利用知识图谱结合领域知识和监测数据进行深基坑开挖风险识别与缓解

《Reliability Engineering & System Safety》：Deep foundation pit excavation risk identification and mitigation using knowledge graph integrated with domain knowledge and monitoring data

本研究针对深基础开挖工程中风险识别与缓解（RIM）过度依赖人工的问题，提出基于知识图谱（KG）的自动化框架。通过整合统一本体、语义数据互操作和知识抽取，实现风险自动识别与响应措施生成，验证准确率达88.37%，减少人工干预。

　　

廖龙辉|莫文婷|杨传|关立荣|文宇航|刘山

中国同济大学

摘要

风险识别与缓解（RIM）对于深基坑开挖的安全至关重要。在大多数工程实践中，RIM仍然以人工为主，主要依赖于现场物理检查和主观感官判断。尽管引入了传感器技术和数据驱动的方法，但它们仍然无法完全消除人工干预。实际上，瓶颈已经从劳动密集型的现场RIM转移到了两个阶段：首先通过分析传感器数据来应用有限的知识识别风险，然后制定应对措施。为了解决这个问题，本研究提出了一个基于知识的逻辑框架，通过风险管理知识图（RMKG）将监测数据与这两个RIM过程结合起来。具体来说，开发了一个统一的本体和语义管道，通过实现高级的数据-知识互操作性来自动化传感器数据的手动分析。为了收集领域知识实例，采用了一种基于提示的学习策略从非结构化报告中自动提取知识。最后，建立了一个由RMKG驱动的自动RIM机制，以桥接这两个阶段，从而能够基于识别的风险自动制定应对措施。通过一个实际项目验证，该框架实现了88.37%的识别准确率，并生成了32项有针对性的缓解措施，而无需人工参与。本研究将孤立的传感器数据转化为具有领域知识的可操作语义信息，并通过自动化的闭环管理增强了安全韧性。

引言

快速的城市化使得地下空间的开发利用成为一个紧迫的问题。深基坑开挖（DFPE）是地下空间开发的关键组成部分，其特点是复杂的相互连接的系统[9]，容易发生安全事故，包括不稳定和坍塌。2021年6月，中国南京发生了一起坍塌事故，由于承载能力不符合安全规定，导致两人死亡、三人受伤，经济损失超过140万美元。此外，研究表明，近年来在中国，与DFPE相关的事故占建筑事故的约20%[36]。因此，有效的风险识别与缓解（RIM）（即识别危险和潜在风险事件以及制定应对措施）已成为地下工程中的迫切需求[44,48]。

然而，在DFPE实践中，一个主要的工程问题是RIM仍然严重依赖于人工检查和现场评估。这种操作模式依赖于人员的现场 presence 和感官判断，这本质上是被动的，往往无法在风险升级为事故之前发现它们。为了现代化这一过程，现有的研究引入了传感器技术和数据驱动的方法，利用传感器收集的现场数据（例如土壤变形、结构应力）和先进的分析技术，如机器学习（ML）和深度学习（DL）来识别潜在风险（Pan等人，2024年；[51]）。尽管取得了进展，但这些方法仍面临重大限制。高质量标记训练数据的稀缺性和在不同场地上的工程泛化能力差阻碍了它们的大规模应用[46]。因此，传感器数据的风险分析仍然在很大程度上依赖于专家的专业知识和人工干预。此外，在风险缓解阶段，大多数现有研究提出了基于规则和专家系统的方法来生成风险缓解措施，这些方法需要大量的专业知识，并通过手动定义的刚性规则来实施[48]。然而，这种受限的知识也影响了它们的泛化能力。最近，由模式层和实例层组成的知识图（KG）引起了广泛关注，以促进工程领域知识的广泛应用[46]，但目前还不存在一个成熟的端到端方法来以闭环方式从风险识别到缓解。在实际场景中，通常是在识别风险或事故发生之后通过专家咨询来制定应对措施。这种对碎片化人类专业知识的依赖越来越无法满足快速预防风险演变的需求。总之，现场RIM仍然是一个以人工为主的过程，其特征是手动应用有限的知识来分析传感器数据以识别风险并制定缓解策略。

