CN116579631A - 一种隧道施工地质灾害防控智能分析方法及系统 - Google Patents
一种隧道施工地质灾害防控智能分析方法及系统 Download PDFInfo
- Publication number
- CN116579631A CN116579631A CN202310843463.3A CN202310843463A CN116579631A CN 116579631 A CN116579631 A CN 116579631A CN 202310843463 A CN202310843463 A CN 202310843463A CN 116579631 A CN116579631 A CN 116579631A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- control
- prevention
- tunnel construction
- disaster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 108
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 230000002265 prevention Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 43
- 238000002372 labelling Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 claims 1
- 239000013589 supplement Substances 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 230000001808 coupling effect Effects 0.000 abstract description 2
- 239000011435 rock Substances 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000013461 design Methods 0.000 description 6
- 238000012015 optical character recognition Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000005422 blasting Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 235000008708 Morus alba Nutrition 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种隧道施工地质灾害防控智能分析方法及系统,属于监督或预测目的的数据处理系统或方法。在复杂地质条件下,隧道施工地质灾害受到多种灾害源的耦合作用,灾变演化机制极其复杂,灾害防控与灾害所处的地质环境及灾害特征密切相关,基于人工经验或现有标准规范选择防控措施具有较大的不确定性与盲目性。本发明提出分析方法,充分调研总结既有的专家知识与大量灾害防控案例,构建灾害防控知识体系与术语词典,建立灾害特征与防控对策之间的关联图谱,通过可视化图分析技术挖掘防控对策与隧道施工地质灾害之间潜在的关联关系,提高防控决策的及时性与有效性。
Description
技术领域
本发明涉及隧道施工地质灾害防控领域,尤其涉及一种隧道施工地质灾害防控智能分析方法与系统。
背景技术
隧道施工地质灾害的发生会引起机械设施破坏、作业人员伤亡,严重影响工程进度,造成建设成本的增加。为了降低施工地质灾害的影响,必须进行有效的灾害预测与防控。
在工程应用中,《铁路隧道设计规范》(TB 10003-2016)、《高速铁路隧道工程施工技术规程》(Q/CR 9406-2015)及《铁路隧道工程施工安全技术规程》(TB 10304-2020)对特殊岩土和不良地质隧道的施工措施进行了规范,为单一类型不良地质高风险区的施工提供指导。学者和技术专家基于大量的工程案例,对隧道内发生突水突泥、塌方等灾害的成因分析、风险评估与防控措施开展了大量的研究,形成了一些重要的认识。
但是,在复杂地质条件下,隧道施工地质灾害受到多种灾害源的耦合作用,灾变演化机制极其复杂,防控对策相关的原则、措施、时机、材料、装备、工序等要素与灾害发生的工程地质、水文地质条件以及灾害类型、位置、规模、形态、性质等特征密切相关,基于既往经验或标准规范选择防控措施具有较大的不确定性与盲目性。
发明内容
本发明所要解决的技术问题是提供一种隧道施工地质灾害防控智能分析方法,构建隧道施工地质灾害防控对策领域知识图谱,建立灾害特征与防灾对策之间的关联图谱,并通过软件系统实现关联关系的维护与可视化展示。
为解决上述问题,本发明所采取的技术方案是:
一种隧道施工地质灾害防控智能分析方法,其关键技术在于,所述方法包括:
构建隧道施工地质灾害防控领域知识图谱模型,将灾害防控相关的知识进行结构化表征;
灾害防控关联分析,基于构建的知识图谱模型通过可视化图分析技术挖掘防控对策与隧道施工地质灾害 之间潜在的关联关系,基于所述关联关系进行防控分析。
进一步的,所述知识图谱模型的构建方法包括:
