城市燃气管道爆炸的致因网络仿真及致因事件推演方法与流程

1.本发明实施例涉及燃气管道爆炸分析技术领域，尤其涉及一种城市燃气管道爆炸的致因网络仿真及致因事件推演方法。


背景技术：

2.随着燃气管道事故案例的不断增多，对与燃气管道相关的致因网络的研究也在不断增加。目前，对致因网络的研究主要集中在两个方面：一方面是定性研究，即以统计数据和专家经验法等为基础，对致因事件进行统计识别，再对致因事件之间的关系进行专家赋权等分析，再根据致因事件之间关系生成相应的致因网络；但是这种方法主观性强，对专家经验等的要求性高，并不具备完全的通用性。另一方面是进行定性与定量分析相结合，根据实际爆炸事故等相关统计数据进行分析，根据专家经验法与数据统计，识别出一定的致因事件，再根据熵权法等定量分析方法得出致因事件之间的关系，以生成致因网络；但是这两方面对专家经验、数据统计和相关算法的要求都较高，所生成的致因网络的通用性和实用性较差。
3.故，如何生成一个通用性强、实用性高的致因网络是当前亟待解决的技术问题。


技术实现要素：

4.本发明实施例提供了一种城市燃气管道爆炸的致因网络仿真及致因事件推演方法，以提高致因网络的通用性和实用性。
5.第一方面，本发明实施例提供了一种致因网络仿真方法，包括：
6.将异构图神经网络模型输入至多智能体协同模型中，其中，所述异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；
7.基于所述多智能体协同模型优化所述异构图神经网络模型，以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
8.第二方面，本发明实施例还提供了一种致因事件推演方法，包括：
9.获取致因网络，其中，所述致因网络根据本实施例中任一项所述的致因网络生成方法生成；
10.根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；
11.根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
12.第三方面，本发明实施例还提供了一种致因网络仿真装置，包括：
13.输入模块，用于将异构图神经网络模型输入至多智能体协同模型中，其中，所述异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；
14.第一生成模块，用于基于所述多智能体协同模型优化所述异构图神经网络模型，
以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
15.第四方面，本发明实施例还提供了一种致因事件推演装置，包括：
16.获取模块，用于获取致因网络，其中，所述致因网络根据本实施例中任一项所述的致因网络生成方法生成；
17.第二生成模块，用于根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；
18.提取模块，用于根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
19.第五方面，本发明实施例还提供了一种电子设备，包括：
20.一个或多个处理器；
21.存储装置，用于存储一个或多个程序；
22.所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的致因网络仿真方法或本发明实施例提供的致因事件推演方法。
23.第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的致因网络仿真方法或本发明实施例提供的致因事件推演方法。
24.本发明实施例提供了一种城市燃气管道爆炸的致因网络仿真及致因事件推演方法，将异构图神经网络模型输入至多智能体协同模型中，其中，异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；基于多智能体协同模型优化异构图神经网络模型，以生成致因网络，致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。该方法以异构图神经网络模型为基础，并基于多智能体协同模型进行优化，能够充分利用燃气管道爆炸历史事件的相关数据在线生成致因网络，提高致因网络的通用性和实用性。
附图说明
25.图1为本发明实施例一提供的一种致因网络仿真方法的流程示意图；
26.图2为本发明实施例一提供的一种生成致因网络的实现示意图；
27.图3为本发明实施例一提供的一种致因网络的示意图；
