用于燃气隧道紧急知识推荐的知识图谱—大语言模型融合方法

为何更智能的隧道安全至关重要

燃气隧道是能源和交通的重要动脉，但一旦地下出现事故，救援人员只有几分钟可供决策。他们所需的知识——以往事故报告、技术手册和应急预案——通常散落在大量文档中，紧急情况下难以检索。本文提出了一种新的方法，利用先进的语言模型与网络式知识地图的结合，自动收集、组织并向救援人员提供这些隐匿的专业知识。目标很简单：在危机时把杂乱的文本转化为清晰、可依赖的指导。

将分散的文档转为互联的知识

应急团队依赖多种信息来源：政府指南、工程报告、内部事故评审等。作者首先将这些来源汇编成一个针对燃气隧道事故的定制数据集。与其让专家手工编码规则或设计僵化的分类，他们采用大型语言模型（LLM）作为智能阅读器。通过精心设计的提示，LLM梳理文本，识别关键实体（如设备、位置、危害与措施）及其相互关系，并将每一项发现表达为简明的三元事实。这些事实成为知识图谱中的节点与连接，一种展示隧道应急中概念如何相互关联的地图。

系统如何在几秒内找到相关事实

当救援人员提出问题——例如如何在突发燃气泄漏后恢复气流——系统做的远不止关键词匹配。它首先检测问题中的重要术语，并将问题与图谱中的每条事实都转换为能够捕捉含义而非仅词形的数值向量。通过快速的相似性搜索，系统检索出图谱中最相关的片段。第二步对这些候选事实进行重排序，使包含用户术语的精确匹配项位居前列。通过将最终返回的事实限制在有限数量的高度相关项内，系统既能快速响应，又能控制在语言模型的上下文和内存限制之内。

让模型的回答“接地有据”

一旦找到知识图谱中的相关片段，就将其翻译回简短、可读的描述并与用户问题一并提供给LLM。这种设置通常称为检索增强生成，相当于在模型输出前给它一份集中且针对性的简报包。模型并未被重新训练或微调；它保持固定，而是由这些最新且可追溯的事实来引导。这有助于抑制语言模型常见的“幻觉”问题，即模型自信地编造细节。在此场景下，模型的回答以图谱中记录的操作程序和既往案例为依据，并且这些来源可以随后查验以保证透明性。

将该方法付诸测试

为评估该方法在紧急情况中的有效性，作者构建了50个现实的问答案例，涵盖常见隧道危情：燃气积聚、火灾、通风失效、被困人员等。他们将所述系统与若干强大的语言模型（包括一种广泛使用的商业模型）在自动文本匹配评分和人工评审上进行了比较。行业专家和研究人员对每个答案的准确性、完整性、逻辑清晰度和响应速度进行评分。与单独使用模型相比，基于图谱的系统不仅更贴近真实案例的决策，而且生成了更详细、逻辑有序的操作步骤。尽管响应时间略有增加，但专家们认为在高风险情形下，为得到正确步骤而牺牲一两秒是值得的。

这对现实世界隧道安全意味着什么

对非专业读者而言，核心信息是：研究表明人工智能可以超越通用建议，成为非常具体且可靠的应急助手。通过将知识图谱与语言模型融合，作者构建了一个能阅读并组织大量技术材料的系统，并在燃气隧道事故发生时提供有依据、按步骤的建议。尽管该方法仍依赖可用数据的广度，且可为更快速的交互体验进一步优化，但它指向了未来那类既智能又可解释的应急工具，帮助人工决策者在生命攸关时刻更快、更有信心地采取行动。

引用: 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

关键词: 燃气隧道安全, 应急决策支持, 知识图谱, 大型语言模型, 检索增强生成