样本数据收集:收集既往工程实践中总结形成的相关案例或经验认识,用于提供工程实践中应对各种灾害的防控对策;
数据预处理:对样本数据进行必要的预处理,包括OCR识别、清洗、规范化操作;
知识库构建:围绕隧道概况、工程地质、水文地质、施工条件、灾害信息、监测预警、防控对策大类概念对知识进行分类、归纳,梳理知识单元,总结形成规范化的专业术语词典;
知识建模与表示:分析隧道施工地质灾害防控智能分析业务需求,建立防控对策与灾害特征之间的联系,开展本体模型构建,定义相关实体、关系和属性,形成知识图谱的基本框架;
知识标注与抽取:对样本数据开展知识标注与抽取,获取隧道施工地质灾害防控相关的知识要素;
知识融合:通过实体链接操作将多个不同表述的实体统一为一个标准的实体对象,通过知识合并的操作将多个知识实体合并,构建统一的灾害防控知识库;
知识库补充与本体模型更新:随着案例数据的积累和知识标注的深入,防控对策知识库灾害防控知识库不断丰富,结合灾害防控知识库更新与完善本体模型,使其更充分地表示灾害防控相关的实体、关系及属性;
知识图谱模型建立:通过数据映射、实体匹配,将知识标注与抽取获得的结果解析到构建好的本体模型中,应用数据挖掘和机器学习算法提取隧道施工地质灾害的特征与规律,形成隧道施工地质灾害防控领域知识图谱模型。
进一步的,还包括:
知识图谱模型更新:随着大量隧道工程实施过程中施工地质灾害防控相关的数据样本的不断积累,开展增量学习,对知识图谱模型进行优化和迭代。
进一步的,在对文本资料进行知识标注和抽取后,将具体的知识实例赋于赋予定义好的实体类型或关系类型,实现知识的结构化表征。
进一步的,所述防控对策灾害防控关联分析:
将防控对策灾害防控相关原则、措施、时机、材料、装备、工序等知识要素与灾害地质背景、类型、位置、规模、形态、性质等基本特征之间的关系通过可视化图表的方式直观地展现出来,计算距离相似度衡量不同防控措施防控对策与灾害特征之间的关联程度,并通过多级展开挖掘实体之间的内在关联;
其具体方法包括:
(1)图谱K层展开:对某一个实体实例,设定查询深度,选定查询范围,将相关的实体要素以图谱的方式展开;
(2)路径检索:包括最短路径或所有路径两种方法,选定2个实体分别作为起点与终点,基于构建好的知识图谱模型查找能够将2个实体建立起联系的关联路径;
(3)环路查找:基于知识图谱模型图谱查找环路,所述环路是指长度大于等于3沿着方向首尾相接形成的子图,子图中的任意两个节点都是存在相互可达的通路;
(4)社群发现:基于Louvain算法衡量不同实体属于同一个社群的紧密程度,将紧密关联的实体包含在同一个社群内。
进一步的,所述样本数据包括案例文章、案例汇编、工程报告、综述文章、标准规范,数据格式上表现为文本文件。
进一步的,所述知识标注与抽取,采用人工标注与自然语言处理两种方式开展,依托文本标注工具,标注实体、关系、属性,并以规范化的格式输出;所述自然语言处理应用ERNIE与UIE模型训练知识抽取自然语言模型,实现批量化和自动化的知识抽取。
进一步的,所述距离相似度的计算方法为:
假设x和y分别表示两个实体的向量表示,则它们之间的余弦相似度为:
cos_sim(x, y) =<x, y>/ (||x|| * ||y||)
其中“<x, y>”表示x和y的内积,“||x||”表示x的模长(即欧氏距离),“||y||”表示y的模长(即欧氏距离),该值范围为[-1, 1],越接近1表示两个向量之间的关系越相似,越接近-1表示它们之间的关系越相反或对立,0表示它们之间没有关系。
进一步的,所述知识库补充与本体模型更新方法包括:
基于已构建的本体模型对实体、关系和属性的定义,对新增的案例资料开展数据预处理与知识标注及抽取,得到新的实体、关系、属性实例,并进行存储;更新本体模型之后,将标注抽取到的知识实例映射到本体模型,得到更新后的知识图谱模型。
本发明还提供一种隧道施工地质灾害防控智能分析系统,包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如前所述的隧道施工地质灾害防控智能分析方法。
采用上述技术方案所产生的有益效果在于:
本发明提出一种基于知识图谱技术的隧道施工地质灾害防控智能分析方法,充分调研总结既有的专家知识与大量隧道施工地质灾害的防控对策案例,构建灾害防控知识体系与术语词典,建立灾害特征与防灾对策之间的关联图谱,通过可视化图分析技术挖掘防控对策与隧道施工地质灾害之间潜在的关联关系,提高采取防控对策的及时性与有效性。
附图说明
图1是基于知识图谱的隧道施工地质灾害防控智能分析方法的技术路线图。
图2是隧道施工地质灾害防控知识图谱本体模型设计实例。
图3是一个图谱展开的实例。
图4是本体模型更新的技术流程图。
图5是术语词典示例。
图6是自然语言模型训练步骤图。
图7是知识抽取中实体抽取的实例图。
图8是知识抽取中关系抽取的实例图。
图9是基于SBERT模型和Faiss库实现实体链接/关系对齐全过程的流程图。
图10是图9中应用过程的具体展示。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合具体实施例对发明进行清楚、完整的描述。
如图1所示,为一种隧道施工地质灾害防控智能分析方法的技术路线图。具体而言,所述方法包括:
样本数据收集:收集既往工程实践中总结形成的相关案例或经验认识,用于提供工程实践中应对各种隧道施工地质灾害的防控对策;这些数据能够提供工程实践中应对各种隧道施工地质灾害的防控对策,是智能分析的前提。所述样本数据包括案例文章、案例汇编、工程报告、综述文章、标准规范,数据格式上表现为文本文件。其中案例文章、案例汇编、工程报告主要提供对特定隧道工程具体灾害的防控对策;综述文章和标准规范是专家学者根据以往多个工程实践中防控隧道施工地质灾害所采取措施(防控对策)的知识提炼,更具通用指导意义。
数据预处理:对样本数据进行必要的预处理,包括OCR识别、清洗、规范化等操作;具体来讲,收集到的部分案例数据为图像或者扫描版本PDF文件,需要利用OCR识别技术将其转化为可编辑的文本文件;针对案例文本中存在的大量与灾害防控业务无关的信息,需要清洗去除;对文本中存在的多余空格、换行符、OCR识别的一些无效格式或信息,进行规范化处理。通过数据预处理,确保案例数据的质量和一致性,便于后续的知识抽取与利用。
知识库构建:知识库的构建是隧道施工地质灾害防控对策智能分析的基础,需充分利用前人总结的专家知识,并通过大量的文献调研与分析总结,围绕隧道概况、工程地质、水文地质、施工条件、灾害信息、监测预警、防控对策大类概念对知识进行分类、归纳,梳理知识单元,总结形成规范化的专业术语词典。如图5所示的术语词典示例,其中只列出了隧道特征相关的一部分术语。
知识建模与表示:分析隧道施工地质灾害防控智能分析业务需求,目标是建立灾害防控相关原则、措施、时机、材料、装备、工序等知识要素与灾害地质背景、类型、位置、规模、形态、性质等基本特征之间的联系,如图2所示。根据灾害防控业务需求,开展本体模型构建,定义相关实体、关系和属性,形成知识图谱的基本框架。
知识标注与抽取:对样本数据开展知识标注与抽取,获取隧道施工地质灾害防控对策相关的知识要素;采用人工标注与自然语言处理两种方式开展,依托文本标注工具,标注实体、关系、属性,并以规范化的格式输出;原始案例资料文本是非结构化的,根据本体模型设计阶段定义的实体与关系,通过对文本资料进行知识标注和抽取后,将具体的知识实例赋予定义好的实体类型或关系类型,实现知识的结构化表征。其中自然语言采用BIO标注法进行处理,即对每个实体使用“B”(beginning)表示该实体的起始位置,“I”(inner)表示该实体的内部部分,“O”(outside)表示非实体的部分。知识抽取是基于知识语料样本,训练知识抽取自然语言模型,实现批量化和自动化的隧道施工地质灾害防控知识抽取,同时知识抽取的结果用于补充与完善初步的知识体系;考虑到语料样本可能不完备,知识抽取模型精度可能不够高,在前期智能化抽取的过程中,辅以人工校验,不断修正完善知识抽取自然语言模型。所述自然语言模型的训练过程如图6所示,具体包括:基于知识语料样本,随机分割训练、验证和测试样本,然后首先采用ERNIE3.0预训练模型针对隧道施工地质灾害防控任务需求进行微调,然后基于UIE模型(Universal Information Extraction),应用LSTM网络开展模型训练,从非结构化文本中提取实体和关系结构化信息,基于准确率、召回率和F1值指标评估和优化模型,得到知识抽取自然语言模型;UIE模型框架使用Promt方式实现实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模,结合ERNIE 3.0知识增强预训练模型,在中文语料上可以获得最佳性能表现。根据抽取的内容类型,本发明知识抽取模型分为实体识别和关系抽取。如图7和图8所示,是知识抽取实例,其中图7为实体抽取,图8为关系抽取;模型结构输入Prompt提示语和Content文本内容,经过Encoder语义编码层,最后预测文本内容每个字符的标签,其中B-C,I-C标识路段这个实体抽取的结果为“大理瑞丽铁路大保段”。模型输入Promt和Content,经过语义编码层,输出层输出提示关系的头实体和尾实体的字符位置标识(ST-ET,EN-ET)及关系标识(SH-OHHS)。通过后处理,就可以将头实体和尾实体提出出来,达到关系抽取的目的。
知识融合:不可避免地,来源于不同案例的同一个实体有多种表述,例如“突水突泥”也表述为“突水涌泥”、“涌水涌泥”、“涌水突泥”等,需要通过实体链接操作将多个不同表述的实体统一为一个标准的实体对象。另外,同一类隧道施工地质灾害表现为不同的形式,例如“高温热害”表现为“高岩热”或“高水温”,二者各自有不同的成因、特征等,通常需要通过知识合并的操作将多个知识实体合并,构建统一的灾害防控知识库。所述知识融合的过程具体包括如下步骤:首先基于聚类算法将知识实体归类,然后基于SBERT与FAISS计算抽取实体与标准实体的语义相似度,根据语义相似度的大小表述为对应的标准实体。具体的聚类算法可以是K-Means或DBSCAN;如图9,是基于SBERT模型和Faiss库实现实体链接/关系对齐全过程的流程图,实体链接的离线部分采用计算文本对相似度的双塔模型SBERT,模型输入为文本对,输出为文本对的语义相似度,相似度得分0-1之间,再利用Faiss将向量和向量检索库作相似度计算,得到与其相似的标准实体索引,取最相似的标准实体作为实体链接的结果;如图10,是图9中应用过程的具体展示。
SBERT(Sentence-BERT)是一种基于BERT(Bidirectional EncoderRepresentations from Transformers)的模型,用于计算句子级别的语义表示。
