基于多源监测数据的综合管廊高阶耦合安全风险评估

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Safety Risk Assessment of Higher-Order Couplings in Utility Tunnels Using Multi-Source Monitoring Data

【字体: 大 中 小 】 时间:2026年09月19日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

   **摘要** • 一个风险评估框架融合了耦合关系、时序学习和不确定性估计。 • 超图用于表示管廊风险因子之间的高阶依赖关系。 • HyperGCN-LSTM 模型用于捕捉结构耦合和时序风险演化。 • MC Dropout(蒙特卡洛 Dropout)提供不确定性线索,支

  

**摘要**

• 一个风险评估框架融合了耦合关系、时序学习和不确定性估计。

• 超图用于表示管廊风险因子之间的高阶依赖关系。

• HyperGCN-LSTM 模型用于捕捉结构耦合和时序风险演化。

• MC Dropout(蒙特卡洛 Dropout)提供不确定性线索,支持可靠性感知的风险预警。

**引言**

综合管廊通常被视为城市地下生命线,它将多种市政管线集成于地下空间,以减少重复道路开挖并支持城市可持续发展[1]。然而,其封闭空间、异构设施以及共存管线之间的强依赖性使得安全管理本质上非常复杂,尤其是在局部扰动通过耦合管线系统传播并演化为级联故障时[2]。近期事件进一步凸显了此类脆弱性的严重后果,包括2025年11月26日伦敦Holborn地下综合管廊火灾引发的主要道路封闭和公共交通中断;2024年9月下旬巴尔的摩市中心地下管线火灾导致的街道/建筑封闭和数千家客户停电;以及2023年9月11日科罗拉多斯普林斯市中心地下电缆火灾造成的电气设备损坏和数百家客户停服。在此类高影响场景中,人工或半人工风险识别的局限性不仅仅在于速度较慢,更可能导致系统性后果[3]。一方面,误报可能引发重复巡检、临时封闭和多机构协调,导致应急响应和维保费源被不必要地消耗,从而削弱了对真实风险的应对能力[4]。另一方面,漏报或低估可能延误响应启动,使早期扰动在封闭空间和多种管线耦合条件下迅速升级,从而诱发次生影响和级联事故链[5]。此外,在耦合多风险条件下的误判可能导致资源分配和响应顺序不当,削弱应急行动的有效性并放大整体后果[6]。因此,管廊安全风险评估迫切需要一种模型辅助方法,能够同时支持风险结构表示、风险等级预测以及预测结果的可靠性评估。此类方法可以表征多源风险因子之间的交互作用,识别风险状态的层级变化,并为运维管理和应急响应提供可靠的决策支持[7]。

尽管已有大量研究致力于建模管廊中的风险耦合关系并揭示多源灾害之间的交互路径[8],但大多数现有研究仍然依赖静态结构、专家定义关系或有限的特征提取。因此,它们仍然不足以有效表征复杂场景下的高阶和多维风险交互作用,对动态条件下及时风险识别和更新的支撑也有限[9]。与此同时,传感器网络和物联网技术的快速部署使管廊系统能够生成大规模、高频、多源监测数据,为从基于规则的推理转向数据驱动的风险演化建模提供了机遇[10]。与仅依赖基于规则的推理或静态评估的方法相比,机器学习和深度学习模型可以从历史监测数据中学习复杂的非线性关系,从而支持风险趋势识别和预警分析[11-13]。在此背景下,机器学习方法已被广泛应用于风险分类、故障识别和状态评估等任务。例如,Alkaissy等人应用机器学习分类模型识别建筑安全事故中的伤害类型,并比较了XGBoost、随机森林(RF)和支持向量机(SVM)等算法在风险事件分类中的性能[14]。Surucu等人系统地综述了机器学习在状态监测、故障检测和预测性维护中的应用,指出机器学习方法已成为复杂工程系统运行状态识别和故障预警的重要工具[15]。支持向量机(SVM)、随机森林(RF)、XGBoost和多层感知机(MLP)等传统机器学习方法,能够从监测指标中学习风险状态或故障状态的非线性决策边界,在涉及有限样本和结构化数据的场景中表现出良好的适用性。然而,这些方法通常依赖静态特征输入,不足以表征风险状态随时间的动态演化。它们也难以显式表示风险因子、设备组件或系统状态变量之间的结构依赖性[16,17]。

为了克服静态建模的局限性,循环神经网络(RNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)等时序模型被引入以捕捉系统状态随时间的动态特性。这些模型能够学习历史状态对后续风险演化的影响,在退化预测、运行状态识别和风险趋势评估中发挥作用[18,19]。然而,时序模型主要关注时间维度上的状态转移,其表示风险因子之间关系结构和耦合效应的能力仍然有限。在此基础上,图神经网络(如GCN和GAT)进一步将结构关系引入风险建模过程,使得风险因子、设备单元或系统组件之间的依赖关系得以表示[20]。然而,普通图模型主要表征节点之间的成对关系,因此不足以完全表示由多个风险因子共同作用形成的高阶耦合关系。关于超图的相关研究表明,超图结构可以克服成对连接的局限性,更适合描述复杂系统中的高阶交互作用[21]。

总体而言,尽管现有的数据驱动和基于图的方法在风险预测和结构表示方面取得了一定进展,但它们仍然不能完全满足管廊运维风险评估的需求。首先,许多研究仍以离线或定期评估为主,对运维过程中风险状态的动态更新支撑不足。其次,风险结构建模往往局限于成对或静态关联,难以在多个因子同时作用时表征高阶耦合、异构交互及其级联传播,从而限制了刻画风险演化机制所需的表达能力。第三,大多数模型主要产生点预测结果,对预测不确定性和置信水平的表征有限。在异常运行条件或数据分布偏移下,此类模型可能产生过度自信的判定,从而影响模型辅助预警和运维决策的可靠性。

为应对这些挑战,有必要开发一种融合高阶结构表示、时序状态建模和不确定性感知的风险等级预测方法。本研究提出了一种面向管廊运维场景的连续安全风险评估框架,集成了超图结构建模、时序特征学习和不确定性感知机制,以支持风险等级识别和可靠性辅助判断。首先,构建风险数值矩阵以量化风险因子之间的交互强度,并利用超图初始化高阶耦合结构,其中超边表示多个节点之间的联合交互。其次,开发HyperGCN-LSTM风险等级预测模型,其中HyperGCN提取每个时间切片内的高阶风险耦合特征,LSTM则表征跨连续时间窗口的风险状态演化。第三,在推理阶段引入MC Dropout作为辅助不确定性估计机制。通过多次随机前向传播,获得平均预测概率、预测方差和预测熵等指标,为识别低置信度样本、触发人工审查和支撑分级预警提供参考。在应用层面,预测的风险等级和不确定性指标可作为运维人员进行风险巡检、预警分析和响应优先级排序的辅助证据,并可进一步与调度和现场响应机制集成。所提出的方法利用北京世博会管廊的运维数据进行验证。实验结果表明,该方法在风险等级识别方面取得了良好的预测性能,并通过超图结构先验和不确定性指标为模型辅助决策提供了可解释性和可靠性支持。

本文的主要贡献如下:(1)风险耦合的高阶结构表示。将多源风险交互形式化为超图结构,实现超越成对关系的高阶耦合表征。(2)HyperGCN-LSTM结构-时序联合学习模型的开发。首先使用HyperGCN提取每个时间切片内的高阶风险耦合特征,然后利用LSTM表征跨连续时间窗口的风险状态演化。(3)不确定性感知的风险审查与响应支持方法。开发了一种不确定性感知评估机制,以区分高置信度预测和低置信度预测,为管廊运维中的自动报警、人工审查和响应优先级排序提供依据。

本文其余部分组织如下:第2节综述相关文献。第3节阐述所提出的方法。第4节介绍实验设计和主要结果。第5节提供进一步讨论,包括消融实验、滚动风险档案更新、基于SHAP的可解释性分析和管理启示。第6节为结论。

**文献综述**

随着多源监测数据的日益可获得,管廊风险评估正朝着连续风险筛查和工作流化决策支持方向发展。这一转变需要能够从异构数据中学习、表示耦合风险交互作用并提供不确定性感知输出的方法,以实现可靠的解释。

**总体框架**

为解决管廊连续风险评估中嵌入风险耦合关系、捕捉风险状态动态演化以及提高预测可靠性的挑战,本研究提出了一种基于深度学习的框架,集成了高阶风险耦合结构、多源监测数据和不确定性感知推理。如图1所示,该框架由四个组件构成:数据集构建、超图构建、结构感知……

**数据收集与处理**

数据处理流程包括两个阶段:风险指标构建和机器学习样本生成。在第一阶段,从事故报告、相关文献和专家知识中识别管廊运维中的风险因子,建立二级风险因子体系。在第二阶段,将实际运维过程中收集的传感器报警、自查记录和专家评估进行定期量化,并转化为时间序列样本用于模型训练。

**讨论**

本节通过消融分析、可解释性评估、滚动风险档案更新和管理讨论,进一步考察所提出的方法。

**结论**

本研究针对管廊运维中的多风险识别与预测问题,提出了一种系统方法框架,融合了语义提取、高阶风险耦合建模、超图结构表示、时序学习和不确定性感知推理。该框架旨在从多源风险信息中识别关键风险因子及其耦合关系,并进一步实现结构-时序联合……

**CRediT作者贡献声明**

Nan Hai:原创稿件撰写、软件、方法论、形式分析、数据管理。

Daqing Gong:审阅与编辑、监督、资源、方法论、基金获取、概念构思。

Zhenji Zhang:验证、监督、调查、概念构思。

Zixuan Dai:软件、调查、数据管理。

Nan Hai | Daqing Gong | Zhenji Zhang | Zixuan Dai
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号