基于知识图的贝叶斯分析框架在建筑安全分析中的应用：以坍塌事故为例

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Knowledge-graph-based Bayesian Analysis Framework for Construction Safety Analysis: taking collapse accident as an example

本研究提出基于知识图谱的贝叶斯网络（KG-BN）框架，结合有限元（FE）模拟，用于分析复杂施工系统的安全风险。通过整合1164起中国官方事故报告构建多层级知识图谱，量化评估事故概率及因果层级贡献。验证结果表明，基础开挖坍塌概率最高（46.55%），安全管理责任不落实（C11）为首要管理因素（51.97%），且FE模拟与BN推理结果在土体变形响应方面高度一致。该框架支持动态知识更新与参数迭代，为主动安全管理提供可解释的量化工具。

　　

Ping Wu|Jiaming Huang|Wangxin Li|Yue Huang|Qiang Li|Yidong Xu

宁波理工学院土木工程与建筑学院，中国宁波315100

摘要

施工安全涉及多因素的不确定性和复杂的因果交互作用，这些因素对传统的风险分析方法构成了挑战。本文提出了一种基于知识图谱的贝叶斯网络框架，并结合了有限元（FE）仿真技术，将结构化的知识表示与概率推理和基于机制的验证相结合。研究利用了包含1,164起官方记录的施工事故的数据集，开发了一个多层次的知识图谱，用于编码项目属性、环境条件和层次化的因果因素。该知识图谱为贝叶斯网络（BN）结构的构建提供了数据驱动的基础，从而减少了对主观先验设定的依赖。贝叶斯网络参数通过最大似然估计法进行估算，预测可靠性通过k折交叉验证和分层消融实验进行评估，以确定不同因果层次的增量贡献。结果表明，基坑具有最高的坍塌概率（46.55%），而“安全职责未得到执行”（C11）被确定为主要的管理因素（51.97%）。对基于FE的变形响应与基于BN的概率推理之间的一致性进行敏感性分析，证实了与地质条件相关的因素和施工顺序的偏差对挖掘风险有显著影响。该框架允许在新事故数据出现时逐步扩展图谱并更新贝叶斯网络参数。这种集成化的KG-BN-FE框架提供了一个从风险识别到后果预测的完整链条模型，为复杂施工系统中的主动安全管理和针对性风险控制提供了科学的数据驱动基础。

引言

施工仍然是一个高风险领域，事故原因复杂且不确定[1]。传统的风险分析技术（如事故统计[[2]]、[3]]和故障树分析[4]]难以描述多因素之间的耦合关系，并且在处理不确定性和动态推理方面支持有限。在数字化转型的背景下，知识图谱（KGs）作为一种基于图的基础设施，能够语义化地整合异构的安全数据和知识，因此在明确人员、设备和环境之间的关联和因果链方面受到了广泛关注。

在施工领域，知识图谱已被用于自动化合规性检查、危险识别、安全知识捕获和风险分析。Liu等人[5]利用自然语言处理（NLP）解析法规文本，构建了一个MEP代码知识库，实现了自动化的BIM检查。Fang等人[6]将计算机视觉与基于本体的知识图谱相结合，自动检测高空坠落、脚手架倒塌和电击等现场危险，提高了检测的准确性和适应性。Huo等人[7]从231起地铁施工事故报告中构建了一个知识图谱，揭示了耦合机制。拓扑分析揭示了潜在的事故路径以及危险类型、频率、时间和后果之间的关系，为有针对性的预防策略提供了依据。Liu等人[8]开发了一种基于知识图谱的动态风险分析方法，用于行为安全分析。通过结合图拓扑分析与增强型灰色聚类模型，该方法量化了不安全行为的风险，识别了高风险区域，并支持动态监控和早期预警。总体而言，这些研究表明，知识图谱整合了分散的施工安全知识，揭示了隐藏的关联关系，使人们对安全风险有了更全面的理解。

然而，用于施工安全的知识图谱面临几个持续的挑战。在快速发展的施工现场，动态更新和维护十分困难，而且将知识图谱与新现场数据和变化条件同步往往滞后于实际情况，导致知识过时[[9]]、[10]]。在实际项目环境中，知识图谱的可解释性和人与知识图谱的交互也受到限制。异构的多源数据难以整合成一个连贯的、可用于决策的图谱。此外，尽管大多数知识图谱强调定性推理并揭示了关联关系和假设的因果链，但它们对定量风险指标（如事故概率）的支持有限，这限制了预测评估和概率推理[[11]]、[12]]。总体而言，知识图谱丰富了安全知识的表示，但必须通过能够建模不确定性和进行严格定量风险分析的方法来补充。

为了将不确定性建模与概率推理结合起来，人们采用了贝叶斯网络（BN）来改进相关问题[[13]]、[14]]、[15]]。通过编码风险变量之间的条件依赖关系，贝叶斯网络能够在证据演变的情况下进行后验推理，并允许动态更新事故概率[[16]]、[17]]。在工程实践中，贝叶斯网络已被应用于地铁建设风险预测[18]、动态隧道安全评估[19]和大坝失效演化分析[[20]]、[21]]。这些研究表明，基于贝叶斯网络的框架可以量化事故发生的概率，识别敏感的风险因素，并在不确定性条件下支持决策制定。尽管有这些优势，但仍存在两个结构性限制。首先，贝叶斯网络的构建通常严重依赖于专家定义的结构和先验概率，特别是在事故数据不完整或不平衡的情况下[[22]]、[23]]、[24]]、[25]]、[26]]。这种依赖性可能会引入主观性并降低可重复性。其次，随着风险变量数量的增加，结构学习和概率推理在计算上变得非常耗时，尤其是在复杂的多因素环境中。此外，传统的贝叶斯网络框架很少考虑知识的更新：风险模式和因果关系可能会随时间演变，但大多数模型都是基于历史数据的静态表示开发的。

为了解决这些限制，知识图谱作为结构化、数据驱动的知识存储库被引入[[27]]、[28]]、[29]]、[30]]。通过挖掘大量的事故报告，知识图谱可以识别实体、关系和因果链，从而为贝叶斯网络结构的构建提供客观支持。知识图谱与贝叶斯网络的整合减少了主观干预，提高了风险因素的覆盖范围[[31]]、[32]]、[33]]。然而，现有研究主要集中在方法论整合上，还有两个重要问题尚未得到充分解决：（i）集成框架的预测可靠性很少通过系统的比较实验进行验证；（ii）概率风险因素的物理可解释性很少通过工程机制验证来检验。

为了填补这些空白，本研究基于中国1,164起官方记录的事故案例，提出了一种基于知识图谱的贝叶斯网络（KG+BN）框架，用于施工安全风险分析。该知识图谱编码了从事故报告中提取的多层次因果实体和关系，为贝叶斯网络的构建提供了结构化、数据驱动的基础。贝叶斯网络进行概率推理，以估计不同严重程度级别（L1–L4）的事故发生概率。通过k折交叉验证和分层消融实验评估预测可靠性，以确定层次化因果因素的增量贡献。此外，还结合了有限元（FE）仿真作为物理一致性验证层。不是将定性的贝叶斯网络节点等同于单一的定量参数，而是建立了风险因素组与机械参数集之间的操作映射，并使用关键的结构响应（如沉降和侧向位移）来验证概率敏感性与物理行为之间的一致性。尽管知识图谱是基于固定的事故数据集构建的，用于方法论验证，但该框架支持在新事故数据出现时逐步扩展图谱和更新贝叶斯网络参数。通过整合结构化的知识表示、概率推理、验证实验和基于机制的一致性检查，所提出的框架为预测施工安全风险提供了一个可重复且可解释的范式。整个研究流程如图1所示。

知识图谱的构建

知识图谱的构建包括数据收集、数据清洗、数据结构化、变量注释和数据分类。相关方法已在先前详细说明[29]，构建步骤如图2所示。具体来说，包含1,164起事故案例的数据集是通过授权的基于Python的网络爬虫技术和自然语言处理技术从权威的中国安全生产网（www.aqsc.cn）收集的，该网站由国家应急管理部门管理

节点重要性评估

根据本文构建的贝叶斯网络和参数学习结果，使用推理引擎来推断坍塌事故，并计算在事故发生条件下每个节点的后验概率。贝叶斯网络计算结果如图8所示。

根据参数计算结果，坍塌事故的后验概率为55.63%，由此可以得出每个事故位置和风险的后验概率

结论

本文重点介绍了基于知识图谱的贝叶斯网络模型在施工安全风险分析中的应用。核心工作可以总结为以下结论：

(1)

开发了一个用于坍塌事故的贝叶斯网络。基于知识图谱建立了连接事故类型、位置和风险因素的贝叶斯网络模型。通过整合事故数据，构建了一个从风险源到结果的完整因果链。

(2)

参数学习

CRediT作者贡献声明

Ping Wu：撰写——初稿、监督、调查、概念化。 Jiaming Huang：方法论、形式分析、数据管理、概念化。 Wangxin Li：撰写——审阅与编辑、撰写——初稿、可视化、验证、数据管理、概念化。 Yue Huang：撰写——审阅与编辑、数据管理、概念化。 Qiang Li：撰写——审阅与编辑、撰写——初稿、软件开发、资源管理、项目协调、概念化。 Yidong Xu：