本发明SBERT模型主要包括以下几个步骤:
1. 输入处理:将一对句子作为输入,使用预训练的BERT模型对每个句子进行编码。
2. 编码融合:通过对两个句子的编码进行融合,生成一个综合的句子表示。
3. 对齐汇聚:为了确保两个句子在语义空间中有一致的表示,采用自注意力机制(self-attention)来对齐两个句子中的关键信息,并将其融合到最终的汇聚表示中。
4. 映射和归一化:对生成的句子级别表示进行映射和归一化操作,得到固定长度的语义向量表示。
Faiss(Facebook AI Similarity Search)是一个开源的相似性搜索库,专门用于高效地进行向量检索,基于C++实现。
图9中,离线指的是模型训练的阶段,线上指的是模型应用的阶段,虚线方框内的SBERT模型会用到模型训练和应用两个阶段。具体过程为(1)本业务领域涉及的所有“实体、关系句子对”应用SBERT模型开展“向量表征推理”,存储到“Faiss向量检索库”;(2)然后从右到左实现对特定“实体/关系”应用SBERT模型进行“向量表征”,然后基于“Faiss向量检索库”进行向量检索,同时计算语义相似度,衡量输入的实体/关系与库内标准实体之间的语义相似度。
知识库补充与本体模型更新:随着案例数据的积累和知识标注的深入,灾害防控知识库不断丰富,结合防控知识库更新与完善本体模型,使其更充分地表示灾害防控相关的实体、关系及属性。
知识图谱模型建立:通过数据映射、实体匹配,将知识标注与抽取获得的结果解析到构建好的本体模型中,应用数据挖掘和机器学习算法提取隧道施工地质灾害的特征与规律,形成隧道施工地质灾害防控领域知识图谱模型。
灾害防控关联分析:将灾害防控相关原则、措施、时机、材料、装备、工序等知识要素与灾害地质背景、类型、位置、规模、形态、性质等基本特征之间的关系通过可视化图表的方式直观地展现出来,计算距离相似度衡量不同防控措施与灾害特征之间的关联程度,并通过多级展开挖掘实体之间的内在关联。
内在关联指多个因素相互影响,具有多层级关系:关于防控对策与灾害特征,关联是什么样的灾害类型、位置、规模、形态、性质、演化阶段等灾害发育情况下应该采用什么样的防控措施、实际、材料、装备、工序;关于地质条件与灾害特征,关联是什么样的地质构造、地层岩性、围岩性质、赋水类型、通道、能力等不同因素组合下灾害特征的表现。按照本发明的技术方案,基于案例数据构建知识图谱模型,图谱中蕴含了不同实体要素之间的关系,通过不同的图分析手段实现。
在知识图谱中,使用表示实体和属性的向量来描述它们之间的关系。对于两个知识向量之间的关系,通过距离相似度计算方法来衡量它们的相似程度或相关性。例如,使用余弦相似度来衡量两个实体向量之间的相似度。具体地,假设x和y分别表示两个实体的向量表示,则它们之间的余弦相似度为:
cos_sim(x, y) =<x, y>/ (||x|| * ||y||)
其中“<x, y>”表示x和y的内积,“||x||”表示x的模长(即欧氏距离),“||y||”表示y的模长(即欧氏距离)。该值范围为[-1, 1],越接近1表示两个向量之间的关系越相似,越接近-1表示它们之间的关系越相反或对立,0表示它们之间没有关系。
所述灾害防控关联分析方法包括:
(1)图谱K层展开:对某一个实体实例(例如某一个具体隧道或某一种类型灾害),设定查询深度(关联的层级),选定查询范围(哪些实体及关系类型),将相关的实体要素以图谱的方式展开。
(2)路径检索:包括最短路径或所有路径两种方法,选定2个实体分别作为起点与终点,基于构建好的知识图谱查找能够将2个实体建立起联系的关联路径。
(3)环路查找:基于图谱查找环路,此处环路是指长度大于等于3沿着方向(如果是有向图)首尾相接形成的子图,子图中的任意两个节点都是存在相互可达的通路。
(4)社群发现:基于Louvain算法(一种基于多层次(逐轮启发式迭代)优化模块度(Modularity)的算法)衡量不同实体属于同一个社群的紧密程度,将紧密关联的实体包含在同一个社群内
知识图谱模型更新:随着大量隧道工程实施过程中施工地质灾害防控相关的数据样本的不断积累,为了提高智能分析的准确性,开展增量学习,对系统进行优化和迭代,不断更新完善隧道施工地质灾害防控智能分析领域知识图谱模型,提升系统的性能和可靠性。
所述知识库补充与本体模型更新方法包括:基于已构建的本体模型对实体、关系和属性的定义,对新增的案例资料开展数据预处理与知识标注及抽取,得到新的实体、关系、属性实例,并进行存储;更新本体模型之后,将标注抽取到的知识实例映射到本体模型,得到更新后的知识图谱模型。
本体模型定义了知识图谱涉及的实体、关系和属性。对于隧道施工地质灾害防控业务领域,专业知识表示的广度窄,但是深度更深、粒度更细,本体模型的设计要求丰富的经验知识和广泛的调研分析。
具体而言,在实施过程中,难以保证一次建立的本体模型是完美的,因此需要在应用实践中逐步优化完善。本体模型更新的技术流程如图4所示,基于已构建的本体模型对实体、关系和属性的定义,对新增的案例资料开展数据预处理与知识标注及抽取,得到新的实体、关系、属性实例,存储到数据库中。
