🤖 AI

Constructing Dynamic Master Logic Models as Knowledge Graphs for Complex System Diagnostics Using Retrieval-Augmented Large Language Models

Este artigo apresenta uma estrutura que aproveita a Geração Aumentada de Recuperação e Grandes Modelos de Linguagem para construir automaticamente modelos de Lógica Mestra Dinâmica baseados em grafos e escaláveis a partir de documentação técnica, permitindo, assim, o raciocínio de diagnóstico automatizado e a análise de confiabilidade para sistemas complexos, como sistemas de segurança de reatores nucleares.

Autores originais: Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Publicado 2026-08-13

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando entender como uma máquina gigante e complexa funciona, como uma nave espacial ou uma usina nuclear. Normalmente, os engenheiros têm que desenhar mapas massivos e complicados chamados "Árvores de Falhas" para descobrir o que acontece se algo quebrar. Esses mapas são como olhar para uma floresta e tentar entender todo o ecossistema estudando apenas folhas caídas e galhos quebrados individuais. Eles são ótimos para problemas conhecidos, mas se um erro novo e estranho acontecer, que ninguém previu, esses mapas geralmente falham porque só procuram por cenários de desastre específicos e pré-escritos.

Para resolver isso, os cientistas usam algo chamado "Modelagem Funcional". Em vez de apenas listar partes quebradas, eles mapeiam o que a máquina deveria fazer. É como entender um carro não listando cada parafuso quebrado, mas entendendo que o trabalho do motor é transformar combustível em movimento, e o trabalho das rodas é transformar esse movimento em deslocamento. Se você conhece as funções, pode descobrir o que acontece se o combustível parar, mesmo que nunca tenha visto exatamente esse problema antes. O artigo que você está prestes a ler aborda um enorme obstáculo neste campo: automatizar a criação desses "mapas de funções". Até agora, construir esses mapas exigia que especialistas humanos lessem milhares de páginas de manuais técnicos e desenhassem manualmente as conexões, um processo que leva meses e é difícil de escalar para sistemas gigantes.

A Grande Ideia do Artigo: Ensinar a IA a Desenhar o Projeto

Este artigo apresenta uma nova e inteligente maneira de construir esses "mapas de funções" (chamados modelos de Lógica Mestra Dinâmica ou DML) usando Inteligência Artificial, especificamente Modelos de Linguagem de Grande Escala (LLMs) e uma técnica chamada Geração Aumentada de Recuperação (RAG). Pense no LLM como um estagiário superinteligente e de leitura rápida que leu toda a biblioteca de manuais de engenharia. No entanto, este estagiário tem um mau hábito: às vezes ele inventa coisas ou se confunde quando a história fica muito longa. Para corrigir isso, os autores deram ao estagiário um conjunto estrito de regras e um "mecanismo de busca" (RAG) que o obriga a consultar a página específica do manual relevante para a tarefa antes de escrever qualquer coisa.

O resultado é um sistema que lê automaticamente a documentação técnica e constrói um "Grafo de Conhecimento" (uma teia digital de conexões) que se parece exatamente com os mapas desenhados por especialistas. Os autores testaram isso no sistema de Injeção de Resfriamento de Baixa Pressão (LPCI) de uma usina nuclear desativada. Este sistema é uma rede de segurança projetada para inundar o reator com água se ele ficar muito quente. É complexo, com bombas, válvulas e tubulações trabalhando juntas de maneiras específicas.

Como a Magia Acontece: O Chef Camada por Camada

Os autores não pediram apenas à IA: "Desenhe o mapa inteiro". Isso seria como pedir a um chef para cozinhar um jantar de dez pratos em uma única frase. Em vez disso, eles dividiram o trabalho em camadas, como construir uma casa do telhado até a fundação.

A Busca: O sistema começa com um objetivo de alto nível, como "Manter o reator resfriado". Ele busca nos manuais as seções específicas que falam sobre esse objetivo.
A Extração: A IA lê essas seções e pergunta: "Quais funções são necessárias para alcançar isso?". Ela encontra respostas como "Bombear água" ou "Abrir válvulas".
A Conexão: Em seguida, ela pega essas novas funções e busca novamente nos manuais para encontrar as partes específicas (componentes) que realizam o trabalho.
O Grafo: Finalmente, ela costura todas essas peças em um grafo digital (um Grafo de Conhecimento) onde cada nó é uma parte ou uma função, e cada linha é uma regra lógica (como "E" ou "OU") conectando-as.

