《Journal of Loss Prevention in the Process Industries》：Research on Accident Evolution Analysis of Hazardous Gas Leak Based on Graph Neural Networks
编辑推荐：
提出基于图神经网络（GraphSAGE）与DEMATEL-ISM混合模型（GraphSAGE-DEMATEL-ISM）的泄漏事故演化分析方法，通过自主挖掘风险因素间复杂依赖关系，结合因果分析-结构建模框架，实现事故演化动态的实时解析与关键风险因子识别，减少专家主观影响。
张新奇|林宇杰|杨书波|刘毅|于安峰
中国山东省青岛市化学安全国家重点实验室，266000
摘要：
理解泄漏风险演变背后的传播机制对于提高过程安全管理中的应急响应至关重要。然而，传统的风险演变建模方法仍然依赖于专家判断，这引入了分析上的不确定性以及捕捉事故发展动态的固有时延，从而削弱了应急响应干预的有效性。为了解决这些限制，本研究提出了一种新的事故演变分析方法，称为GraphSAGE-DEMATEL-ISM。该混合模型将知识图谱推理机制与深度学习架构相结合，以实现风险因素间相互依赖关系的自主发现。具体而言，该框架使用图样本聚合神经网络（GraphSAGE）系统地提取和建模风险因素之间的复杂交互关系。随后，应用决策制定试验与评估实验室-解释结构建模（DEMATEL-ISM）来阐明层次结构并识别控制风险演变动态的关键因素。通过对真实气体泄漏爆炸的演变分析，验证了该框架的有效性，为关键风险因素和传播结构提供了直接见解。所提出的方法通过无需依赖专家即可高效进行风险演变分析的能力展示了显著优势。将图神经网络与风险演变分析方法的结合为过程工业中的主动风险管理策略带来了范式转变。
引言
石化设施具有密集的设备布局和严重的拥挤现象，导致复杂的三维几何结构。这种配置极大地阻碍了自然通风和气体的扩散（Zandi等人，2022年）。在运营过程中，这些工厂在高压和高温下处理大量易燃、易爆或有毒的危险气体。如果容器发生故障，释放的气体会通过多种物理和化学过程逐步放大风险：（1）重力驱动的密集气体扩散和分层；（2）与周围空气的湍流混合形成可燃蒸汽云；（3）受大气稳定性影响的有毒羽流扩散（Colombini等人，2022年；Kim等人，2024年）。多种危险因素的空间和时间交互作用——包括与点火源的接近程度、 prevailing atmospheric conditions、由于拥挤而增强的湍流以及热辐射反馈——为灾难性升级创造了有利条件（Patel等人，2024年）。值得注意的是，在封闭的几何结构中，可燃蒸汽云会经历火焰加速，从而从爆燃转变为爆轰（DDT）（Shen等人，2024年）。这种升级路径，加上潜在的多米诺效应，会引发超出单个设施边界的连锁故障序列，并通过相互连接的 critical infrastructure systems（例如高层建筑、地下公用设施、相邻的石化综合体）传播。事故演变分析对于应急响应协调、损失预防策略以及在复杂危险气体泄漏环境中的实时公共安全干预至关重要。
分析事故和灾难演变的常用方法包括解释结构建模（ISM）（W. Li等人，2025年）、决策制定试验与评估实验室（DEMATEL）（Ahmed等人，2021年）、系统理论过程分析（STPA）（Ma等人，2025年）、系统理论事故建模与过程（STAMP）（H. Li等人，2025年）以及贝叶斯网络（BN）（Zhong等人，2024年）。在这些方法中，基于STAMP的方法系统地识别事故发展过程中的约束，强调控制措施中的不安全行为——例如，STPA能够对每个行为元素进行全面危险分析，而基于STAMP的因果分析（CAST）则提供了对灾难成因的全面见解（Bairami-Khankandi等人，2025年；Li等人，2023年）。然而，STAMP难以分析复杂的系统风险相互关系。相反，DEMATEL能够有效地构建因果结构模型，以揭示依赖性和关键驱动因素，尽管存在信息限制（Zhang等人，2025年）。ISM同样适用于复杂的因果网络，可以澄清层次结构和优先级顺序，但需要大量的计算资源。每种已建立的方法都有其独特的应用场景和功能特点。值得注意的是，将DEMATEL和ISM结合起来可以弥补各自的局限性，在分析影响因素和确定风险演变结构方面表现出更优的性能。例如，Li等人（2019年）使用这种集成开发了一个风险评估模型，以阐明天然气管道泄漏事故中因果因素之间的耦合关系。Xing等人（2023年）应用DEMATEL-ISM分析海上结构故障风险，首先使用DEMATEL计算影响程度，然后使用ISM建立层次耦合关系。Li等人（2026年）采用这种混合方法研究洪水灾害期间的驱动因素相互关系。Wu等人（2025年）提出了一种结合DEMATEL、ISM和BN的韧性评估方法，以提高城市公用隧道的影响抵抗力和恢复能力。Kang等人（2025年）引入了一种基于DEMATEL-ISM和复杂网络模型的氢站泄漏风险分析方法，以确保运营安全。Ma等人（2025年）构建了复杂的网络演变模型，识别危险气体泄漏预防策略中的最小灾难路径。为了减轻专家判断的不确定性和不一致性，Sezer等人（2022年）引入了Dempster-Shafer证据理论，尽管他们的方法仍然依赖于专家经验来计算人为错误概率。Singh（2024年）和Li等人（2024年）将模糊方法与DEMATEL-ISM相结合，减少了与专业知识相关的不确定性，提高了爆炸事故演变中影响关系和层次结构的清晰度。虽然这些研究详细描述了危险气体泄漏事故演变中的层次结构和交互作用，但现有方法严重依赖于统计数据和专家知识，表现出强烈的主观性、不确定性和耗时的参数计算，缺乏实时适用性或普遍性。