对于新增案例资料中存在的一些未在本体模型中定义或需要整合、删改的实体、关系或属性,需要在评估必要性的基础上对本体模型进行更新。例如,原本体模型定义的“施工方法”实体同时标注了“钻爆法”和“台阶法”两个实例,造成了一些概念层级上的混乱,实际上“台阶法”是“钻爆法”施工过程中隧道开挖的一种方法,开挖方法是施工方法中的一个方面,为此新增了“开挖方法”实体,在知识标注抽取的过程中进行区分;原本体模型同时定义了地层岩性与围岩类型两个工程地质属性,二者均表示隧道围岩的岩性,需要整合到一起。
本体模型更新会根据原本体模型存在的一些不足针对性地进行完善,具体的措施包括对实体、属性、关系的新增、合并、删减等。更新本体模型之后,将标注抽取到的知识实例映射到本体模型,得到更新后的知识图谱模型。
本发明充分考虑了隧道施工地质灾害发生所处的地质环境、灾变成因、表现形式以及对防控对策选择的影响,充分利用前人总结的专家知识,并通过对大量案例数据的调研分析,围绕隧道概况、工程地质、水文地质、灾害信息、防控对策等知识单元建立了隧道施工地质灾害防控知识体系,规范了各知识单元所涉及的知识要素、层级结构及术语表述,总结形成了规范化的专业术语词典。
针对隧道施工地质灾害防控业务场景,本发明围绕隧道概况、工程地质、水文地质、施工条件、灾害信息、监测预警、防控对策7个知识单元,对涉及的知识要素归纳整合,明确知识单元及要素之间的关系,实现灾害防控总体知识框架的梳理。
具体而言:
(1)隧道概况是灾害防控的依托对象,需要掌握隧道名称、所属线路、起止里程、参建单位等基本信息。另外,隧道的长度、埋深、跨度实体要素是选择隧道施工技术的重要依据,与发生隧道施工地质灾害的可能性密切相关,且会影响防控措施的选择。例如,隧道跨度越大,工作面开挖面积越大,施工难度越大,发生施工地质灾害的可能性也越大;隧道埋深越大,通常隧道围岩地应力越高、地温越高、水压力越大,发生隧道施工地质灾害的可能性越大;隧道长度越长,施工的安全问题越复杂,为有效防控隧道施工地质灾害的发生,需要有针对性地采取适当的工程措施。
(2)工程地质提供隧道建造的地质环境,包含地形地貌、地质构造、地层岩性、围岩性质等重要知识要素,其中地质构造包括褶皱、断层、破碎带、岩溶、层理等类型,影响隧道围岩的稳定性、地下水的赋存状态与流通性质;不同地层岩性具有不同的硬度,例如未风化的岩浆岩一般为极硬岩,强风化的各类岩石一般为软岩,岩石的硬度一定程度影响了围岩的级别,围岩级别是隧道设计与施工的关键指标之一,影响隧道的开挖方式、支护参数等。
(3)水文地质提供隧道建造的水文环境,在工程地质的基础上体现地下水赋水类型、赋水状态、空间分布、补给来源、水质等化学特征、出水状态、涌水量等特征,决定了突水突泥等灾害发生的可能性与状态。
(4)施工条件包含隧道施工过程所涉及的施工方法、开挖方法、爆破参数、支护方法、防排水措施、通风条件等,是影响施工质量的重要因素,与灾害的发生及防控密切相关。
(5)灾害信息涵盖灾害类型、位置、规模、形态、性质、演化阶段等,与工程、水文地质及施工条件密切相关,是灾害特征的直接描述,决定了防控对策的选取。
(6)监测预警是对隧道施工环境及地质灾害演化的实时感知与诊断发布,通过监测围岩及结构的应力、变形、位移、温度等基本参数提供隧道状态动态信息,并未临灾预警提供实时数据;临灾预警通过分析监测数据的时变特征评价灾害发生的风险等级、演化状态与发生概率,指导防控对策及时机的选择。
(7)灾害防控知识单元主要包括防控原则、措施、时机、材料、设备、效果等知识要素,尽可能全面地表述清楚对特定类型、规模、性质的灾害应该采取什么样的防控措施,用到哪些材料、设备,选择合适的施作时机,确保有效的防控效果,保障隧道施工安全。
本发明构建了一个用于隧道施工地质灾害防控智能分析的领域知识图谱模型,实现对隧道施工地质灾害防控知识体系的结构化表示,建立灾害防控相关原则、措施、时机、材料、装备、工序等知识要素与灾害地质背景、类型、位置、规模、形态、性质等基本特征之间的内在关系,并通过可视化图分析直观地将实体之间的关系表现出来,方便业务人员开展隧道施工地质灾害成因分析与防控决策。
本发明提出的隧道施工地质灾害防控知识体系及知识图谱模型,在应用的过程中随着越来越多的案例数据不断累积,对知识体系不断补充完善,对知识图谱模型进行自适应地增量学习不断更新优化,不断提高智能分析知识图谱模型的准确度与适应能力。
如图3所示为这是一个图谱展开的实例,对特定的大桑园隧道,查询到其在特定工程地质(地形地貌:中低山深切河谷;构造类型:岩溶;地层岩性:泥岩;岩性状态:轻微变质;构造类型:断裂;构造状态:断裂发育)、水文地质(赋水类型:地下水;水源:大气降水)条件下,可能发生突水突泥隧道施工地质灾害,提出了2种主要的防控对策,即径向注浆与大管棚超前预支护,并给出了各灾害防控所采用的防控设备及材料。
知识图谱的多级展开可以帮助用户更加深入地了解某个概念或实体,揭示其相关的属性和关系,以及与其相关的其他概念和实体等信息,对于隧道施工地质灾害防控对策业务,通过知识图谱展开可以实现灾害防开智能分级,挖掘相关知识要点之间的内在关联。
一般来说,知识图谱多级展开可以通过以下几个步骤实现:(1)输入查询关键词:例如查询“灾害类型”实体下的"突水突泥",并设置查询深度。(2)展开概念节点:系统根据用户输入的关键词,在知识图谱中查找相关的概念节点,并将其展开显示出来,例如"突水突泥"的节点。(3)显示相关实体和关系:系统将与该概念节点相关的实体和关系显示在界面上,例如"隧道概况"、"工程地质"、“防控措施”等相关实体节点,以及"隧道工程地质"、"灾害类型的防控措施"等相关关系。(4)选择子节点展开:用户可以选择任意一个实体节点,进行展开,查看其相关的子节点,例如"工程地质"节点的子节点"地层岩性"、"围岩级别"等。(5)多级展开:用户可以不断重复以上步骤,展开更多的子节点,直到满足需要为止。