28.图4为本发明实施例二提供的一种致因事件推演方法的流程示意图；
29.图5为本发明实施例三提供的一种致因网络仿真装置的结构示意图；
30.图6为本发明实施例四提供的一种致因事件推演装置的结构示意图；
31.图7为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
32.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
33.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是
其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
34.本发明使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”。
35.需要注意，本发明中提及的“第一”、“第二”等概念仅用于对相应内容进行区分，并非用于限定顺序或者相互依存关系。
36.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
37.为了更好地理解本发明实施例，下面对相关术语进行介绍。
38.致因事件：是指导致燃气管道发生事故(如燃气管道泄露、燃气管道爆炸等事故)的事件。
39.致因网络：是指将燃气管道爆炸事件的燃气管道和对应的致因事件抽象为节点，并将节点根据致因事件之间的关系连接成复杂网络，该复杂网络即为致因网络，可以表征发生燃气管道爆炸的燃气管道与对应致因事件之间的连接关系。
40.本实施例中根据对导致燃气管道事故的事件(即致因事件)的数据统计，致因事件可包括31种。可将31种致因事件分为三种类型，具体的，第一类为最底层致因事件，可以包括管道开裂、管道穿孔和管道渗透，并将这3种致因事件编号为v1至v3；第二类为中间层致因事件，可以包括管道腐蚀、内保护层失效、输送腐蚀性介质、土壤腐蚀性、外保护层受损、电保护失效和管道应力作用，并将这7中致因事件编号为v4至v10；第三类为最外层致因事件，可以包括恶意破坏、违章占压、野蛮施工、地质灾害、气象灾害、埋深过浅、标识不清、巡线间隔长、巡线不认真、管材缺陷、施工缺陷、设计不当、运营不当、维护不当、施工不当、设备故障、日常巡查维护管理不善、操作规范不健全、培训制度不健全、工作人员技能素质不足和居民宣传教育不足，并将这21种致因事件编号为v11至v31。
41.随着燃气管道事故案例的不断增多和致因网络研究的不断成熟，国内外对与燃气管道的相关的致因网络的研究也在不断增加。目前，一是现在的致因网络通常是通过定性分析，或以统计数据定量分析，即无法充分利用已知燃气管道相关数据，也在一定程度上缺乏说服力；二是所生成的致因网络模型通用性差，通常是以某一个地区为基础进行建模生成，其应用数据往往存在大量的经验数据；三是致因网络的应用方向不明确，当致因网络生成后，一般是进行一定的分析，或在某一方向上进行应用，而不存在通用性分析。本发明实施例提出了一种致因网络仿真方法和基于致因网络的致因事件推演方法，可根据实际燃气管道爆炸相关数据实现致因网络的在线优化和应用，实现致因网络的通用性。
42.实施例一
43.图1为本发明实施例一提供的一种致因网络仿真方法的流程示意图，该方法可适用于根据燃气管道爆炸历史事件的相关数据生成对应致因网络的情况，该方法可以由致因网络生成装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：台式计算机、笔记本电脑和服务器等设备。
44.如图1所示，本发明实施例一提供的一种致因网络仿真方法，该方法包括如下步
骤：
45.s110、将异构图神经网络模型输入至多智能体协同模型中，其中，所述异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建。
46.在本实施例中，异构图神经网络模型可以指一种具有异构图结构学习的图神经网络模型；其中，异构图可以理解为由多种不同的类型的节点和边等组成的一种图结构。
47.燃气管道爆炸历史事件可以指在过去一定时间段内所发生的燃气管道爆炸事件。目标节点可以指构建异构图神经网络模型所需的网络节点；例如目标节点可以包括燃气管道节点和致因事件节点。示例性的，将某一地段区域或某一城市的各个燃气管道之间的连接点抽象为一个个节点，将每两个燃气管道的连接点之间的燃气管道抽象为边，在此基础上，由所得到的节点和边构成的几何网络结构即可理解为燃气管道拓扑结构；燃气管道拓扑结构中的各个节点可理解为各个燃气管道节点。也就是说，然气管道拓扑结构可以用于表征各个燃气管道之间的连接结构。
