Подход слияния графа знаний и больших языковых моделей для экстренных рекомендаций в газовых туннелях

Почему умная безопасность туннелей важна

Газовые туннели — ключевые артерии для энергии и транспорта, но при аварии под землей у спасателей есть всего несколько минут на действия. Необходимые им знания — отчёты о прошлых инцидентах, технические руководства и планы действий при ЧС — обычно разбросаны по множеству документов и трудно доступны в условиях стресса. В этой работе представлен новый способ автоматически собирать, организовывать и доставлять эти скрытые знания спасателям, используя сочетание современных языковых моделей и сетевых карт знаний. Цель проста: превратить разрозненный текст в ясные, надёжные рекомендации во время кризиса.

Преобразование разбросанных документов в связанную базу знаний

Аварийные команды опираются на широкий набор источников: государственные инструкции, инженерные отчёты, внутренние анализы инцидентов и др. Авторы сначала собирают такие материалы в специализированный набор данных, ориентированный на аварии в газовых туннелях. Вместо того чтобы просить экспертов вручную кодировать правила или создавать жёсткие классификации, они используют большую языковую модель (LLM) как интеллектуального читателя. С тщательно продуманными подсказками LLM просматривает тексты, выделяет ключевых участников (оборудование, места, опасности, действия) и связи между ними, а затем выражает каждое наблюдение в виде простого трёхчастного факта. Эти факты становятся узлами и связями в графе знаний — своего рода карте, показывающей, как понятия, связанные с чрезвычайными ситуациями в туннелях, соотносятся друг с другом.

Как система находит нужные факты за считанные секунды

Когда спасатель задаёт вопрос — например, как восстановить вентиляцию после внезапного выброса газа — система делает больше, чем простое сопоставление по ключевым словам. Сначала она выявляет важные термины в вопросе и преобразует и сам вопрос, и каждый факт в графе в числовые векторы, отражающие смысл, а не только формулировку. С помощью быстрого поиска по сходству извлекаются наиболее релевантные фрагменты графа. На втором этапе эти кандидатные факты переупорядочиваются так, чтобы те, что содержат точные совпадения с терминами пользователя, поднимались вверх. Ограничивая итоговый набор небольшим количеством высокорелевантных фактов, система может быстро отвечать и при этом укладываться в лимиты памяти языковой модели.

Обучение модели отвечать, опираясь на реальные данные

Как только нужный фрагмент графа найден, его переводят обратно в короткие читаемые описания и передают в LLM вместе с вопросом пользователя. Эта схема, часто называемая генерацией с дополнением извлечением (retrieval-augmented generation), напоминает выдачу модели сжатого брифинга перед тем, как она генерирует ответ. Модель при этом не дообучается и не тонко настраивается; она остаётся «замороженной» и направляется актуальными проверяемыми фактами. Это помогает уменьшить известную проблему «галлюцинаций», когда модели уверенно выдумывают детали. Здесь ответ модели привязан к задокументированным процедурам и прошлым случаям из графа, а сами источники можно позже проверить для прозрачности.

Проверка подхода на практике

Чтобы оценить, помогает ли метод действительно в чрезвычайных ситуациях, авторы создали 50 реалистичных сценариев вопрос‑ответ, охватывающих типичные туннельные кризисы: накопление газа, пожары, отказ вентиляции, блокировка рабочих и др. Они сравнили свою систему с несколькими сильными языковыми моделями, включая широко используемую коммерческую модель, по автоматическим текстовым метрикам и оценкам людей. Профессионалы отрасли и исследователи оценивали каждый ответ по точности, полноте, логичности и скорости. Система с графовым сопровождением не только точнее воспроизводила решения реальных случаев, но и давала более подробные и логично упорядоченные шаги, чем модели, работающие в одиночку. Хотя ответ занимал немного больше времени, эксперты сочли эту потерю оправданной в ситуациях с высоким риском, где правильность шагов важнее экономии секунды или двух.

Что это значит для практической безопасности туннелей

Для неспециалистов главный вывод в том, что исследование показывает: искусственный интеллект может выйти за пределы общих советов и стать надёжным помощником в очень конкретных, опасных условиях. Сливая граф знаний и языковую модель, авторы создают систему, которая читает и организует большие объёмы технической информации, а затем выдаёт обоснованные пошаговые рекомендации при аварии в газовом туннеле. Хотя эффективность подхода всё ещё зависит от полноты доступных данных и его можно доработать для более быстрого интерактивного использования, он указывает путь к будущим инструментам для экстренных ситуаций, которые будут одновременно умными и объяснимыми — помогая людям принимать решения быстрее и увереннее, когда на кону стоят жизни.

Цитирование: 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

Ключевые слова: безопасность газовых туннелей, поддержка принятия решений в чрезвычайных ситуациях, граф знаний, большие языковые модели, генерация с дополнением извлечением