为了减少人工干预，核心挑战在于建立一个基于领域知识的逻辑框架，将监测数据与风险识别和缓解的双重过程结合起来。因此，必须解决两个基本研究问题：（1）如何系统地将领域知识与传感器监测数据结合起来，以实现自动化的、上下文感知的风险识别？（2）如何将领域知识作为逻辑桥梁，连接当前分离的风险和缓解措施，实现从检测到响应的无缝过渡？为此，本研究提出了一种表示领域知识的语义方法，以及一种语义集成知识和数据的一般方法，基于此为DFPE中的RIM提供基于KG的决策支持。具体来说，首先开发了一个统一的本体，称为OntoDFPE，以重新形式化来自风险管理和传感器监测过程的碎片化知识。随后，开发了一种异构数据互操作性的管道方法，将重新形式化的知识和存储在关系数据库（RDB）中的监测数据结合起来。然后，构建了一个包含知识实例和真实监测数据的风险管理知识图（RMKG），主要使用自然语言处理（NLP）来表示领域知识。最后，开发了一个决策支持机制，用于风险识别和缓解建议，结合了基于RMKG的本体推理和知识实例匹配。本研究的贡献包括：

•

领域本体贡献：统一的领域本体整合了风险管理和传感器监测过程，语义上形式化了DFPE中的知识孤岛；

•

数据互操作性贡献：提出了一种语义映射方法，用于集成和互操作异构数据，弥合了静态知识和动态施工监测之间的差距；

•

基于KG的RIM贡献：构建了RMKG，其中自动提取了知识实例，实现了DFPE中的集成自动风险识别和缓解建议。

部分摘录

风险识别与缓解（RIM）

在过去十年中，数据驱动的方法通过从传感器数据中学习风险模式，显著推进了DFPE中的风险识别，从传统的ML技术（包括支持向量机（SVM）、随机森林和云模型[31,50]发展到复杂的DL架构，如长短期记忆（LSTM）[6]和基于图的网络[25]。尽管这些方法在捕获传感器数据的复杂时空风险模式方面表现出色，但它们仍然存在重大局限性。

方法论

图1展示了本研究的四模块方法论：（1）OntoDFPE开发，整合了风险管理和传感器监测（OntoSen）本体，以实现DFPE知识的重新形式化和标准化；（2）RDB2Onto方法，用于异构数据的集成和重新形式化知识的整合；（3）使用基于PL的预训练语言模型（PLMs）从事故报告中进行低资源命名实体识别（NER）和关系抽取（RE）的RMKG构建；（4）语义网规则语言

文本数据收集与注释

本研究从政府网站、新闻、相关研究和安全管理网站（https://www.safehoo.com）收集了2014年至2021年中国的225份DFPE事故报告（图12）。根据RIM的目标，从这些报告中手动提取DFPE事故的过程、原因和紧急响应，得到了2,284个样本和124,577个中文标记，作为NER和RE的数据资源。

数据收集后，由两名人员手动注释了训练数据集

应用案例

应用案例集中在中国深圳市中心，涉及一个挖掘面积为10,520平方米、最大深度为23.1米的深基坑（见图21）。该站点被归类为一级（最高级别）安全项目，位于高度敏感的地铁保护区内，并受到密集的市政公用设施网络（如电力、供水和电信管道）的约束，形成了一个异常高风险的场景，需要严格的安全措施

结论

本研究提出了一种创新的基于KG的框架，将领域知识与监测数据结合起来，实现DFPE中的自动RIM，以减少人工干预。主要发现和贡献总结如下：

•

标准化知识建模：开发了一个统一的领域本体OntoDFPE，将碎片化的风险知识重新形式化为标准化的语义框架，为异构数据源之间的互操作性提供了坚实的基础。

•

多层次数据

作者声明

我们，以下签署的作者，就提交给《可靠性工程与系统安全》的手稿作出以下声明：

作者贡献

廖龙辉：概念化、资金获取、监督、撰写——原始草稿、撰写——审阅与编辑

莫文婷：调查、数据整理、形式分析、方法论、撰写——原始草稿。

杨传：概念化、方法论、撰写——原始草稿、撰写——审阅与编辑

关立荣：软件、可视化、撰写——原始草稿

文宇航：数据整理、调查、可视化

刘山：资源、验证

伦理批准

本工作不涉及人类参与者或动物实验，因此不需要伦理批准。

资金声明

本工作得到了广东省基础与应用基础研究基金会（授权号2024A1515011928和2023A1515011433）和深圳市自然科学基金（稳定支持计划项目20220810155553002）的支持。

未引用的参考文献

[11,15,43]

CRediT作者贡献声明

廖龙辉：撰写——审阅与编辑、撰写——原始草稿、监督、资金获取、概念化。莫文婷：撰写——原始草稿、方法论、调查、形式分析、数据整理。杨传：撰写——审阅与编辑、撰写——原始草稿、方法论、概念化。关立荣：撰写——原始草稿、可视化、软件。文宇航：可视化、软件、调查、数据整理。刘山：验证、资源。