O artigo mostra que este método funciona surpreendentemente bem. Quando rodaram o sistema cinco vezes na mesma documentação de uma usina nuclear, ele construiu o mapa com uma consistência incrível. Para os objetivos de alto nível e funções principais, a IA acertou 100% das vezes. Mesmo no nível detalhado de componentes específicos (como válvulas individuais), ela foi correta cerca de 98% das vezes.

O "Score de Integridade": Quão Bom é o Mapa?

Para garantir que a IA não estivesse apenas chutando, os autores criaram um sistema especial de pontuação chamado "Score de Integridade". Imagine que você está corrigindo o dever de casa de um aluno. Você não verifica apenas se as respostas estão certas; você verifica se toda a história faz sentido. Se o aluno perde uma etapa crucial no meio, toda a resposta desmorona.

Os autores descobriram que a forma como eles alimentavam as informações para a IA importava. Se pedissem à IA para processar muitas partes de uma vez (um grande "tamanho de lote" ou batch size), a qualidade do mapa caía ligeiramente. Era como pedir ao chef para picar todos os vegetais para toda a refeição de uma só vez; ele poderia deixar passar alguns. Quando pediam à IA para fazer um pequeno passo de cada vez (um tamanho de lote de 1), o mapa era mais preciso, embora demorasse mais para ser construído. O melhor equilíbrio que encontraram foi processar cinco etapas por vez, o que manteve o mapa muito preciso (pontuando cerca de 89 de 100) sem demorar uma eternidade.

O Que o Mapa Pode Fazer: O Detetive e o Planejador

Uma vez construído, o mapa torna-se uma ferramenta poderosa para duas coisas principais:

Propagação Ascendente (O Detetive): Se uma válvula específica quebrar, você pode perguntar ao sistema: "O que acontece com toda a usina?". O sistema rastreia a falha para cima na escada. Ele pode dizer: "Se esta válvula falhar, a bomba não poderá funcionar, o que significa que a função de resfriamento falha e o reator pode superaquecer". Ele faz isso seguindo as regras lógicas que a IA construiu no mapa.
Propagação Descendente (O Planejador): Você também pode perguntar: "Como mantemos o reator resfriado?". O sistema olha para baixo na escada e diz: "Você precisa que a bomba funcione, o que requer que a válvula esteja aberta E que a energia esteja ligada". Ele encontra todas as diferentes maneiras de alcançar um objetivo, mostrando os planos de contingência (redundância) que o sistema possui.

A Ressalva: O Que o Artigo Diz e o Que Não Diz

Os autores são cuidadosos ao não afirmar que isto é um produto perfeito e finalizado. Eles declaram explicitamente que, embora a IA seja ótima em ler manuais e desenhar as conexões, ela não "entende" a física da mesma forma que um especialista humano. O mapa é uma representação do texto, não necessariamente uma simulação perfeita da realidade.

Por exemplo, o artigo observa que o sistema tem uma dificuldade mínima com as partes mais densas e complexas do mapa (onde muitos canos e válvulas se conectam). Ele pode perder uma ou duas conexões entre centenas. Além disso, o sistema não sabe automaticamente sobre "Falhas de Causa Comum" — situações em que duas partes diferentes falham ao mesmo tempo porque compartilham uma causa oculta, como um lote ruim de fabricação ou um surto de energia compartilhado. A IA pode sinalizar esses casos como possibilidades durante uma conversa, mas não os constrói na lógica central do mapa.

O artigo também descarta a ideia de que isso substitui os especialistas humanos. Em vez disso, sugere que esta ferramenta é um "multiplicador de força". Ela pega uma tarefa que normalmente levaria meses de leitura e desenho de especialistas humanos e a reduz para poucos dias. O especialista humano então entra para revisar o trabalho da IA, capturando esses poucos elos perdidos e garantindo que o mapa seja verdadeiramente seguro.

A Conclusão

Este artigo sugere que agora podemos usar a IA para transformar pilhas de manuais técnicos chatos e complexos em mapas lógicos interativos que nos ajudam a entender como máquinas gigantes funcionam e o que acontece quando elas quebram. Não é uma varinha mágica que resolve todos os problemas de engenharia instantaneamente, mas é uma nova ferramenta poderosa que torna o trabalho de manter nosso mundo complexo muito mais rápido e consistente. Os autores mostram que, com a estratégia certa de "busca e verificação", a IA pode aprender a falar a linguagem da lógica de engenharia, transformando texto em um projeto vivo e pulsante para a segurança.