机器学习（深度学习）通过观察和在现实世界中的互动自主获取领域知识，能够在第二级尺度上实现知识推理能力（Li等人，2022年）。这一新兴范式通过从样本中发现隐藏的风险因素相互关系来克服专家经验的限制（Bengio等人，2021年）。Liu等人（2023年）实施了随机森林加权，以减少专家分配的风险因素评分中的主观偏差，随后构建ISM模型，以增强油轮码头的风险演变分析——结果证实了权重不确定性的降低和关键风险的有效识别，从而改进了管理建议。Zhu等人（2025年）使用K均值聚类分类算法开发了一个浅层天然气危险预测模型，证明了机器学习在事故风险分析中的有效性。鉴于事故期间风险因素通常表现为非结构化数据，图神经网络（GNNs）作为一种强大的工具出现，通过节点消息传递捕获图依赖性，在处理知识图谱和社交网络等拓扑结构化数据方面表现出色。图神经网络（GNNs）在实体分类、链接预测和图分类等任务上取得了显著进展，特别是在知识图谱中的复杂推理方面。Chen等人（2025年）展示了GNNs在准确识别石油和天然气管道系统中的高风险节点方面的能力，通过建模环境条件、机械故障、操作异常和人为因素之间的非线性交互作用。基于GNN学习框架，GraphSAGE能够通过其采样和聚合机制高效生成未知节点的表示。Sun等人（2023年）表明，GraphSAGE能够在电网级联故障期间快速准确地识别脆弱传输线路。然而，GNNs在事故演变过程中揭示风险因素之间交互作用的潜力尚未得到充分探索。
为了提高事故演变分析模型的适用性和普遍性——减少对专家经验的依赖，实现风险因素关系的快速可靠识别，促进泄漏事故中的实时层次结构分析——本研究提出了GraphSAGE-DEMATEL-ISM，这是一种用于高效主观建模泄漏风险传播和演变的新方法。它利用深度学习架构中的知识图谱推理机制自主发现风险因素之间的相互依赖关系。一个公共泄漏事故案例研究验证了该方法的有效性。主要贡献包括：
- (1)
本研究首次使用GraphSAGE神经网络系统地提取和建模复杂的多维风险因素交互关系，而不依赖于专家判断。
- (2)
应用DEMATEL-ISM来阐明层次结构并识别控制灾难演变动态的关键风险因素。
- (3)
通过对危险气体泄漏事故的演变分析验证了该方法的有效性，为工业事故的风险传播模式提供了快速见解。
- (4)
本研究提供了一种高效准确的替代方法，用于气体泄漏演变分析，支持有针对性的风险缓解和有效的事故后响应。
本文的其余部分结构如下。第2节介绍了所提出方法的建模框架。第3节提供了对该方法的案例研究以进行验证。最后，第4节分别提供了讨论和结论。
方法论
所提出的事故演变分析模型，称为GraphSAGE-DEMATEL-ISM，利用GNNs捕捉危险气体泄漏灾难发展过程中风险因素之间的相互关系和影响强度。同时，它应用DEMATEL-ISM方法来阐明泄漏灾难演变中的层次结构并确定关键风险因素。图1展示了这一集成架构框架。
首先，一个完全连接的事故演变拓扑
天然气管道泄漏和爆炸事故的案例研究
2021年6月13日，中国湖北省十堰市张湾区燕湖社区发生了一起灾难性气体爆炸事故（被称为“6.13”事故），造成26人死亡，138人受伤，直接经济损失达5395.41万元人民币（Zhang等人，2022年）。图2显示了事故现场的情况。如图所示，事故现场位于居民区。事件链始于严重的腐蚀，导致中压
结论
本研究开发并验证了一种图深度学习方法，称为GraphSAGE-DEMATEL-ISM，用于分析事故演变。该方法将图神经网络与DEMATEL和ISM相结合，以建模多维风险因素之间的复杂交互关系和传播机制。通过对一起气体泄漏爆炸的案例研究，评估了该模型的性能。主要发现总结如下：
(1)所提出的方法利用GraphSAGE进行推断
CRediT作者贡献声明
张新奇：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，调查，形式分析，数据管理，概念化。林宇杰：监督，调查，资金获取。杨书波：调查，数据管理。刘毅：撰写 – 审稿与编辑，监督，资金获取。于安峰：监督，资金获取
利益冲突声明
? 作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家自然科学基金（项目编号52206190）和SINOPEC安全工程有限公司（项目编号Y-2514）的支持。
