基于知识图谱与大语言模型增强的推理方法，用于应对极端外部事件的过程安全管理：福岛第一核电站事故案例研究

《Journal of Loss Prevention in the Process Industries》：A KG Based and LLM-Enhanced Reasoning Method for Process Safety Management Against Extreme External Events: A Case Study of the Fukushima Daiichi Nuclear Power Plant Accident

　　

摘要

涉及复杂工艺设施的外部极端事件可能通过级联效应引发Natech事故。然而，事故前风险分析和事故驱动的应急管理可以显著减少不良后果。本研究解决了过程安全管理中的一个关键空白：一种一致的模型可同时支持事故前的风险分析和事故驱动的应急管理，包括工艺设施Natech事故背景下利益相关者的预防、准备和应急响应。利用知识图谱（KG）来促进利益相关者根据知识单元模型共享相关暴露知识。当与大型语言模型（LLM）集成时，该模型可以接收实时数据并提供动态结果。所提出的模型的有效性通过福岛第一核电站（FDNPP）事故进行了验证，这是一起典型的在外部极端事件下过程安全管理失败的严重案例。它展示了一个包含十个事件的潜在过程，这些事件通过级联效应相互关联，描述了核电站在地震期间的事故过程。它还展示了基于风险分析支持应急阶段、收集监测和预警信息以动态调整事件行动计划，以及在计划制定期间与专家进行互动咨询的优势。该模型为利益相关者在复杂工艺设施中开发协作式Natech管理框架提供了技术支持。

引言

过程工业始终具有以下特征：其系统复杂且紧密耦合，存储或处理大量危险材料（Hu et al., 2026; Wang et al., 2026）。大型工艺设施由若干组件构成，这些组件不仅通过功能关系相互连接，而且在灾害中还面临多样化的脆弱性（Castro Rodriguez et al., 2025）。当工艺设施受到极端自然灾害的影响时，自然系统与技术系统之间的相互作用可能触发Natech事故（自然灾害引发的技术事故）（Jiang et al., 2026），造成严重后果。这导致以极端自然灾害为起点、通过级联效应触发一系列不良事件的严重Natech事故。整体风险分析和高效的应急管理是应对此类Natech事故的两大关键点。但在工艺设施的有效过程安全管理方面仍存在巨大差距，例如2011年福岛第一核电站事故（Dobashi, 2014）。

针对高风险工艺设施的Natech风险分析已取得一些重要的方法论进展，以应对Natech的不确定性、多组件耦合和动态级联失效特征。传统定量风险评估（QRA）方法（Li et al., 2026），如静态概率风险分析（PRA）（Johnson et al., 2021）、故障树分析（FTA）和事件树分析（ETA）（Kabir, 2017），建立在固定的逻辑框架之上，无法在不断演变的极端情景下动态更新风险概率，且难以支持应急管理过程。为克服这些局限性，贝叶斯网络（BN）因其不确定性量化和多层次推理能力而被提出（Hu et al., 2024; Wu et al., 2021）。对于复杂工艺设施的风险分析，贝叶斯网络可以表征功能依赖关系和失效相关性，整合统计数据和实时监测信息，并在事故演变过程中动态修订事件概率（Parviainen et al., 2021; Wang et al., 2025; Zhu et al., 2026）。它还可以支持风险处置策略（Zhang et al., 2022）。因此，贝叶斯网络已被广泛应用于工艺设施的风险分析中。多智能体系统（MAS）被用于模拟多单元工艺设施的交互式功能行为，从而能够直接分析自然灾害下的跨设备级联传播（Hussain et al., 2022）。将机器学习方法与传统方法相结合可以有效弥补Natech事故样本稀缺的问题，实现数据-专家混合以解决低概率、高后果风险问题。新兴的大型语言模型（LLM）与检索增强生成（RAG）相结合，在过程安全风险分析方法上实现了创新（Hu et al., 2026）。此外，领域自适应LLM可以自动从无结构文档中提取失效因果关系、暴露脆弱性和失效传播，从而实现智能风险识别（Yang et al., 2025）。基于LLM的专家决策系统可以标准化零散的专业经验，消除主观偏差，并支持复杂过程系统的自动根因分析和风险评估（Wu et al., 2026）。尽管取得了这些进展，但目前大多数风险研究仍然缺乏标准化的风险知识单元和集成知识体系构建。缺乏全面的、可共享的组件级风险知识库导致风险知识不完整，且无法支持整体工艺设施Natech风险分析。

