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

Resumen Técnico: Análisis Bayesiano Inteligente Basado en Grafos de Conocimiento y Redes Neuronales de Grafos para el Riesgo de Incendio en Subterráneos

Planteamiento del Problema
Los sistemas de metro, caracterizados por espacios estrechos y multitudes densas, enfrentan desafíos significativos en materia de seguridad contra incendios. Las metodologías de evaluación de riesgos existentes sufren limitaciones distintivas:

1. Grafos de Conocimiento (KG): Los KG tradicionales dependen únicamente de la topología de nodos y aristas, ignorando las correlaciones de los atributos de las entidades, lo que resulta en una capacidad de razonamiento deficiente.
2. Redes Bayesianas (BN): Las BN clásicas se construyen típicamente mediante la selección manual de nodos por parte de expertos, lo que introduce un fuerte sesgo subjetivo y limita la adaptabilidad a sistemas complejos y dinámicos.
3. Limitaciones Generales: Los enfoques actuales suelen carecer de una evaluación de riesgos dinámica, basada en datos y en tiempo real, tienen dificultades con las relaciones implícitas entre entidades y no logran construir dinámicamente BN adaptados a incidentes de incendio específicos en el metro.

Metodología
El estudio propone un marco integrado KG-GNN-BN que transiciona desde la extracción de datos estructurados hacia el razonamiento probabilístico a través de cuatro etapas clave:

1. Construcción del Grafo de Conocimiento:

   • Fuentes de Datos: Se analizaron registros históricos de incendios (1958–2025) y documentos normativos.
   • Procesamiento de PLN: El Procesamiento de Lenguaje Natural (utilizando la librería Jieba) extrajo 215 palabras clave de características de incendios y definió 6 etiquetas de accidentes de riesgo (Evento/Año, Sistema de Gestión, Comportamiento Humano, Equipo/Estructura, Entorno/Flujo de Aire, Consecuencias/Mejora).
   • Estructura del Grafo: Se construyó un KG de incendios en el metro que contiene 666 nodos y 931 aristas, integrando atributos de características y etiquetas en la topología para formar un conjunto de datos completo.

2. Entrenamiento de la Red Neuronal de Grafos (GNN):

   • Arquitectura: Se empleó una Red Convolucional de Grafos (GCN) de tres capas con conexiones residuales y normalización por lotes (batch normalization).
   • Proceso: El modelo realizó la extracción de incrustaciones (embeddings) de nodos y el aprendizaje de características. Utilizó un mecanismo de paso de mensajes para actualizar iterativamente los estados ocultos basados en la agregación de vecinos.
   • Optimización: El modelo fue entrenado utilizando pérdida de entropía cruzada y el optimizador Adam con un programador de tasa de aprendizaje de recocido de coseno (cosine annealing).

3. Selección Automática de Nodos para la BN:

   • Confianza y Agrupamiento: La GNN entrenada generó incrustaciones de nodos. Se calculó una puntuación de confianza mediante la normalización Softmax. Se aplicó el agrupamiento K-means (K=6, coincidiendo con las categorías de etiquetas) para asegurar la diversidad y evitar el sesgo de cobertura de características.
   • Puntuación: Una fórmula de puntuación integral integró la confianza de clasificación y la representatividad intra-grupo (distancia al centroide del grupo).
   • Selección: Basándose en estas puntuaciones, se seleccionaron automáticamente 22 nodos representativos de los 666 nodos para formar la cadena causal central de la BN. Este proceso utiliza una puntuación automatizada pero implica el ajuste manual de coeficientes de peso y umbrales para equilibrar la representatividad y prevenir el sobreajuste.

4. Parametrización de la Red Bayesiana:

   • Estructura: Los 22 nodos seleccionados formaron la estructura de la BN.
   • Probabilidades: Las probabilidades a priori y condicionales se determinaron mediante el método Delphi, agregando la retroalimentación de 17 expertos en seguridad contra incendios en el metro. La consistencia se verificó mediante el alfa de Cronbach (>0.8) y el coeficiente de variación.

Resultos Clave

• Rendimiento del Modelo: La GNN alcanzó una alta precisión de entrenamiento (cercana a 1.0) y una precisión de validación (estabilizada alrededor de 0.9), demostrando una fuerte capacidad de generalización. La matriz de confusión indicó una alta capacidad discriminativa a través de las 6 categorías de etiquetas.
• Análisis de Sensibilidad: Utilizando Netica, el estudio identificó nodos de riesgo críticos.
  • Víctimas: El nodo 'Alarma Inicial' mostró el coeficiente de sensibilidad más alto (2.05), seguido de 'Eficiencia de Evacuación' (1.9).
  • Cadenas Causales: La 'Propagación del Fuego' fue más influenciada por la 'Retardancia de Materiales'; la 'Difusión de Humo' por la 'Ocurrencia de Fuego Abierto'; y la 'Alarma Inicial' por la 'Disposición de Turnos'.
• Simulación de Escenarios:
  • Bajo un estado base, la probabilidad de víctimas graves fue del 6.58%.
  • En un escenario de riesgo compuesto (simulando el caso de incendio provocado de Daegu en 2003 con comportamiento malicioso, falla de equipos y alarmas retrasadas), la probabilidad de víctimas graves aumentó drásticamente al 53.2%.
  • La 'Difusión de Humo' en un estado de alta falla causó la escalada más significativa en la probabilidad de víctimas (la baja probabilidad de víctimas cayó de 77.8% a 47.7%).
• Trazabilidad Inversa: El análisis identificó a la 'Alarma Inicial', la 'Eficiencia de Evacuación' y la 'Propagación del Fuego' como la cadena central de transmisión de riesgo, con valores de variación superiores al 13%. El 'Comportamiento del Pasajero' fue identificado como el principal motor de la 'Ocurrencia de Fuego Abierto'.

Significancia y Reivindicaciones
El artículo sostiene que el modelo propuesto KG-GNN-BN ofrece un flujo de trabajo basado en datos que mejora la objetividad de la construcción de la BN. Su importancia radica en:

• Objetividad: Reduce la subjetividad de la selección manual de nodos tradicional mediante un enfoque de puntuación automatizado entrenado por GNN, aunque la selección final implica el ajuste manual de umbrales, y los parámetros de probabilidad aún dependen de la calificación de expertos vía el método Delphi.
• Integración: Transforma de manera fluida la semántica regulatoria estructurada y los datos de accidentes históricos en una red de razonamiento probabilístico.
• Aplicabilidad: El modelo proporciona una herramienta cuantitativa tanto para la predicción dinámica como para el análisis retrospectivo de riesgos de incendio en el metro. Soporta no solo el análisis de riesgo general, sino también la construcción de KGs personalizados para contextos operativos específicos.
• Perspectiva Estratégica: El estudio proporciona estrategias de prevención específicas respaldadas por datos, enfatizando la necesidad de priorizar la respuesta rápida de alarma, la estabilidad de la eficiencia de evacuación y el control de la difusión de humo para mitigar riesgos de altas consecuencias.

Limitaciones Reconocidas
Los autores señalan que la escala actual del KG está limitada, dependiendo principalmente de rastreadores web, literatura y documentos regulatorios en lugar de datos operativos en tiempo real de proyectos de metro específicos. En consecuencia, el modelo actualmente carece de capacidades de monitoreo dinámico en tiempo real para el estado de los equipos, el comportamiento del personal y los parámetros ambientales.