本发明还提供一种隧道施工地质灾害与防控对策的关联分析系统,该系统包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如上所述的隧道施工地质灾害防控智能分析方法。
本发明还提供一种计算机可读存储介质,包括:程序,当所述程序被处理器运行时,如上所述的隧道施工地质灾害防控智能分析方法被执行。
本发明还提供了一种芯片系统,该芯片系统包括处理器,用于实现上述内容中所涉及的功能,例如,生成,接收,发送,或处理上述方法中所涉及的数据和/或信息。
该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
上述任一处提到的处理器,可以是一个CPU,微处理器,ASIC,或一个或多个用于控制上述的反馈信息传输的方法的程序执行的集成电路。
在一种可能的设计中,该芯片系统还包括存储器,该存储器,用于保存必要的程序指令和数据。该处理器和该存储器可以解耦,分别设置在不同的设备上,通过有线或者无线的方式连接,以支持该芯片系统实现上述实施例中的各种功能。或者,该处理器和该存储器也可以耦合在同一个设备上。
可选地,该计算机指令被存储在存储器中。
可选地,该存储器为该芯片内的存储单元,如寄存器、缓存等,该存储器还可以是该终端内的位于该芯片外部的存储单元,如ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM等。
可以理解,本发明中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
非易失性存储器可以是ROM、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。
易失性存储器可以是RAM,其用作外部高速缓存。RAM有多种不同的类型,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器。
Claims (10)
1.一种隧道施工地质灾害防控智能分析方法,其特征在于,所述方法包括:
构建隧道施工地质灾害防控领域知识图谱模型,将灾害防控相关的知识进行结构化表征;
灾害防控关联分析,基于构建的知识图谱模型通过可视化图分析技术挖掘防控对策与隧道施工地质灾害之间潜在的关联关系,基于所述关联关系优选防控对策。
2.根据权利要求1所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述知识图谱模型的构建方法包括:
样本数据收集:收集既往工程实践中总结形成的相关案例或经验认识,用于提供工程实践中应对各种灾害的防控对策;
数据预处理:对样本数据进行预处理,包括OCR识别、清洗、规范化操作;
知识库构建:围绕隧道概况、工程地质、水文地质、施工条件、灾害信息、监测预警、防控对策大类概念对知识进行分类、归纳,梳理知识单元,总结形成规范化的专业术语词典;
知识建模与表示:分析隧道施工地质灾害防控智能分析业务需求,建立防控对策与灾害特征之间的联系,开展本体模型构建,定义相关实体、关系和属性,形成知识图谱的基本框架;
知识标注与抽取:对样本数据开展知识标注与抽取,获取隧道施工地质灾害防控相关的知识要素;
知识融合:通过实体链接操作将多个不同表述的实体统一为一个标准的实体对象,通过知识合并的操作将多个知识实体合并,构建统一的灾害防控知识库;
知识库补充与本体模型更新:随着案例数据的积累和知识标注的深入,灾害防控知识库不断丰富,结合灾害防控知识库更新与完善本体模型,使其更充分地表示灾害防控相关的实体、关系及属性;
知识图谱模型建立:通过数据映射、实体匹配,将知识标注与抽取获得的结果解析到构建好的本体模型中,应用数据挖掘和机器学习算法提取隧道施工地质灾害的特征与规律,形成隧道施工地质灾害防控领域知识图谱模型。
3.根据权利要求2所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,还包括:
知识图谱模型更新:随着大量隧道工程实施过程中施工地质灾害防控相关的数据样本的不断积累,开展增量学习,对知识图谱模型进行优化和迭代。
4.根据权利要求2所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,在对文本资料进行知识标注和抽取后,将具体的知识实例赋予定义好的实体类型或关系类型,实现知识的结构化表征。
5.根据权利要求2所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述灾害防控关联分析:
将灾害防控相关原则、措施、时机、材料、装备、工序知识要素与灾害地质背景、类型、位置、规模、形态、性质基本特征之间的关系通过可视化图表的方式直观地展现出来,计算距离相似度衡量不同防控对策与灾害特征之间的关联程度,并通过多级展开挖掘实体之间的内在关联;
其具体方法包括:
(1)图谱K层展开:对某一个实体实例,设定查询深度,选定查询范围,将相关的实体要素以图谱的方式展开;
(2)路径检索:包括最短路径或所有路径两种方法,选定2个实体分别作为起点与终点,基于构建好的知识图谱模型查找能够将2个实体建立起联系的关联路径;