Resumo Técnico: Construção Automatizada de Modelos de Lógica Mestra Dinâmicos como Grafos de Conhecimento

Declaração do Problema
Sistemas projetados modernos são cada vez mais complexos, exigindo modelos de diagnóstico que capturem com precisão as interações e dependências em múltiplos níveis de abstração. Abordagens tradicionais baseadas em eventos, como a Análise de Árvore de Falhas (FTA) e a Análise de Árvore de Eventos (ETA), dependem de sequências de falhas predefinidas. Embora eficazes para falhas conhecidas, esses métodos são inerentemente incompletos quando as sequências de falhas não são antecipadas e tornam-se inviáveis de rastrear conforme a complexidade do sistema cresce.

A modelagem funcional oferece uma alternativa ao focar nos objetivos do sistema e em como eles são realizados através das interações entre componentes. A Lógica Mestra Dinâmica (DML) é um framework hierárquico que vincula objetivos funcionais a elementos estruturais (hardware, software, ações humanas) usando relações lógicas explícitas. No entanto, a construção de modelos DML historicamente dependeu da interpretação manual e dirigida por especialistas de extensas documentações técnicas. Esse processo limita a escalabilidade e dificulta a aplicação de representações funcionais a sistemas de grande escala e intensivos em documentos. Além disso, embora os Grandes Modelos de Linguagem (LLMs) mostrem promessa na interpretação semântica, eles sofrem com alucinações, raciocínio inconsistente e falta de estrutura persistente, tornando-os pouco confiáveis para gerar as representações explícitas e estruturadas exigidas para diagnósticos de engenharia rigorosos sem o uso de aumentação.

Metodologia
O estudo propõe um framework para a construção automatizada de modelos DML a partir de documentação de sistemas, representando-os como Grafos de Conhecimento (KG-DML). A abordagem utiliza Geração Aumentada de Recuperação (RAG) e LLMs para preencher a lacuna entre o texto não estruturado e a lógica funcional estruturada.

Pré-processamento de Documentos e Embedding: A documentação do sistema é padronizada para normalizar identificadores de componentes e resolver ambiguidades. O texto é segmentado em blocos sobrepostos (1.500 caracteres) e incorporado em um repositório de vetores para suportar a recuperação baseada em similaridade.
Construção Camada por Camada: O modelo é construído sequencialmente através da hierarquia DML (Objetivos $\rightarrow$ $\to$ Funções $\rightarrow$ $\to$ Subfunções $\rightarrow$ $\to$ Componentes $\rightarrow$ $\to$ Condições de Sucesso).
- Em cada camada, uma consulta de recuperação é construída usando a definição semântica da camada atual e os elementos pai identificados na etapa anterior.
- Os $K$ blocos de documentos mais relevantes são recuperados e fornecidos ao LLM junto com um esquema JSON predefinido.
- O LLM gera elementos candidatos e relações lógicas (portas AND/OR) restritos pelo esquema.
- Elementos validados são anexados a uma representação JSON mestre, que serve como o contexto para a recuperação da próxima camada.
Síntese do Grafo de Conhecimento: O JSON validado é convertido em consultas Cypher para popular um banco de dados de grafos Neo4j. Este processo lida explicitamente com estruturas de portas booleanas aninhadas, criando nós de portas intermediários para preservar as dependências lógicas de múltiplos níveis sem achatar a hierarquia.
Framework de Avaliação: Uma metodologia de validação de múltiplos níveis é introduzida para avaliar o KG-DML construído:
- Métricas de Nível de Elemento: Precisão, recall e pontuações $F_2$ são calculadas para cada camada hierárquica, com o $F_2$ enfatizando o recall para penalizar elementos ausentes.
- Consistência Estrutural: A precisão de links e a correção de portas (lógica AND/OR) são avaliadas.
- Pontuação de Integridade: Uma métrica agregada combina pontuações $F_2$ ponderadas por camada com uma penalidade exponencial para erros de reconstrução estrutural (nós ausentes, links, incompatibilidades de portas ou nós órfãos). Esta pontuação reflete tanto a precisão do elemento quanto a completude dos caminhos funcionais.
Mecanismo de Interação: O KG-DML resultante suporta o raciocínio de diagnóstico via um agente de LLM que atua como uma camada de coordenação. O agente interpreta consultas do usuário e invoca ferramentas determinísticas baseadas em grafos para:
- Propagação Ascendente: Rastrear consequências de falhas dos componentes para os objetivos do sistema.
- Propagação Descendente: Identificar caminhos mínimos de sucesso dos objetivos para os componentes.
- Consultas Explicativas: Recuperar relações estruturais via Graph-RAG.

