关于地铁建设的风险传输网络的自动构建,基于深度学习模型

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 土木工程安全 工程安全 工程安全

背景情况:

• 传统地铁建设的安全风险管理在很大程度上依赖于专家经验.
• 现有的方法难以识别事故文本中的风险因素和事件之间的复杂关系.
• 这种限制妨碍了对地铁安全风险管理的有效指导.

研究的目的:

• 开发特定领域的AI模型,从地铁施工事故文本中自动提取安全风险和因果关系.
• 改善地铁项目中安全隐患及其相互联系的识别和理解.

主要方法:

• 用有条件随机字段 (BiLSTM-CRF) 的双向长短期记忆网络用于安全危险的命名实体识别 (NER).
• 卷积神经网络 (CNN) 用于域特定实体因果关系提取.
• 为实体规范化开发了一个域名字典,从而创建了一个因果关系数据库.

主要成果:

• 地铁建设安全风险命名实体识别模型 (MCSR-NER模型) 在精度,回忆和F1分数方面实现了>77%.
• 地铁建设安全风险领域实体因果关系提取模型 (MCSR-CE-模型) 显示出极好的表现,准确率为98.96%,回忆和F1分数.
• 提取了533个域实体因果关系三重体,形成了一个复杂的地铁建设风险网络和数据库.

结论:

• 开发的AI模型有效地将事故文本转化为"安全风险因素对风险事件"的结构化因果链.
• 该研究提供了安全风险和事件的详细分类,揭示了相互关系和历史模式.
• 创建的数据库支持项目经理做出明智的安全风险管理决策.