48.燃气泄漏仿真数据可以指根据燃气管道相关数据对燃气管道的燃气泄漏量进行仿真所得到的数据。燃气泄漏仿真数据可作为构建异构图神经网络所需的网络边属性(边属性可以指两节点之间边的数据)。例如，每两个燃气管道节点之间的边属性可以为每两个燃气管道节点之间的燃气泄露仿真数据；燃气管道节点和致因事件节点之间的边属性可以为与致因事件节点连接的燃气管道的燃气泄露仿真数据。
49.设定边权可以指所预先设定的构建异构图神经网络所需的网络边权；每个边对应一个设定边权，例如燃气管道节点与燃气管道节点之间的边的设定边权可以为两燃气管道节点之间燃气管道的归一化长度；燃气管道节点与致因事件节点之间的边的设定边权可以为1；致因事件节点之间的边的设定边权可以为一个设定的网络权重。
50.在构建异构图神经网络模型时，将燃气管道爆炸历史事件的目标节点作为网络节点，每两个网络节点之间的连接线作为边，燃气泄露仿真数据作为边属性，在此基础上，加上设定边权构建成相应的异构图神经网络模型。
51.需要说明的是，燃气管道节点和致因事件节点还可包括对应的节点属性，节点属性也可作为构建异构图神经网络模型的一种网络设置参数。具体的，每个燃气管道节点的节点属性可以包括：与节点连接的燃气管道编号、与节点连接燃气管道的材料、与节点连接燃气管道的口径、与节点连接燃气管道的长度、与节点连接燃气管道的燃气流通量(包括时间和流通量)、与节点连接燃气管道的埋地形式以及与节点连接燃气管道的内部压力等。燃气管道节点的连接边通常可为多个，即每个燃气管道节点可能连接多个燃气管道。
52.每个致因事件节点的节点属性可以为致因事件对燃气管道事故影响的严重程度，可根据实际情况灵活设定每个致因事件的严重程度。
53.可选的，在将异构图神经网络模型输入至多智能体协同模型中之前，还包括：按照如下方式构建异构图神经网络模型：将燃气管道节点和致因事件节点作为目标节点；根据燃气管道拓扑结构数据和燃气流通量数据，对每个燃气管道进行计算流体动力学(computational fluid dynamics，cfd)仿真，并将所得到的燃气泄漏仿真数据作为边属性；根据目标节点、边属性以及设定边权，构建异构图神经网络模型。
54.其中，燃气管道拓扑结构数据可以指各个燃气管道之间连接关系的结构数据。燃气流通量数据可以指每个燃气管道内的燃气输送流通量。燃气管道可用于负责燃气输送，
不同的燃气管道负责的具体任务不同，其穿过的地理位置、口径大小、管道材料和管道内部压力等也都不同。燃气在不同时间不同燃气管道的输送量(即燃气流通量数据)可通过燃气表抄送等方式进行数据统计。本实施例中可根据燃气管道拓扑结构数据和燃气流通量数据，选择燃气管道拓扑结构数据中的燃气管道合适位置(由于实际的燃气管道太大，故可选择燃气管道中的部分合适位置进行燃气泄漏的仿真)，根据实际情况设置合适的管道穿孔和管道开裂参数，进行cfd仿真，得到的cfd仿真数据即为燃气泄漏仿真数据。
55.将燃气管道节点和致因事件节点作为目标节点，将燃气泄漏仿真数据作为边属性，根据目标节点(可以包括目标节点的节点属性)、边属性以及设定边权，构建所述异构图神经网络模型。
56.可选的，设定数量个燃气管道节点连接有对应的致因事件节点。
57.其中，在所构建的异构图神经网络模型中，并不是每个燃气管道节点都对应连接有致因事件节点，可以根据过去一段时间内的燃气管道爆炸历史事件统计数据，统计设定数量个燃气管道节点连接有对应的一个或多个致因事件节点。设定数量可根据实际需求进行灵活设定，此处对此不作限定。
58.多智能体协同模型可以指将某些信息抽象为智能体(一个信息对应一个智能体)，各个智能体之间通过调节自己的行为进行相互协同运算以达到某个共同目标。
59.s120、基于所述多智能体协同模型优化所述异构图神经网络模型，以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
60.在本实施例中，优化可以指将异构图神经网络模型中燃气管道节点与致因事件节点之间的连接关系基于多智能体协同模型进行协同运算，以得到最优连接关系的网络结构，即致因网络。具体的，将所构建的异构图神经网络模型输入至多智能体协同模型中，基于多智能体协同模型，将异构图网络模型中的各个燃气管道节点和致因事件节点分别抽象为对应的智能体，通过设定算法进行各个智能体之间的协同运算，以得到燃气管道节点与对应致因事件节点之间最优连接关系的网络结构，即致因网络。需要说明的是，在实际的优化过程中，为减小多智能体协同模型的计算量，可根据实际需求设定与致因网络生成无关的部分燃气管道节点和部分致因事件节点可不参与协同运算。