(3)环路查找:基于知识图谱模型查找环路,所述环路是指长度大于等于3沿着方向首尾相接形成的子图,子图中的任意两个节点都是存在相互可达的通路;
(4)社群发现:基于Louvain算法衡量不同实体属于同一个社群的紧密程度,将紧密关联的实体包含在同一个社群内。
6.根据权利要求2所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述样本数据包括案例文章、案例汇编、工程报告、综述文章、标准规范,数据格式上表现为文本文件。
7.根据权利要求2所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述知识标注与抽取,采用人工标注与自然语言处理两种方式开展,依托文本标注工具,标注实体、关系、属性,并以规范化的格式输出;所述自然语言处理应用ERNIE与UIE模型训练知识抽取自然语言模型,实现批量化和自动化的知识抽取。
8.根据权利要求5所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述距离相似度的计算方法为:
假设x和y分别表示两个实体的向量表示,则它们之间的余弦相似度为:
cos_sim(x, y) = <x, y> / (||x|| * ||y||)
其中“<x, y>”表示x和y的内积,“||x||”表示x的模长,“||y||”表示y的模长,该值范围为[-1, 1],越接近1表示两个向量之间的关系越相似,越接近-1表示它们之间的关系越相反或对立,0表示它们之间没有关系。
9.根据权利要求3所述的一种隧道施工地质灾害防控智能分析方法,其特征在于,所述知识库补充与本体模型更新方法包括:
基于已构建的本体模型对实体、关系和属性的定义,对新增的案例资料开展数据预处理与知识标注及抽取,得到新的实体、关系、属性实例,并进行存储;更新本体模型之后,将标注抽取到的知识实例映射到本体模型,得到更新后的知识图谱模型。
10.一种隧道施工地质灾害防控智能分析系统,其特征在于,包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843463.3A CN116579631A (zh) | 2023-07-11 | 2023-07-11 | 一种隧道施工地质灾害防控智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843463.3A CN116579631A (zh) | 2023-07-11 | 2023-07-11 | 一种隧道施工地质灾害防控智能分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579631A true CN116579631A (zh) | 2023-08-11 |
Family
ID=87545631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310843463.3A Pending CN116579631A (zh) | 2023-07-11 | 2023-07-11 | 一种隧道施工地质灾害防控智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579631A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220147836A1 (en) * | 2020-11-06 | 2022-05-12 | Huazhong University Of Science And Technology | Method and device for text-enhanced knowledge graph joint representation learning |
CN114840685A (zh) * | 2022-04-26 | 2022-08-02 | 国网智能电网研究院有限公司 | 一种应急预案知识图谱构建方法 |
CN115080694A (zh) * | 2022-06-27 | 2022-09-20 | 国网甘肃省电力公司电力科学研究院 | 一种基于知识图谱的电力行业信息分析方法及设备 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和系统 |
CN115330268A (zh) * | 2022-10-12 | 2022-11-11 | 华北科技学院(中国煤矿安全技术培训中心) | 一种应对矿山灾难的综合性应急指挥方法及系统 |
-
2023
- 2023-07-11 CN CN202310843463.3A patent/CN116579631A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220147836A1 (en) * | 2020-11-06 | 2022-05-12 | Huazhong University Of Science And Technology | Method and device for text-enhanced knowledge graph joint representation learning |
