Intelligent Bayesian analysis Based on Knowledge Graph and Graph Neural Network for Subway Fire Risk

ملخص تقني: التحليل البايزي الذكي القائم على الرسم البيالي المعرفي والشبكة العصبية الرسومية لمخاطر حريق مترو الأنفاق

بيان المشكلة
تواجه أنظمة مترو الأنفاق، التي تتميز بالمساحات الضيقة والزحام الكثيف، تحديات كبيرة في سلامة الحرائق. تعاني منهجيات تقييم المخاطر الحالية من قيود متميزة:

1. الرسوم البيالية المعرفية (KG): تعتمد الرسوم البيالية المعرفية التقليدية فقط على طوبولوجيا العقد والحواف، متجاهلةً الارتباطات بين سمات الكيانات، مما يؤدي إلى ضعف في قدرات الاستنتاج.
2. الشبكات البايزية (BN): يتم بناء الشبكات البايزية الكلاسيكية عادةً عبر اختيار العقد يدويًا من قبل الخبراء، مما يُدخل تحيزًا ذاتيًا قويًا ويحد من القدرة على التكيف مع الأنظمة المعقدة والديناميكية.
3. القيود العامة: تفتقر النهج الحالية غالبًا إلى التقييم الديناميكي للمخاطر القائم على البيانات في الوقت الفعلي، وتواجه صعوبة في فهم العلاقات الضمنية بين الكيانات، وتفشل في بناء شبكات بايزية ديناميكية مصممة خصيًا لحوادث حريق محددة في مترو الأنفاق.

المنهجية
تقترح الدراسة إطار عمل متكامل (KG-GNN-BN) ينتقل من استخراج البيانات المهيكلة إلى الاستدلال الاحتمالي من خلال أربع مراحل رئيسية:

1. بناء الرسم البيالي المعرفي (Knowledge Graph Construction):

   • مصادر البيانات: تم تحليل سجلات الحرائق التاريخية (1958–2025) والوثائق التنظيمية.
   • معالجة اللغات الطبيعية (NLP): استخرجت معالجة اللغات الطبيعية (باستخدام مكتبة Jieba) 215 كلمة مفتاحية لخصائص الحريق وحددت 6 تسميات للمخاطر (الحدث/السنة، نظام الإدارة، السلوك البشري، المعدات/الهيكل، البيئة/تدفق الهواء، التبعات/التحسين).
   • هيكل الرسم البيالي: تم بناء رسم بيالي معرفي لحريق مترو الأنفاق يحتوي على 666 عقدة و931 حافة، مع دمج سمات الميزات والتسميات في الطوبولوجيا لتشكيل مجموعة بيانات كاملة.

2. تدريب الشبكة العصبية الرسومية (GNN Training):

   • البنية: تم استخدام شبكة تلافيفية رسومية (GCN) ثلاثية الطبقات مع اتصالات متبقية (residual connections) وتطبيع الدفعات (batch normalization).
   • العملية: قام النموذج باستخراج تضمين العقد (node embedding) وتعلم الميزات. واستخدم آلية تمرير الرسائل لتحديث الحالات الخفية بشكل تكراري بناءً على تجميع الجيران.
   • التحسين: تم تدريب النموذج باستخدام فقدان الإنتروبيا المتقاطعة (cross-entropy loss) ومحسن Adam مع مجدول معدل تعلم بنمط التخميد الجيبي (cosine annealing).

3. الاختيار التلقائي للعقد للشبكة البايزية (Automatic Node Selection for BN):

   • الثقة والتجميع: أنتجت الشبكة العنفية (GNN) المدربة تضمينات للعقد. تم حساب درجة الثقة عبر تطبيع Softmax. طُبقت خوارزمية K-means (بـ K=6، لتطابق فئات الوسوم) لضمان التنوع وتجنب انحياز تغطية الميزات.
   • التسجيل: دمجت صيغة تسجيل شاملة بين ثقة التصنيف والتمثيل داخل المجموعة (المسافة إلى مركز المجموعة).
   • الاختيار: بناءً على هذه الدرجات، تم اختيار 22 عقدة ممثلة تلقائيًا من أصل 666 عقدة لتشكيل السلسلة السببية الأساسية للشبكة البايزية. تستخدم هذه العملية تسجيلًا آليًا ولكنها تتضمن تعديلًا يدويًا لمعاملات الوزن والعتبات لموازنة التمثيل ومنع الإفراط في التخصيص (overfitting).

