Page 43 - 2023年第54卷第6期

从表 ３得知，输入风险事件实体为 “恐袭” 时，该算法匹配正确的风险事件实体为 “恐怖袭击”，并
且返回的其他风险事件实体与恐怖袭击相关，例如 “无人机袭击”、 “恐怖劫持事件” （恐怖袭击的表
现形式）、“控制系统故障” （可能是控制系统被恐怖袭击破坏的结果）。
４．３ 应急方案模板 为智能生成应急方案，需要设计应急方案模板。本文设计的应急方案模板分为工
程概况、险情分析、抢险方案、备料点四部分，其中工程概况包括所属工程、所在地点、风险量值、
风险级别；险情分析包括诱发因子、相关风险事件、导致后果、发生部位；抢险方案包含设备、物
资、存储位置、抢险措施；备料点包含备料点编号、总干渠桩号、长度、面积等，具体应急方案模板
如图 ５。

图 ５ 应急方案模板

５ 实验结果分析

５．１ 实验环境 本文实验运行环境为 ＣＰＵ（Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７ － ８７００）、ＧＰＵ（ＮＶＩＤＩＡ ＧｅＦｏｒｃｅＧＴ
７１０）、ｐｙｔｈｏｎ版本 ３．６、操作平台 ｐｙｃｈａｒｍ２０２０．３、神经网络框架 Ｋｅｒａｓ，其中 ＢＥＲＴ ＋ ＢｉＬＳＴＭ＋ ＣＲＦ模型
的部分参数如表 ４。
５．２ 图谱构建结果分析
５．２．１ 图谱实体关系抽取结果 以 ４７本南水北调中线工程风险防控手册以及抢险体系总体方案为数
据源，抽取实体类型包含工程、地点、管理机构、风险量值、风险事件等共 １５种（具体实体统计见表
５），抽取关系类型包含工程－ 风险事件（存在风险事件）、工程－ 风险量值（工程风险量值）、工程－ 风险
级别（工程风险级别）等共 １７种，具体关系统计见表 ６。
表 ４ ＢＥＲＴ ＋ ＢｉＬＳＴＭ＋ ＣＲＦ模型的部分参数 表 ５ 南水北调中线工程抽取实体统计

实验参数 含义 训练参数值 实体类型 实体数量 实体类型 实体数量
工程 ３３５３ 管理处 ４７
Ｅｐｏｃｈ 训练轮数 ５０
风险事件 ４１１ 设备 ３５
Ｍａｘ＿ｌｅｎ 输入句子最大长度 １２８
风险因子 ２２２ 物资 ２５
Ｂａｔｃｈ＿ｓｉｚｅ 每一次训练句子数 １６
风险量值 ９５ 存储位置 ６
Ｌｓｔｍ＿ｕｎｉｔｓ ＢｉＬＳＴＭ单层神经元数 １２８
预防措施 ６４０ 险情后果 １０１
Ｄｒｏｐ＿ｒａｔｅ 随机丢失率 ０．１
控制措施 ６８０ 险情发生部位 １０２
Ｌｅａｒｎｉｎｇ＿ｒａｔｅ 训练初始学习率 ５ × １０ － ５ 地点 ４７ 备料点 １８８
Ｏｐｔｉｍｉｚｅｒ 优化器 Ａｄａｍ 风险级别 ４

— ６ ７ １ —