志记录是否足够完整。至少要把每个epoch的训练损失、验证损失、物理残差和几个代表性样本的预测误差都记录下来，这样才能判断模型在哪个阶段开始过拟合、哪个阶段物理约束开始生效。

踩过几次之后我发现，很多问题不是工具能力不够，而是前置环境和输入材料没有处理干净。图结构地震响应评估这件事，模型架构只是其中一环，数据质量、物理约束设置、评估方式和批量任务管理，往往才决定一个开源项目能不能真正被复用到你自己的场景里。如果你准备上手，我建议先从一个小型框架结构、几条地震波、单张GPU或CPU跑通一版，确认输入输出链路正确，再逐步扩大样本规模和物理约束项。这样能少走很多弯路。