61.仿真可以认为是指利用模型复现实际系统中发生的本质过程，并通过对系统模型的实验来研究存在的或设计中的系统，又称模拟。故可以理解的是，基于多智能体协同模型优化异构图神经网络模型，以生成致因网络的过程可以理解为一个仿真致因网络的过程。
62.可选的，基于多智能体协同模型优化异构图神经网络模型，以生成致因网络，包括：将异构图神经网络模型中的各目标节点分别抽象为智能体，得到对应的多智能体协同模型；通过设定算法得到多智能体协同模型中各智能体对应的q函数网络；基于q函数网络生成致因网络。
63.其中，在基于多智能体协同模型优化异构图神经网络模型，以生成致因网络的过程中，首先将异构图神经网络模型中的各目标节点分别抽象为智能体，得到对应的多智能体协同模型。然后通过设定算法得到多智能体协同模型中各智能体对应的q函数网络，例如可以运用经典强化学习(如dqn网络)，通过梯度下降算法，得到多智能体协同模型中各智能体对应的q函数网络；q函数网络可以理解为某一智能体与其他多个与其连接的智能体之间的最优连接关系网络。最后基于q函数网络生成对应的致因网络，每个致因网络中可以包括
一个燃气管道节点和对应连接的多个致因事件节点。
64.在本实施例中，致因网络可以用于推演燃气管道爆炸历史事件的可能致因事件。其中，可能致因事件可以理解为在每个致因网络的多个致因事件中最大可能概率导致燃气管道节点发生事故的致因事件。
65.本发明实施例一提供的一种致因网络仿真方法，将异构图神经网络模型输入至多智能体协同模型中，其中，异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；基于多智能体协同模型优化异构图神经网络模型，以生成致因网络，致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。该方法以异构图神经网络模型为基础，并基于多智能体协同模型进行优化，能够充分利用燃气管道爆炸历史事件的相关数据在线生成致因网络，提高致因网络的通用性和实用性。
66.在一个实施例中，可设定共有31种致因事件(即上述的v1至v31)。需要说明的是，中间层致因事件和最外层致因事件均可直接或间接对最底层致因事件产生影响，即导致最底层致因事件产生而造成燃气管道事故；其中，中间层致因事件和最外层致因事件中的各个致因事件之间也会互相影响，此处对此不作限定。在异构图神经网络模型构建的初始阶段，可以通过最外层致因事件和中间层致因事件中的部分致因事件对最底层致因事件所产生的影响来进行分析，并根据燃气管道拓扑结构数据和燃气流通量数据设计cfd仿真燃气泄漏数据，在此基础上通过上述实施例中的致因网络生成方法进行部分致因事件的致因网络学习。最外层致因事件和中间层致因事件中的其余致因事件则可以通过专家咨询或获取实际燃气管道事故数据，来进行致因网络在线学习和致因网络更新完善。
67.运用基于强化学习的多智能体协同模型优化异构图神经网络模型，生成致因网络时，可将致因网络的生成问题抽象为旅行商问题(traveling salesman problem，tsp问题)。tsp问题可理解为一个有向图ts＝(s,e)，其中，s可表示全部致因事件节点的集合，e可表示致因事件节点间的边的集合，边e
ij
∈e(i,j∈l,i≠j)对应包含与其相关的成本d
ij
，其中l可表示所有致因事件节点的集合。
68.tsp问题的决策变量可表示为：
[0069][0070]
tsp问题的优化目标函数(可理解为q函数网络)可表示为：
[0071][0072]
其中x
ij
可表示两个致因事件节点之间的连接关系，q
ij
可表示每次cfd燃气泄漏仿真操作后的燃气泄漏仿真数据。基于多智能体协同模型优化异构图神经网络模型以生成致因网络可以形式化的定义为一个随机博弈g＝(n,a,c,r,p,γ)，其中n可表示所有智能体的集合，a可表示所有智能体的联合动作空间，c可表示状态空间，r可表示奖励函数，p可表示状态转移函数，γ可表示折扣因子。根据随机博弈的最终结果可以得到致因网络。
[0073]
图2为本发明实施例一提供的一种生成致因网络的实现示意图。如图2所示，首先，根据燃气管道拓扑结构数据提取燃气管道节点，可以采用多层感知机(multilayer perceptron，mlp)深度神经网络对燃气管道节点和致因事件节点进行异构网络表征学习，
将其统一为一种维度空间。然后，对燃气管道节点和致因事件节点进行异构网络影响力学习，如可以通过引入注意力机制来学习在相信节点的表征上进行通信，运用神经网络激活函数(如softmax函数)处理每两个节点之间的边以得到每两个节点之间的映射关系，在此基础上，根据燃气管道节点、致因事件节点、各节点属性、边属性(即燃气泄露仿真数据)和设定边权，构建异构图神经网络模型。其中，根据致因事件提取致因事件节点，在构建异构图神经网络模型过程中加入致因事件节点时，是将致因事件节点连接对应燃气管道的上部节点(例如，若某个燃气管道中的燃气是从左至右流通的，则位于燃气管道左边的节点即为上部节点)。最后，基于多智能体协同模型优化异构图神经网络模型，以生成致因网络。
