Resumen

El gráfico evolutivo de eventos químicos (CEEG) es una herramienta eficaz para realizar análisis de seguridad, alertas tempranas y eliminación de emergencias en caso de accidentes químicos. Sin embargo, es un trabajo complicado encontrar la causalidad entre los eventos en un CEEG. Este trabajo presenta un método para extraer con precisión la causalidad de los eventos mediante el uso de una red neuronal y el análisis estructural. En primer lugar, identificamos los eventos y sus elementos componentes a partir de árboles de fallos mediante tecnología de procesamiento del lenguaje natural. A continuación, la causalidad en los eventos de accidentes se divide en causalidad explícita y causalidad implícita. La causalidad explícita se obtiene analizando las relaciones de la estructura jerárquica de los nodos de los sucesos y la semántica de las puertas lógicas de los componentes en los árboles de fallos. Al integrar las características estructurales internas de los eventos y las características semánticas de las frases de los eventos, extraemos la causalidad implícita utilizando una red neuronal de unidades recurrentes bidireccionales (BiGRU). Se presenta un algoritmo, denominado CEFTAR, para extraer la causalidad de los eventos de seguridad en accidentes químicos a partir de árboles de fallos e informes de accidentes. En comparación con los métodos existentes, los resultados experimentales muestran que nuestro método tiene una mayor precisión y tasa de recuperación en la extracción de la causalidad.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:árbol de fallos, características de los acontecimientos, accidente químico, causalidad implícita, causalidad explícita, red neuronal, relaciones de los acontecimientos, características estructurales internas, tecnología de procesamiento del lenguaje
• Keywords:fault tree, features of events, chemical accident, implicit causality, causality, explicit causality, neural network, relations of events, internal structural features, language processing technology