Principais Contribuições

Framework de Construção Automatizada: Introduz um método escalável para extrair modelos funcionais de documentação de engenharia não estruturada usando RAG e LLMs, indo além dos processos manuais de especialistas anteriormente exigidos para DML.
Extensão para Sistemas Complexos: Estende a pesquisa prévia de pequena escala para sistemas substancialmente maiores e intensivos em documentos (demonstrado em um sistema de segurança de um Reator de Água em Ebulição), abordando o desafio da consistência hierárquica em extrações de grande escala.
Avaliação Estruturada: Desenvolve um framework de avaliação rigoroso e de múltiplos níveis que combina a precisão por camada com uma pontuação de integridade agregada para avaliar a completude estrutural e a consistência lógica, abordando lacunas em metodologias de avaliação anteriores.
Representação KG-DML Executável: Entrega um Grafo de Conhecimento legível por máquina que preserva a estrita decomposição hierárquica e a lógica de sucesso da DML, permitindo o raciocínio diagnóstico determinístico em vez de depender apenas de conhecimento generalizado de LLM.

Resultos
O framework foi aplicado ao sistema de Injeção de Resfriamento de Baixa Pressão (LPCI) de um Reator de Água em Ebulição desativado.

Consistência: O modelo demonstrou reconstrução consistente ao longo de cinco execuções independentes. As camadas de nível superior (Objetivos, Funções, Subfunções) alcançaram precisão e recall perfeitos ( $F_2 = 1,0$ ).
Granularidade: Pequenos desvios ocorreram nas camadas de Componentes e Condições de Sucesso, onde o recall diminuiu ligeiramente ( $F_2$ variando de 0,978 a 0,993), resultando em aproximadamente 1 a 6 nós perdidos por execução.
Integridade Estrutural: A precisão de links foi alta para relações de nível superior, mas mostrou variabilidade na camada Subfunção-Componente devido à maior densidade estrutural. A precisão das portas variou de 0,889 a 0,963 nesta camada.
Compromisso de Lote (Batching): Uma análise da pontuação de integridade revelou um compromisso entre o tamanho do lote e a estabilidade estrutural. Um tamanho de lote de 1 (processando um elemento pai por vez) produziu a maior pontuação média de integridade (90,38), enquanto lotes maiores (até 15) mostraram um declínio gradual no desempenho, sugerindo que isolar etapas de expansão melhora a estabilidade estrutural.
Capacidades de Diagnóstico: O sistema realizou com sucesso a propagação ascendente para rastrear impactos de falhas aos objetivos do sistema e a propagação descendente para enumerar caminhos de sucesso, incluindo anotações qualitativas para potenciais Falhas de Causa Comum (CCF) entre componentes redundantes.

Significância e Alegações
O artigo afirma que o framework proposto transforma a documentação técnica em modelos funcionais executáveis, reduzindo significativamente o esforço manual necessário para a construção de DML (de meses para dias) enquanto mantém alta precisão estrutural. A significância não reside no uso individual de RAG, LLMs ou bancos de dados de grafos, mas em sua integração em um framework coerente e restrito por esquema que permite o raciocínio diagnóstico fundamentado.

Os autores enfatizam que o framework é projetado para apoiar em vez de substituir o especialista em modelagem. O KG-DML resultante fornece uma representação de conhecimento explícita que permite aos agentes de LLM raciocinar sobre dependências funcionais e propagação de falhas com rastreabilidade, superando as limitações do raciocínio não estruturado de LLMs. O estudo reconhece que, embora a abordagem seja robusta para o sistema testado, mais validação é necessária para sistemas maiores, e a implementação atual trata Falhas de Causa Comum qualitativamente, em vez de modelá-las explicitamente dentro da lógica do grafo. O trabalho estabelece uma base para a modelagem funcional automatizada e escalável na engenharia de confiabilidade.