[0074]
图3为本发明实施例一提供的一种致因网络的示意图。如图3所示，在根据图2所示过程生成的一种致因网络中，t7可表示燃气泄漏事故所属燃气管道；t5、t6和t8分别表示管道开裂、管道穿孔和管道渗透，t1和t2分别表示管道腐蚀和土壤腐蚀性，t3和t4分别表示内保护层失效和外保护层受损。
[0075]
实施例二
[0076]
图4为本发明实施例二提供的一种致因事件推演方法的流程示意图，该方法可适用于根据上述所生成的致因网络和当前实际致因网络推演燃气管道爆炸实际事件的可能致因事件的情况，该方法可以由致因事件推演装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：台式计算机、笔记本电脑和服务器等设备。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
[0077]
如图4所示，本发明实施例二提供的一种致因事件推演方法，包括如下步骤：
[0078]
s210、获取致因网络。
[0079]
其中，致因网络可以根据本实施例一中任一项所述的致因网络生成方法生成。该致因网络可以是根据燃气管道爆炸历史事件的相关数据生成的。
[0080]
s220、根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络。
[0081]
在本实施例中，燃气管道爆炸实际事件可以指当前一段时间内所实际发生的燃气管道爆炸事件。实际泄露数据可以理解为燃气管道爆炸实际事件中所实际泄露的燃气量。泄露相关数据可以理解为与燃气管道爆炸实际事件中燃气泄露的燃气管道和其周围环境相关的数据，例如可以包括燃气泄露的燃气管道具体位置、所处周围环境的土壤腐蚀性等数据。根据泄露相关数据可以提取出燃气管道爆炸实际事件中相应的致因事件，可作为致因事件节点数据。
[0082]
可以理解的是，在提取到燃气管道爆炸实际事件的实际泄露数据和泄露相关数据之后，就可以不用完全使用燃气泄漏仿真数据，如可以将实际泄露数据相应的替代对应部分的燃气泄漏仿真数据作为构建异构图神经网络所需的网络边属性，可将根据泄露相关数据所提取出的致因事件节点数据作为燃气管道爆炸实际事件对应燃气管道节点所连接的致因事件节点。在此基础上，根据实际泄露数据泄露相关数据更新所构建的异构图神经网络模型，根据更新后的异构图神经网络模型能够基于多智能体协同模型生成新的致因网络，即根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据所生成的实际致因网络。
[0083]
可选的，根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络，包括：将燃气管道爆炸实际事件的实际泄露数据和泄露相关数据插入至燃气管道拓扑结构数据中，生成实际异构图神经网络模型；将实际异构图神经网络模型输入至多智能体协同模型中，得到对应的实际致因网络。
[0084]
其中，根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络的过程可以为：首先将燃气管道爆炸实际事件的实际泄露数据和泄露相关数据提取出来得到对应的实际燃气泄漏量和致因事件节点数据，将该提取出来的数据插入至燃气管道拓扑结构数据中，即可理解为将实际燃气泄漏量和致因事件节点数据插入至燃气管道爆炸实际事件对应的燃气管道节点上；然后根据根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据可在原异构图神经网络模型的基础上生成一个实际异构图神经网络模型；最后将实际异构图神经网络模型输入至多智能体协同模型中，可以得到对应的实际致因网络。
[0085]
s230、根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
[0086]
在本实施例中，根据致因网络和实际致因网络中的重合部分，其中，重合部分可以包括多个致因事件节点所构成的一个连接关系链；通过分析重合部分中各致因事件节点之间的关系，可以提取出重合部分所对应的连接关系链中的最顶端节点所对应的致因事件作为燃气管道爆炸实际事件对应的可能致因事件。
[0087]