CN114840685A (zh) * | 2022-04-26 | 2022-08-02 | 国网智能电网研究院有限公司 | 一种应急预案知识图谱构建方法 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和系统 |
CN115080694A (zh) * | 2022-06-27 | 2022-09-20 | 国网甘肃省电力公司电力科学研究院 | 一种基于知识图谱的电力行业信息分析方法及设备 |
CN115330268A (zh) * | 2022-10-12 | 2022-11-11 | 华北科技学院(中国煤矿安全技术培训中心) | 一种应对矿山灾难的综合性应急指挥方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579477A (zh) | 一种缺陷检测方法、装置以及存储介质 | |
CN106815293A (zh) | 一种面向情报分析的构建知识图谱的系统及方法 | |
CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
Ma et al. | Applications of machine learning and data mining in SpeedWise® drilling analytics: A case study | |
CN112560036A (zh) | 一种基于神经网络与深度学习的c/c++漏洞静态检测方法 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
Wu et al. | Developing a hybrid approach to extract constraints related information for constraint management | |
CN116245107B (zh) | 电力审计文本实体识别方法、装置、设备及存储介质 | |
Wang et al. | Understanding geological reports based on knowledge graphs using a deep learning approach | |
Zhang et al. | Geological type recognition by machine learning on in-situ data of EPB tunnel boring machines | |
CN113011161A (zh) | 一种基于深度学习与模式匹配的人案物关联关系抽取方法 | |
CN113868432A (zh) | 一种用于钢铁制造企业的知识图谱自动构建方法和系统 | |
CN115511119A (zh) | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 | |
CN114912435A (zh) | 基于频繁项集算法的电力文本知识发现方法及设备 | |
CN116108191A (zh) | 一种基于知识图谱的深度学习模型推荐方法 | |
CN116521898A (zh) | 一种电厂发电设备故障知识图谱的构建方法 | |
CN117574898A (zh) | 基于电网设备的领域知识图谱更新方法及系统 | |
Majic et al. | Discovery of topological constraints on spatial object classes using a refined topological model | |
CN116579631A (zh) | 一种隧道施工地质灾害防控智能分析方法及系统 | |
Liu et al. | Knowledge Graph Construction and Application of Spatial Arrangement of Underground Powerhouse | |
CN116579424B (zh) | 隧道施工地质灾害防控知识体系构建方法与系统 | |
Yurin et al. | Semi-automated formalization and representation of the engineering knowledge extracted from spreadsheet data | |
He et al. | Qualia Role-Based Quantity Relation Extraction for Solving Algebra Story Problems. | |
Qiu et al. | Integrating NLP and Ontology Matching into a Unified System for Automated Information Extraction from Geological Hazard Reports | |
Li et al. | Design-Oriented product fault knowledge graph with frequency weight based on maintenance text |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |