نهج دمج رسم المعرفة ونماذج اللغة الكبيرة لتوصية المعرفة الطارئة في أنفاق الغاز

لماذا تهم سلامة الأنفاق الأكثر ذكاءً

تعد أنفاق الغاز شرايين حيوية للطاقة والنقل، ولكن عندما يحدث خطأ تحت الأرض، يمتلك المنقذون دقائق معدودة فقط للتحرك. المعرفة التي يحتاجونها — تقارير حوادث سابقة، كتيبات فنية، وخطط طوارئ — عادة ما تكون متناثرة عبر مستندات كثيرة وصعبة البحث تحت الضغط. تعرض هذه الورقة طريقة جديدة لجمع وتنظيم وتسليم تلك الخبرات المخبأة إلى المستجيبين تلقائياً، باستخدام مزيج من نماذج اللغة المتقدمة وخرائط المعرفة الشبكية. الهدف بسيط: تحويل النصوص الفوضوية إلى إرشاد واضح وجدير بالثقة أثناء الأزمة.

تحويل المستندات المتناثرة إلى معرفة مترابطة

تعتمد فرق الطوارئ على مزيج واسع من المعلومات: إرشادات حكومية، تقارير هندسية، مراجعات داخلية للحوادث، والمزيد. يجمع المؤلفون أولاً مثل هذه المصادر في مجموعة بيانات مخصصة تركز على حوادث أنفاق الغاز. بدلاً من مطالبة الخبراء بترميز قواعد يدوياً أو تصميم تصنيفات جامدة، يستخدمون نموذج لغة كبير كقارئ ذكي. من خلال صياغة مطالبات بعناية، يقوم النموذج بفحص النص، وتحديد اللاعبين الرئيسيين (مثل المعدات، المواقع، المخاطر، والإجراءات) والروابط بينها، ثم يعبر عن كل نتيجة كحقيقة بسيطة ثلاثية الأجزاء. تصبح هذه الحقائق عقداً وروابط في رسم المعرفة، وهو نوع من الخريطة التي توضح كيف ترتبط مفاهيم طوارئ الأنفاق ببعضها.

كيف يجد النظام الحقائق المناسبة في ثوانٍ

عندما يطرح المستجيبون سؤالاً — على سبيل المثال، كيفية استعادة تدفق الهواء بعد تسرب غاز مفاجئ — لا يكتفي النظام بمطابقة الكلمات المفتاحية. أولاً يكتشف المصطلحات المهمة في السؤال ويحوّل كل من السؤال وكل حقيقة في الرسم إلى متجهات رقمية تلتقط المعنى بدلاً من الكلمات فقط. باستخدام بحث تشابه سريع، يستخرج أقرب المقاطع ذات الصلة من الرسم. ثم تقوم خطوة ثانية بإعادة ترتيب هذه الحقائق المرشحة بحيث ترتقي تلك التي تحتوي على مطابقات دقيقة لمصطلحات المستخدم إلى الأعلى. من خلال تقييد الحزمة النهائية إلى عدد قابل للإدارة من الحقائق عالية الصلة، يستطيع النظام الاستجابة بسرعة والبقاء ضمن حدود الذاكرة لنموذج اللغة.

تعليم النموذج أن يجيب وهو "واقعي"

بمجرد العثور على بقعة مناسبة من رسم المعرفة، تُترجم إلى أوصاف قصيرة مقروءة وتُغذى إلى نموذج اللغة جنباً إلى جنب مع سؤال المستخدم. يُشار إلى هذا الإعداد، غالباً، بالتوليد المعزز بالاسترجاع؛ فهو يعمل كمجرد تسليم حزمة إحاطة مركزة للنموذج قبل أن يجيب. لا يتم إعادة تدريب النموذج أو ضبطه دقيقاً؛ بل يبقى ثابتاً ويوجه ببساطة بواسطة حقائق قابلة للتتبع ومحدّثة. يساعد هذا في الحد من مشكلة "الهلوسة" المعروفة، حيث تختلق نماذج اللغة تفاصيل بثقة. هنا، يكون جواب النموذج مرتكزاً إلى إجراءات موثقة وحالات سابقة مأخوذة من الرسم، ويمكن فحص تلك المصادر لاحقاً لتحقيق الشفافية.

اختبار المنهج

لاختبار ما إذا كانت الطريقة تساعد حقاً في حالات الطوارئ، أنشأ المؤلفون 50 حالة سؤال وإجابة واقعية تغطي أزمات أنفاق شائعة: تراكم الغاز، الحرائق، فشل التهوية، العمال المحاصَرون، والمزيد. قارنوا نظامهم بعدة نماذج لغة قوية، بما في ذلك نموذج تجاري مستخدم على نطاق واسع، سواء عبر مقاييس مطابقة النص الآلية أو تقييمات بشرية. قيّم مهنيون من الصناعة وباحثون كل إجابة من حيث الدقة، والشمول، والمنطق الواضح، والسرعة. لم يكتفِ النظام الموجه بالرسم بمطابقة قرارات الحالات الحقيقية بشكل أوثق فحسب، بل قدم أيضاً خطوات أكثر تفصيلاً وترتيباً منطقياً مقارنة بالنماذج العاملة بمفردها. وعلى الرغم من أنه استغرق وقتاً أطول قليلاً في الاستجابة، اعتبر الخبراء هذه المقايضة مقبولة في المواقف عالية المخاطر حيث تكون الخطوات الصحيحة أهم من توفير ثانية أو اثنتين.

ما الذي يعنيه هذا لسلامة الأنفاق في العالم الحقيقي

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن الدراسة تظهر كيف يمكن للذكاء الاصطناعي أن يتجاوز النصائح العامة ليصبح مساعداً موثوقاً في بيئات محددة وخطيرة جداً. من خلال دمج رسم معرفة مع نموذج لغة، يبني المؤلفون نظاماً يقرأ وينظم كميات كبيرة من المواد الفنية، ثم يقدم توصيات مؤسّسة وخطوة بخطوة عند وقوع حادث في نفق الغاز. بينما لا يزال النهج يعتمد على اتساع البيانات المتاحة ويمكن تحسينه لاستخدام تفاعلي أسرع، فإنه يشير إلى أدوات طوارئ مستقبلية تكون ذكية وقابلة للتفسير — مما يساعد صانعي القرار البشريين على التصرف بسرعة وثقة أكبر عندما تكون الأرواح على المحك.

الاستشهاد: Xu, N., Chen, X., Luo, J. et al. Knowledge graph–large language model fusion approach for emergency knowledge recommendation in gas tunnels. Sci Rep 16, 11438 (2026). https://doi.org/10.1038/s41598-026-39204-0

الكلمات المفتاحية: سلامة أنفاق الغاز, دعم القرار في حالات الطوارئ, رسم المعرفة, نماذج اللغة الكبيرة, التوليد المعزز بالاسترجاع