可选的，根据致因网络和实际致因网络，提取燃气管道爆炸实际事件的可能致因事件，包括：将实际致因网络与致因网络进行对比，提取重合部分；若重合部分包括一个完整致因事件链，则提取致因事件链的顶端致因事件作为可能致因事件；若重合部分包括一个含多个链路分支的致因事件链，则分别排查含多个链路分支的致因事件链中的各顶端致因事件是否有效；若各顶端致因事件中的一个或多个有效，则提取有效的一个或多个致因事件作为可能致因事件；若各顶端致因事件均无效，则在线优化致因网络，直至实际致因网络与致因网络的重合部分中至少一个致因事件链中的顶端致因事件有效，并将有效的顶端致因事件作为可能致因事件。
[0088]
在本实施例中，完整致因事件链可以指由至少两个致因事件节点所构成的一个无分支的完整连接关系链，也就是说，该致因事件链只有一个链路顶端和位于顶端的顶端致因事件，没有分支，其中该完整致因事件链上的每个节点对应一个致因事件。含多个链路分支的致因事件链可以理解为致因事件链中存在多个链路分支，每个链路分支的顶端都可存在一个顶端致因事件。
[0089]
具体的，将实际致因网络与致因网络进行对比，提取重合部分。若重合部分包括一个完整致因事件链，则提取致因事件链的顶端致因事件作为燃气管道爆炸实际事件的可能致因事件。若重合部分包括一个含多个链路分支的致因事件链，则分别排查含多个链路分支的致因事件链中的各顶端致因事件是否有效(如分别排查各顶端致因事件是否与引起燃气管道爆炸实际事件有一定的相关性)。在此基础上，若各顶端致因事件中的一个或多个有效，则提取有效的一个或多个致因事件作为燃气管道爆炸实际事件的可能致因事件。若各顶端致因事件均无效，即各顶端致因事件与引起燃气管道爆炸实际事件无关，则在线优化致因网络，如可以根据燃气管道拓扑结构数据、燃气管道爆炸历史事件的相关数据、燃气管
道爆炸实际事件的相关数据等重新设计和优化致因网络，直至实际致因网络与致因网络的重合部分中至少一个致因事件链中的顶端致因事件有效，并将有效的顶端致因事件作为可能致因事件。需要说明的是，致因事件链包含集中式演化方式，即可以由多个致因事件导致一个最终致因结果。
[0090]
本发明实施例二提供的一种致因事件推演方法，首先获取致因网络，其中，致因网络可根据实施例一中任一项的方法生成；然后根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；最后根据致因网络和实际致因网络，提取燃气管道爆炸实际事件的可能致因事件。该方法根据燃气管道爆炸实际事件的实际数据生成一个实际致因网络，在此基础上根据原致因网络和实际致因网络提取燃气管道爆炸实际事件的可能致因事件，能够根据实际问题进行实际分析，以推演燃气管道爆炸实际事件的可能致因事件，有效提高了致因网络的实际应用性。
[0091]
本发明实施例首先建立了异构图神经网络模型，以燃气管道拓扑结构为基础，并结合致因事件、燃气流通量和cfd仿真燃气泄漏量等为数据构建异构图神经网络模型。然后以异构图神经网络模型为基础，运用基于强化学习的多智能体协同模型优化异构图神经网络模型进行致因网络在线学习，可充分利用燃气管道的各种数据，有效生成更加完善的致因网络，一定程度上解决了致因网络学习数据不足的问题。其中基于强化学习的多智能体协同模型既可应用统计型数据，也可应用定性型经验数据，使得本实施例的致因网络生成方法和致因网络通用性强，可以不再局限于某一项目或某一城市。此外，本发明实施例中的致因网络具备的实际应用性强，可根据燃气管道爆炸事件的实际问题结合异构图神经网络模型，进行实际分析，查找实际问题，有效减少事故发生的概率或减小事故带来的影响。
[0092]
实施例三
[0093]
图5为本发明实施例三提供的一种致因网络仿真装置的结构示意图，该装置可由软件和/或硬件实现。如图5所示，该装置包括：输入模块310和第一生成模块320；
[0094]
其中，输入模块310，用于将异构图神经网络模型输入至多智能体协同模型中，其中，所述异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；
[0095]
第一生成模块320，用于基于所述多智能体协同模型优化所述异构图神经网络模型，以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
[0096]
在本实施例中，该装置通过输入模块310，将异构图神经网络模型输入至多智能体协同模型中，其中，异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；通过第一生成模块320，基于多智能体协同模型优化异构图神经网络模型，以生成致因网络，致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。该装置以异构图神经网络模型为基础，并基于多智能体协同模型进行优化，能够充分利用燃气管道爆炸历史事件的相关数据在线生成致因网络，提高致因网络的通用性和实用性。