与风险分析研究并行的是，针对复杂工艺设施的智能Natech应急管理的研究也已被提出，聚焦于极端自然灾害下的动态响应优化和自适应决策。Natech事故通常会同时对工艺设施和基础设施造成破坏，导致停电、通信和交通中断（Türkcan et al., 2026）。这使得现场应急设备失效并延误救援行动。静态的事件行动计划无法适应事故升级，且由于响应措施不适用，往往加剧后果。多智能体系统（MAS）模型将复杂的应急任务分解为协作的智能体单元，实现有限应急资源的最优分配（Dang et al., 2025）。此外，LLM与专家辅助决策系统的集成促进了过程工业应急管理的智能化。由LLM驱动的专家聚合系统可以整合多领域专业经验，提供实时应急策略，应对极端灾害期间现场专家短缺的问题（Pang et al., 2024）。然而，现有的应急管理研究存在明显的研究空白。大多数研究将应急响应视为独立的事故后阶段，未能将其与事故前预防、准备和实时风险监测相结合。风险与应急管理之间的这种脱节阻碍了复杂工艺设施闭环安全管理的形成。

根据综述，在AI驱动的Natech风险分析和极端Natech危害下工业过程设施的综合应急管理方面，仍有两个关键的研究空白尚未解决。首先，应建立风险知识单元框架和系统化的知识图谱模型，以支持知识共享和工艺设施风险的标准化表示。缺乏统一的领域本体导致了过程安全研究中的严重知识孤岛。即使是最先进的基于LLM的风险分析和专家决策系统也依赖于碎片化的知识资源。这一缺陷导致不完整的和不准确的全系统风险分析。其次，现有研究缺乏一个将动态风险分析与事故驱动应急管理相结合的集成框架。当前的风险评估和应急响应系统彼此孤立运行。与现有的基于贝叶斯网络、知识图谱和LLM的方法相比，关键差距不仅限于风险计算和信息处理。贝叶斯网络主要支持概率依赖关系建模和不确定性更新，知识图谱提供结构化知识表示，而LLM促进非结构化信息的解释。然而，这些能力通常被单独应用。仍然需要一个统一的机制来标准化组件级风险知识、表征级联关系、纳入动态观测，并在同一框架内支持预防、准备和响应。

为解决这些研究空白，本研究以FDNPP事故作为典型的Natech案例，提出了知识单元框架并建立了标准化的工艺设施风险知识图谱模型。随后，建立了融合知识图谱技术和LLM专家辅助决策模型的闭环安全管理框架。该模型在支持动态风险分析和事故驱动应急管理方面的应用得到了说明。本研究弥补了知识标准化方面的不足，并为高风险工艺设施在极端自然灾害下的安全管理提供了新方法。

章节摘要

知识图谱与LLM增强的过程安全管理方法概述

图1展示了本研究提出的方法概述。本研究包括三个部分。

第一部分——特定事故潜在过程的知识单元框架。提出知识单元框架作为支持事故前风险分析和事故驱动应急管理的基础。

第二部分——基于级联效应的特定Natech事故的知识图谱模型。基于知识单元框架，可以使用知识单元建立知识图谱模型。

FDNPP事故概述

根据国际原子能机构（IAEA）提供的《福岛第一核电站事故》报告，FDNPP事故涉及六个机组，其事故过程各不相同（国际原子能机构, 2015）。为了展示基于知识图谱和LLM增强的推理方法在复杂事故中的适用性，可以将6个机组的事故过程整合为一个综合的事故过程。重点关注核电站，并考虑爆炸和……

风险分析以获得关键结果

首先，应用基于知识图谱和LLM增强的推理模型进行风险分析，以获得包括最严重后果路径图、关键节点和危害等级、以及相应的触发条件和安全阈值在内的结果。这些结果可用于支持应急管理。

结论

气候变化加剧了核电站等复杂工艺设施相关风险的复杂性和严重性。本文开发了一种针对外部极端事件的过程安全管理中基于知识图谱和LLM增强的推理方法，并以FDNPP事故作为案例研究验证了所提方法的有效性。

该方法的一个突出特征是：一种一致的模型同时支持风险分析和事故驱动应急管理。

CRediT作者贡献声明

胡金明：写作—审阅与编辑，写作—初稿，可视化，方法论。张超：写作—初稿，资源，方法论，调查，资金获取。王万：写作—审阅与编辑。胡晓峰：写作—审阅与编辑，调查。秦听心：写作—审阅与编辑，方法论，调查。

未引用参考文献

Hu et al., 2026; Index for Risk Management, 2026。

利益冲突声明

作者声明不存在任何已知的竞争财务利益或个人关系可能影响本文所报告的工作。

生成式AI和AI辅助技术声明

在准备本文的过程中，作者使用Paperpal来润色和完善语言。使用该工具后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。

利益冲突声明

? 作者声明不存在任何已知的竞争财务利益或个人关系可能影响本文所报告的工作。

致谢

本工作得到国家自然科学基金（批准号：72274181）的支持。

张超 | 胡金明 | 秦听心 | 胡晓峰 | 王万

中国标准化研究院 公共安全标准化研究所，北京 100191，中国