本发明公开一种知识图谱驱动的大坝安全评判权重动态拟定方法及系统，首先组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径；然后利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个低维向量表示；接着采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；最后利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值。本发明用于评估大坝各个测点对大坝安全的影响程度，辅助大坝安全综合评判，具备实时性和复用性。
1.一种知识图谱驱动的大坝安全评判权重动态拟定方法，其特征在于，包括如下步骤：(1)组合大坝安全运行知识图谱中实体和关系的语义来生成大坝安全运行知识感知路径；
(2)利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个向量表示；
(3)采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；
(4)利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值；
所述步骤(1)中组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径的具体步骤如下：(1.1)定义大坝安全运行知识图谱为 其中每个三元组(h,
r,t)表示一个事实，即从头实体h到尾实体t存在关系r；用户项交互数据表示为二部图，采用 和 分别表示用户集和项目集，用户和项目之间的交互采用三元组τ＝(u,interact,i)表示，其中ut用户指的是大坝工况，it项目包含大坝所有测点，M和N分别指用户和项目的数量，interact代表u和i相互作用，即两者之间存在关系；
(1.2)知识图谱中的三元组清楚地描述了项目的直接或间接关系属性，这些属性应构成给定用户和项目对之间的一条或多条路径，即大坝知识感知路径，定义为其中e1＝u，eL＝i，(el,rl,el+1)是p中的第l个三元组，l表示路径中的三元组数。
2.根据权利要求1所述的知识图谱驱动的大坝安全评判权重动态拟定方法，其特征在于，所述方法为适用于特殊工况下大坝安全综合评判权重动态拟定方法，所述特殊工况指的是：大坝在自然灾害下的工作状态。
3.根据权利要求1所述的知识图谱驱动的大坝安全评判权重动态拟定方法，其特征在于，所述步骤(2)中利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个向量表示的具体步骤如下：给定一个路径pk，利用图卷积网络将每个实体的类型和特定值投影到两个独立的嵌入向量 和 中，使关系的语义融入到路径表示学习中，其中d是嵌入向量大小，引张线仪器用于测量大坝上下游及左右岸方向的水平位移，EP2‑12属于利用引张线监测的一个测点。
4.根据权利要求1所述的知识图谱驱动的大坝安全评判权重动态拟定方法，其特征在于，所述步骤(3)中采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义的具体步骤如下：(3.1)当路径步长为l‑1时，串联当前实体el‑1、e'l‑1和关系rl‑1的嵌入向量生成向量xl‑1，然后将xl‑1作为LSTM的输入向量，输出隐藏状态向量hl‑1，并用最终状态hl表示整个路径pk；
(3.2)建立路径pk的向量表示后，将最终状态输入两个全连接层，获得路径pk的预测分数，公式如下所示，其中w1和w2分别是第一层和第二层的系数权重，ReLU是激活函数，τ是用户和项目之间的交互表示T T
5.根据权利要求1所述的知识图谱驱动的大坝安全评判权重动态拟定方法，其特征在于，所述步骤(4)中利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值的具体步骤如下：大坝知识感知路径中不同路径对模型用户偏好具有不同的贡献，因此池化层需对所有路径的总分进行加权池运算，并输出给定用户与目标项交互的最终得分，公式如下所示，首先通过一个加权池操作聚合所有路径的分数，再利用sigmoid函数将分数转化到[0,1]区间内，其中sk是第K路径的预测得分，γ是控制每个指数权重的超参数，σ是sigmoid函数， 是最终测点权重，
6.一种知识图谱驱动的大坝安全评判权重动态拟定系统，其特征在于，包括：生成大坝安全运行知识感知路径模块：组合大坝安全运行知识图谱中实体和关系的语义来生成大坝安全运行知识感知路径；
向量表示模块：利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个向量表示；
LSTM模块：采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；
权重获取模块：利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值；
所述生成大坝安全运行知识感知路径模块中组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径的具体步骤如下：(1.1)定义大坝安全运行知识图谱为 其中每个三元组(h,
r,t) 表示一个事实，即从头实体h到尾实体t存在关系r；用户项交互数据表示为二部图，采用 和 分别表示用户集和项目集，用户和项目之间的交互采用三元组τ＝(u,interact,i)表示，其中ut用户指的是大坝工况，it项目包含大坝所有测点，M和N分别指用户和项目的数量，interact代表u和i相互作用，即两者之间存在关系；
(1.2)知识图谱中的三元组清楚地描述了项目的直接或间接关系属性，这些属性应构成给定用户和项目对之间的一条或多条路径，即大坝知识感知路径，定义为其中e1＝u，eL＝i，(el,rl,el+1)是p中的第l个三元组，l表示路径中的三元组数。
知识图谱驱动的大坝安全评判权重动态拟定方法及系统
技术领域
[0001] 本发明涉及一种大坝安全综合评判权重动态拟定方法和系统，特别涉及一种知识图谱驱动的特殊工况下大坝安全综合评判权重动态拟定方法和系统，属于大坝安全综合评判技术领域。
背景技术
[0002] 大坝是调控水资源时空分布、优化水资源配置的重要工程措施，但随着时间的推移，受自然灾害或自身老化问题，大坝的潜在的安全问题得到了广泛的关注。大坝分级综合评判是评判大坝安全的重要手段之一，它从局部到整体、从小到大评判大坝安全，即从单测点、仪器类型、监测项目、基本部位，最后到建筑物，进行分级综合评判。由于每个测点的重要性程度不同，以往通过专家经验和现场状况对各个测点评估权重值，大坝经常会遇到地震、暴雨和泥石流等自然灾害，无法每次都能及时请到专家，获得他们所评估的每个测点的权重值。
发明内容
[0003] 发明目的：针对现有技术的问题与不足，本发明提供一种大坝安全综合评判权重动态拟定方法和系统，具体是一种知识图谱驱动的特殊工况下大坝安全综合评判权重动态拟定方法和系统，利用大坝安全感知路径中顺序依赖进行有效的推理，动态评估大坝各个测点权重，在节约人力成本的同时，保证了大坝权重拟定的实时性和复用性。
[0004] 技术方案：一知识图谱驱动的大坝安全评判权重动态拟定方法，包括如下步骤：
[0005] (1)组合大坝安全运行知识图谱中实体和关系的语义来生成大坝安全运行知识感知路径；
[0006] (2)利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个低维向量表示；
[0007] (3)采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；
[0008] (4)利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值。
[0009] 知识图谱驱动的大坝安全评判权重动态拟定方法，为适用于特殊工况下大坝安全综合评判权重动态拟定方法，所述特殊工况指的是：
[0010] 大坝在自然灾害下的工作状态，与日常工况相比，特殊工况的产生具有突发性，对大坝的整体性和稳定影响更大。所述自然灾害包括地震、暴雨和泥石流。
[0011] 进一步的，所述步骤(1)中组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径的具体步骤如下：
[0012] (1.1)定义大坝安全运行知识图谱为 其中每个三元组(h，r，t)表示一个事实，即从头实体h到尾实体t存在关系r；用户项交互数据通常表示为二部图，采用 和 分别表示用户集和项目集，用户和项目之间的交互采用三元
组τ＝(u,interact,i)表示，其中ut用户指的是大坝工况(包含地震、暴雨和泥石流等特殊工况)，it项目包含大坝所有测点，M和N分别指用户和项目的数量，interact代表u和i相互作用(即两者之间存在关系)；
[0013] (1.2)知识图谱中的三元组清楚地描述了项目的直接或间接关系属性，这些属性应构成给定用户和项目对之间的一条或多条路径，即大坝知识感知路径，定义为其中e是实体，r是关系，e1＝u，eL＝i，(el,rl,el+1)是p中的第l个三元组，l表示路径中的三元组数。
[0014] 进一步的，所述步骤(2)中利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个低维向量表示的具体步骤如下：
[0015] 给定一个路径pk，利用图卷积网络将每个实体的类型(如特殊工况、水工巡检部位、大坝安全监测仪器等)和特定值(即大坝测点，如引张线EP2‑12测点)投影到两个独立的低维嵌入向量 和 中，使关系的语义融入到路径表示学习中，其中d是嵌入向量大小，引张线仪器用于测量大坝上下游及左右岸方向的水平位移，EP2‑12属于利用引张线监测的一个测点；
[0016] 进一步的，所述步骤(3)中采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义的具体步骤如下：
[0017] (3.1)当路径步长为l‑1时，串联当前实体el‑1、e'l‑1和关系rl‑1的嵌入向量生成向量xl‑1(即 其中 是串联操作，e'l‑1是特定值的低维嵌入向量，rl‑1是关系向量)，然后将xl‑1作为LSTM的输入向量，输出隐藏状态向量hl‑1，并用最终状态hl表示整个路径pk；
[0018] (3.2)建立路径pk的向量表示后，将最终状态输入两个全连接层，获得路径pk的预测分数，公式如下所示，其中w1和w2分别是第一层和第二层的系数权重，ReLU是激活函数，τ是用户和项目之间的交互表示。
[0019]
[0020] 进一步的，所述步骤(4)中利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值的具体步骤如下：
[0021] 大坝知识感知路径中不同路径对模型用户偏好具有不同的贡献，因此池化层需对所有路径的总分进行加权池运算，并输出给定用户与目标项交互的最终得分，公式如下所示，首先通过一个加权池操作聚合所有路径的分数，再利用sigmoid函数将分数转化到[0,1]区间内，其中sk是第K路径的预测得分，γ是控制每个指数权重的超参数，σ是sigmoid函数， 是最终测点权重。
[0022]
[0023] 本发明提供的大坝安全综合评判权重动态拟定方法，利用大坝安全感知路径中顺序依赖进行有效的推理，动态评估大坝各个测点权重，在节约人力成本的同时，保证了大坝权重拟定的实时性和复用性。
[0024] 一种知识图谱驱动的大坝安全评判权重动态拟定系统，包括：
[0025] 生成大坝安全运行知识感知路径模块：组合大坝安全运行知识图谱中实体和关系的语义来生成大坝安全运行知识感知路径；
[0026] 向量表示模块：利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个向量表示；
[0027] LSTM模块：采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；
[0028] 权重获取模块：利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值。
[0029] 有益效果：与现有技术相比，本发明提供的知识图谱驱动的大坝安全评判权重动态拟定方法和系统，具有如下优点：通过组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径，利用图卷积网络、LSTM和池化层串联成的权重拟定模型，动态评估大坝各测点权重，在节约人力成本的同时，保证了大坝权重拟定的实时性和复用性。
附图说明
[0030] 图1为大坝运行安全知识图谱地震模块示例；
[0031] 图2为大坝地震工况下三条预测得分路径的可视化案例；
[0032] 图3为本发明实施例的流程图。
具体实施方式
[0033] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0034] 图1所示是大坝运行安全知识图谱地震模块示例，有玉溪通海和云南永德两个地震事件，都使漫湾生产区域稍有震感，导致漫湾电厂开展全面专项检查。重点排查对象有大坝安全自动化系统中重点监测仪器，如引张线、垂线、应力计等，其中每个监测仪器有若干个监测测点；有漫湾水工建筑物中重要部位如各高程廊道、一期厂房、交通洞等。测点所在的监测仪器或重点部位排查次数越多，表明测点的重要性程度越高，同时可通过知识图谱回溯查找各测点的异常情况对大坝安全造成的影响。
[0035] 图2所示是大坝地震工况下三条预测得分路径的可视化案例，表明S1和S2路径都提供相对较高的分数，分别为0.372和0.376。地震时首先提供的是安全监测数据，通过测点安全取值范围、历史数据和当天测值判断测点是否异常，具备实时性和可靠性，因此S1路径分数最高符合实际情况。事后对大坝关键部位巡检，可直观判断异常情况，由于肉眼判断仅在异常较为明显情况下准确度高，否则存在一定误差，所以S2路径分数较低于S1路径符合实际情况。协同过滤在判断测点EP2‑12的重要性程度时起着重要的作用，该测点在其他工况下依旧属于重要排查测点，表明该测点比一般测点具备更高的权重。
[0036] 如图3所示，知识图谱驱动的大坝安全评判权重动态拟定方法，包括如下步骤：
[0037] (1)组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径；具体包括如下内容。
[0038] (1.1)定义大坝安全运行知识图谱为 其中每个三元组(h,r,t)表示一个事实，即从头实体h到尾实体t存在关系r，如图2中(水工建筑物，检测部位，961廊道(引张线))是一个三元组，“水工建筑物”是头实体h，“检测部位”是关系r，“961廊道(引张线))”是尾实体t；用户项交互数据通常表示为二部图，采用 和 分别表示用户集和项目集，用户和项目之间的交互采用三元组τ＝(u,interact,i)表示，其中ut用户指的是大坝工况(包含地震、暴雨和泥石流等特殊工况)，it项目包含大坝所有测点，M和N分别指用户和项目的数量，interact代表u和i相互作用(即两者之间存在关系)。
[0039] (1.2)知识图谱中的三元组清楚地描述了项目的直接或间接关系属性，这些属性应构成给定用户和项目对之间的一条或多条路径，即大坝知识感知路径，定义为其中e1＝u，eL＝i，(el,rl,el+1)是p中的第l个三元组，l表示路径中的三元组数；如图2表明这些从同一个用户“地震”到同一个项目“EP2‑12”的路径明显地表达了它们不同的多步关系，并且暗示了不同的组合语义和对“地震”工况的可能解释。“水工建筑物”和“大坝安全监测系统”这两条路径说明地震时监测测点EP2‑12的数据是安全评判的重要依据之一；而“暴雨”这条路径反映协同过滤效应，相似的用户往往有相似的偏好。其中
961廊道是大坝的一部分，布置的监测仪器包含引张线EP2‑12测点；引张线仪器用于测量大坝上下游及左右岸方向的水平位移；EP2‑12属于利用引张线监测的一个测点。
[0040] (2)利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个低维向量表示，具体步骤如下：
[0041] 给定一个路径pk，利用图卷积网络将每个实体的类型(如特殊工况、水工巡检部位、大坝安全监测仪器等)和特定值(即大坝测点，如图2中引张线EP2‑12测点)投影到两个独立的低维嵌入向量 和 中，使关系的语义融入到路径表示学习中，其中d是嵌入向量大小，引张线仪器用于测量大坝上下游及左右岸方向的水平位移，EP2‑12属于利用引张线监测的一个测点。
[0042] (3)采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；包括如下内容：
[0043] (3.1)当路径步长为l‑1时，串联当前实体el‑1、e'l‑1和关系rl‑1的嵌入向量生成向量xl‑1(即 其中 是串联操作)，然后将xl‑1作为LSTM的输入向量，输出隐藏状态向量hl‑1，并用最终状态hl表示整个路径pk；
[0044] (3.2)建立路径pk的向量表示后，将最终状态输入两个全连接层，获得路径pk的预测分数，公式如下所示，其中w1和w2分别是第一层和第二层的系数权重，ReLU是激活函数，τ是用户和项目之间的交互表示。
[0045]
[0046] (4)利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值，具体步骤如下：
[0047] 大坝知识感知路径中不同路径对模型用户偏好具有不同的贡献，因此池化层需对所有路径的总分进行加权池运算，并输出给定用户与目标项交互的最终得分，公式如下所示，首先通过一个加权池操作聚合所有路径的分数，再利用sigmoid函数将分数转化到[0,1]区间内，其中sk是第K路径的预测得分，γ是控制每个指数权重的超参数，σ是sigmoid函数， 是最终测点权重。
[0048]
[0049] (5)大坝各个测点权重在大坝安全评判中应用，具体步骤如下：
[0050] 由于每个测点的重要性程度不同，可先利用(1)‑(4)步骤评估大坝各个测点权值，然后进行层次分析法分析，生成评判所需的权重表，再结合模糊理论和隶属度矩阵，对建筑物进行综合分析，评判建筑物各部位以及建筑物自身的安全状态。
[0051] 一种知识图谱驱动的大坝安全评判权重动态拟定系统，包括：
[0052] 生成大坝安全运行知识感知路径模块：组合大坝安全运行知识图谱中实体和关系的语义来生成大坝安全运行知识感知路径；
[0053] 向量表示模块：利用图卷积网络将知识图谱中每个实体、实体对应类型及关系映射到一个向量表示；
[0054] LSTM模块：采用LSTM对元素进行顺序编码，捕获以关系为条件的实体的组合语义；
[0055] 权重获取模块：利用池化层合并多条路径，输出给定用户与项目交互的最终得分，即大坝测点权重值。
[0056] 根据以上实例可知，评估测点权重是大坝分级综合评判的重要环节之一，然而专家评分存在人力成本，基本属于事后评估，缺乏实时性，且无法迁移到其他大坝上，缺乏复用性，本发明的方法通过组合大坝安全运行知识图谱中实体和关系的语义来生成大坝知识感知路径，利用图卷积网络、LSTM和池化层串联成的权重拟定模型，动态评估大坝各测点权重，实时为大坝安全综合评判提供可靠依据；同时实现了方法的高复用，可应用在其他大坝上。