4. توصيف معلمات الشبكة البايزية (Bayesian Network Parameterization):

   • الهيكل: شكلت العقد الـ 22 المختارة هيكل الشبكة البايزية.
   • الاحتمالات: تم تحديد الاحتمالات المسبقة والشرطية باستخدام طريقة "دلفي" (Delphi method)، من خلال تجميع التعليقات من 1 لـ 17 خبيرًا في سلامة حرائق مترو الأنفاق. تم التحقق من الاتساق باستخدام معامل ألفا كرونباخ (>0.8) ومعامل الاختلاف.

النتائج الرئيسية

• أداء النموذج: حققت الشبكة العصبية الرسومية (GNN) دقة تدريب عالية (تقترب من 1.0) ودقة تحقق (استقرت حول 0.9)، مما أظهر قدرة قوية على التعميم. أشارت مصفوفة الارتباك إلى قدرة تمييز عالية عبر فئات الوسوم الست.
• تحليل الحساسية: باستخدام برنامج Netica، حددت الدراسة عقد المخاطر الحرجة.
  • الضحايا: أظهرت عقدة "الإنذار الأولي" أعلى معامل حساسية (2.05)، تلتها "كفاءة الإخلاء" (1.9).
  • السلاسل السببية: تأثرت "انتشار الحريق" بشكل أكبر بـ "مقاومة المواد للهب"؛ و"انتشار الدخان" بـ "وقوع حريق مفتوح"؛ و"الإنذار الأولي" بـ "ترتيب المناوبات".
• محاكاة السيناريوهات:
  • في الحالة المرجعية، بلغت احتمالية وقوع ضحايا كثر 6.58%.
  • في سيناريو المخاطر المركبة (محاكاة حالة دايجو للحريق عام 2003 التي تضمنت سلوكًا تخريبيًا، وفشلًا في المعدات، وتأخرًا في الإنذار)، ارتفعت احتمالية وقوع ضحايا كثر إلى 53.2%.
  • تسبب "انتشار الدخان" في حالة الفشل العالي في أكبر تصعيد لاحتمالية الضحايا (انخفضت احتمالية الضحايا المنخفضة من 77.8% إلى 47.7%).
• التتبع العكسي: حدد التحليل "الإنذار الأولي"، و"كفاءة الإخلاء"، و"انتشار الحريق" كأصل لسلسلة انتقال المخاطر، مع قيم تباين تجاوزت 13%. وتم تحديد "سلوك الركاب" كمحرك رئيسي لـ "وقوع حريق مفتوح".

الأهمية والادعاءات
يزعم البحث أن نموذج KG-GNN-BN المقترح يوفر مسارًا قائمًا على البيانات يعزز موضوعية بناء الشبكة البايزية. تكمن أهميته في:

• الموضوعية: يقلل من الذاتية في اختيار العقد اليدوي التقليدي باستخدام نهج تسجيل مؤتمت مدرب بواسطة GNN، رغم أن الاختيار النهائي يتضمن ضبط العتبات يدويًا، ولا تزال معاملات الاحتمال تعتمد على تقييم الخبراء عبر طريقة دلفي.
• التكامل: يحول بسلاسة الدلالات التنظيمية المهيكلة وبيانات الحوادث التاريخية إلى شبكة استدلال احتمالي.
• القابلية للتطبيق: يوفر النموذج أداة كمية لكل من التنبؤ الديناميكي والتحليل الاسترجاعي لمخاطر حريق مترو الأنفاق. وهو لا يدعم تحليل المخاطر العام فحسب، بل يدعم أيضًا بناء رسوم بيالية معرفية مخصصة لسياقات تشغيلية محددة.
• الرؤية الاستراتيجية: تقدم الدراسة استراتيجيات وقائية محددة ومدعومة بالبيانات، مع التأكيد على ضرورة إعطاء الأولوية للاستجابة السريعة للإنذار، واستقرار كفاءة الإخلاء، والتحكم في انتشار الدخان للتخفيف من المخاطر عالية العواقب.

القيود المعترف بها
يشير المؤلفون إلى أن نطاق الرسم البيالي المعرفي الحالي محدود، حيث يعتمد أساسًا على الزحف الشبكي، والأدبيات، والوثائق التنظيمية بدلاً من البيانات التشغيلية في الوقت الفعلي من مشاريع مترو أنفاق محددة. وبناءً على ذلك، يفتقر النموذج حاليًا إلى قدرات المراقبة الديناميكية في الوقت الفعلي لحالة المعدات، وسلوك الأفراد، والمعايير البيئية.