《Journal of Pipeline Science and Engineering》：Intelligent Decision Support for Safety Risk Management of Urban Gas Pipeline Network Leakage by Integrating Large Language Models and Knowledge Graph Technologies
编辑推荐：
摘要：为了解决城市燃气管网泄漏事故（UGPNLAs）风险防控中的系统性挑战，研究人员对209份事故调查报告进行了系统分析。识别出九类核心实体，包括灾害类型、风险因素、事故地点和泄漏位置，以及九类实体关系，如“风险因素-风险因素”、“风险因素-灾害类型”和“灾害
摘要：为了解决城市燃气管网泄漏事故（UGPNLAs）风险防控中的系统性挑战，研究人员对209份事故调查报告进行了系统分析。识别出九类核心实体，包括灾害类型、风险因素、事故地点和泄漏位置，以及九类实体关系，如“风险因素-风险因素”、“风险因素-灾害类型”和“灾害类型-泄漏位置”。通过将STAMP（系统理论事故模型与过程）与关联规则挖掘相结合，研究人员识别了UGPNLAs中的风险因素及其相互作用关系。在此基础上，构建了UGPNLAs的多维知识图谱（KG），以深入表征事故因果链和演化模式。此外，开发了一个基于“知识图谱检索-Cypher查询-证据增强生成”的知识图谱-大语言模型（LLM）智能辅助决策系统，以支持精确的事故知识检索和风险防控决策。结果表明，该研究不仅揭示了风险因素之间的耦合机制，还基于复杂网络理论识别了17个关键风险因素（例如，安全监管指导不足、工人违规操作、设备老化）。此外，与通用LLM相比，知识图谱增强方法为风险识别、事故追溯和风险防控决策提供了更具证据性、可靠性和可解释性的支持。总体而言，该研究为城市燃气管网风险的系统认知和智能管理提供了创新的理论框架和技术范式，在提高城市生命线基础设施的可靠性和安全韧性方面具有显著的工程价值。
论文解读：
**研究背景与问题**
天然气作为全球关键能源，消费持续增长，管道运输是主要输送方式。然而，城市燃气管网泄漏事故（UGPNLAs）频发，如2020年湖北十堰事故（26死138伤）和河南濮阳事故（15死56伤），凸显了系统化风险防控的紧迫性。现有研究侧重可靠性评估、泄漏检测和风险分析，但多基于单一方法（如德尔菲法、文本挖掘、故障树分析），存在主观性强、知识覆盖不足等局限。事故调查报告蕴含权威、完整的信息，是提取知识的关键来源。然而，缺乏对事故中多维实体（如灾害类型、泄漏位置）及其复杂关系的系统性建模，且大语言模型（LLM）在专业领域缺乏领域知识和可解释性。因此，本研究旨在通过集成知识图谱（KG）和LLM，构建智能决策支持系统，揭示风险因素耦合机制，提升城市燃气管网安全管理的智能化水平。论文发表在《Journal of Pipeline Science and Engineering》。
**主要技术方法**
研究人员采用以下关键技术方法（样本来源：中国2010-2024年209份官方事故调查报告及书籍）：（1）STAMP（系统理论事故模型与过程）模型，构建UGPNLAs安全控制结构，系统识别风险因素；（2）关联规则挖掘（FP-Growth算法），提取风险因素间的强关联规则（置信度、提升度）；（3）知识图谱（KG）技术，基于Neo4j图数据库存储九类实体和九类关系，构建多维知识图谱；（4）复杂网络理论，计算度中心性、介数中心性、聚类系数，识别关键风险因素；（5）大语言模型（LLM）增强，通过“知识图谱检索-Cypher查询-证据增强生成”框架，实现智能辅助决策。