[0097]
可选的，在将异构图神经网络模型输入至多智能体协同模型中之前，所述装置还包括：按照如下方式构建所述异构图神经网络模型：
[0098]
目标节点确定模块，用于将燃气管道节点和致因事件节点作为所述目标节点；
[0099]
边属性确定模块，用于根据燃气管道拓扑结构数据和燃气流通量数据，对每个燃
气管道进行计算流体动力学cfd仿真，并将所得到的燃气泄漏仿真数据作为边属性；
[0100]
构建模块，用于根据所述目标节点、所述边属性以及设定边权，构建所述异构图神经网络模型。
[0101]
可选的，设定数量个燃气管道节点连接有对应的致因事件节点。
[0102]
可选的，第一生成模块320，具体包括：
[0103]
抽象单元，用于将所述异构图神经网络模型中的各目标节点分别抽象为智能体，得到对应的多智能体协同模型；
[0104]
q函数确定单元，用于通过设定算法得到所述多智能体协同模型中各智能体对应的q函数网络；
[0105]
致因网络生成单元，用于基于所述q函数网络生成所述致因网络。
[0106]
上述致因网络仿真装置可执行本发明任意实施例所提供的致因网络仿真方法，具备执行方法相应的功能模块和有益效果。
[0107]
实施例四
[0108]
图6为本发明实施例四提供的一种致因事件推演装置的结构示意图，该装置可由软件和/或硬件实现。如图6所示，该装置包括：获取模块410、第二生成模块420和提取模块430；
[0109]
其中，获取模块410，用于获取致因网络，其中，所述致因网络根据本实施例中任一项所述的致因网络生成方法生成；
[0110]
第二生成模块420，用于根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；
[0111]
提取模块430，用于根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
[0112]
在本实施例中，该装置首先通过获取模块410，获取致因网络，其中，致因网络可根据实施例一中任一项的方法生成；然后通过第二生成模块420，根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；最后通过提取模块430，根据致因网络和实际致因网络，提取燃气管道爆炸实际事件的可能致因事件。该装置根据燃气管道爆炸实际事件的实际数据生成一个实际致因网络，在此基础上根据原致因网络和实际致因网络提取燃气管道爆炸实际事件的可能致因事件，能够根据实际问题进行实际分析，以推演燃气管道爆炸实际事件的可能致因事件，有效提高了致因网络的实际应用性。
[0113]
可选的，第二生成模块420，具体包括：
[0114]
异构图生成单元，用于将燃气管道爆炸实际事件的实际泄露数据和泄露相关数据插入至燃气管道拓扑结构数据中，生成实际异构图神经网络模型；
[0115]
实际致因网络生成单元，用于将所述实际异构图神经网络模型输入至所述多智能体协同模型中，得到对应的实际致因网络。
[0116]
可选的，提取模块430，具体包括：
[0117]
重合部分提取单元，用于将所述实际致因网络与所述致因网络进行对比，提取重合部分；
[0118]
第一提取单元，用于若所述重合部分包括一个完整致因事件链，则提取所述致因事件链的顶端致因事件作为可能致因事件；
[0119]
排查单元，用于若所述重合部分包括一个含多个链路分支的致因事件链，则分别排查所述含多个链路分支的致因事件链中的各顶端致因事件是否有效；
[0120]
第二提取单元，用于若各所述顶端致因事件中的一个或多个有效，则提取有效的一个或多个致因事件作为所述可能致因事件；
[0121]
优化单元，用于若各所述顶端致因事件均无效，则在线优化所述致因网络，直至所述实际致因网络与所述致因网络的重合部分中至少一个顶端致因事件有效，并将有效的顶端致因事件作为所述可能致因事件。
[0122]
上述致因事件推演装置可执行本发明任意实施例所提供的致因事件推演方法，具备执行方法相应的功能模块和有益效果。
[0123]
实施例五
[0124]
图7为本发明实施例五提供的一种电子设备的结构示意图。如图7所示，本发明实施例四提供的电子设备包括：一个或多个处理器41和存储装置42；该电子设备中的处理器41可以是一个或多个，图7中以一个处理器41为例；存储装置42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本发明实施例一中所述的致因网络仿真方法或如本发明实施例二中所述的致因事件推演方法。
[0125]
所述电子设备还可以包括：通信装置43、输入装置44和输出装置45。
[0126]
电子设备中的处理器41、存储装置42、、通信装置43、输入装置44和输出装置45可以通过总线或其他方式连接，图7中以通过总线连接为例。
[0127]
该电子设备中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例一所提供的致因网络仿真方法对应的程序指令/模块(例如，附图5所示的致因网络仿真装置中的模块，包括：输入模块310和第一生成模块320)；或者如本发明实施例二所提供的致因事件推演方法对应的程序指令/模块(例如，附图6所示的致因事件推演装置中的模块，包括：获取模块410、第二生成模块420和提取模块430)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中致因网络仿真方法或致因事件推演方法。
[0128]
存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0129]
通信装置43可以包括接收器和发送器。通信装置43设置为根据处理器41的控制进行信息收发通信。
[0130]
输入装置44可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置45可包括显示屏等显示设备。
[0131]
并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：将异构图神经网络模型输入至多智能体协同模型中，其中，所述
异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；基于所述多智能体协同模型优化所述异构图神经网络模型，以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
[0132]
或者，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：获取致因网络，其中，所述致因网络根据实施例一中任一项所述的致因网络生成方法生成；根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
[0133]
实施例五
[0134]
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以用于执行本发明实施例一中任一所述的致因网络仿真方法或本发明实施例二中任一所述的致因事件推演方法。
[0135]
可选的，该程序被处理器执行时可用于执行本发明实施例一中的致因网络仿真方法，该方法包括：将异构图神经网络模型输入至多智能体协同模型中，其中，所述异构图神经网络模型根据燃气管道爆炸历史事件的目标节点、燃气泄漏仿真数据以及设定边权构建；基于所述多智能体协同模型优化所述异构图神经网络模型，以生成致因网络，所述致因网络用于推演所述燃气管道爆炸历史事件的可能致因事件。
[0136]
可选的，该程序被处理器执行时可用于执行本发明实施例一中的致因事件推演方法，该方法包括：获取致因网络，其中，所述致因网络根据实施例一中任一项所述的致因网络生成方法生成；根据燃气管道爆炸实际事件的实际泄露数据和泄露相关数据，生成实际致因网络；根据所述致因网络和所述实际致因网络，提取所述燃气管道爆炸实际事件的可能致因事件。
[0137]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式cd-rom、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0138]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0139]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆或无线电频率(radio frequency，rf)等等，或者上述的任意合适的组合。
[0140]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机
程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0141]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。