**研究结果**
**3. Construction of Knowledge Graph for UGPNLAs**
通过收集并分析209份事故报告，识别出九类核心实体（灾害类型、风险因素、事故类型、事故等级、事故地点、发生频率、事故后果、事故时间、泄漏位置）和九类实体关系（如“风险因素-风险因素”、“风险因素-灾害类型”等）。基于STAMP模型识别出39个风险因素，分为政府（5个）、人员（9个）、设备（9个）、环境（6个）和管理（10个）五类。通过关联规则挖掘（最小支持度0.08，最小置信度0.45），获得208条强关联规则，揭示了风险因素间的条件共现模式。利用Neo4j图数据库构建的知识图谱包含65个节点和384条边，可可视化展示事故演化路径，如“设备老化”与“管道本体泄漏”等关联。
**3.4 Intelligent Auxiliary Decision-Making System for UGPNLAs**
开发了基于“知识图谱检索-Cypher查询-证据增强生成”的智能辅助决策系统。系统采用双模式响应策略：知识图谱优先（结构化查询）和LLM增强（超出知识范围时调用LLM）。通过50个测试问题验证，系统在图内事实查询任务中准确率达0.8800，多跳路径推理任务准确率0.8667，开放式风险防控推荐任务的专家相关性评分4.33/5.00，表明系统在结构化知识检索和智能问答方面均表现良好。
**4. Analysis of Risk Factors for UGPNLAs**
**4.1 Coupling Evolution of Risk Factors**
基于风险因素知识图谱（39节点、208边），通过Cypher查询可快速揭示风险因素的耦合关系。例如，针对“工人违规操作（H1）”，发现其与23个风险因素存在耦合交互，形成115条连接边，包括前向演化路径（如设备设计问题、设备老化）和后向演化路径（如政府监管不足、管理缺陷）。
**4.2 Identification of Key Risk Factors**
利用复杂网络理论计算度中心性、介数中心性和聚类系数。入度中心性最高的风险因素包括H1、P2、P3、P4、P8（易受其他因素影响）；出度中心性最高的为G2、G1、M8、M9、H3（易影响其他因素）；介数中心性最高的为H1、H3、H5、M3、H8（桥梁作用强）；聚类系数最高的为M10、G5、M7、M5、H2（聚类效应强）。综合识别出17个关键风险因素：G1、G2、H1、H2、H3、H5、H8、P2、P3、P4、P8、M3、M5、M7、M8、M9、M10。
**讨论与结论**
讨论部分指出，本研究实现了从“经验驱动”到“知识驱动”的范式转变，具有理论意义（扩展事故知识模型、揭示风险耦合机制、验证大模型与领域知识融合可行性）和实践意义（提升应急响应效率、优化风险管控、促进安全标准化）。同时承认局限性：数据集仅来自中国，知识图谱基于静态文本报告，缺乏多模态数据，系统自主推理能力有限。研究结论部分翻译如下：本研究集成了知识图谱技术、STAMP模型、图论和LLM，构建了UGPNLAs的知识图谱和智能辅助决策系统，探究了风险因素耦合效应并识别了关键风险因素。主要结论：（1）基于209份事故报告，识别出九类实体（灾害类型、风险因素、事故类型、事故等级、事故地点、发生频率、事故后果、事故时间、泄漏位置）和九类实体关系（如风险因素-风险因素、风险因素-灾害类型等），并构建了知识图谱。（2）运用STAMP模型构建安全控制结构，识别出39个风险因素（政府5个、人员9个、设备9个、环境6个、管理10个），通过关联规则挖掘获得208条强关联规则。（3）基于图论选择度中心性、介数中心性和聚类系数，识别出17个关键风险因素（G1、G2、H1、H2、H3、H5、H8、P2、P3、P4、P8、M3、M5、M7、M8、M9、M10）。（4）通过集成知识图谱与LLM，构建了UGPNLAs智能辅助决策系统，提升了应急响应效率，降低了事故风险和损失，促进了知识共享。本研究为城市燃气管网安全管理提供了全新的知识驱动范式。
