储气库站场天然气泄漏及火灾事故应急知识图谱构建.pdf.pdf

8 消防设备研究

储气库站场天然气泄漏及火灾事故应急知识图谱构建

宋 旭 $^{1}$, 文 明 $^{1}$, 胡瑾秋 $^{2,3}$, 龚建华 $^{4}$

(1. 中国石油天然气股份有限公司西南油气田分公司 安全环保与技术监督研究院,四川 成都 610041;2. 中国石油大学(北京)安全与海洋工程学院,北京 102249;3. 中国石油大学(北京)油气生产安全与应急技术应急管理部重点实验室,北京 102249;4. 中国石油天然气股份有限公司西南油气田分公司 质量安全环保处,四川 成都 610084)

摘要：针对消防、应急处置过程中快速进行决策支持和方案制定的难点，提出储气库站场天然气泄漏及火灾事故的应急模型，该模型应用知识图谱作为风险表征手段，利用双向编码表示转换器(BERT)和双向长短时记忆模型条件随机场算法(Bi-LSTM-CRF)，实现对文本信息的实体识别和关系抽取。利用Neo4j图数据库构建储气库站场天然气泄漏及火灾事故的应急知识图谱。结果表明：相较于传统的应急处置、消防策略研究方法，本文提出的储气库站场天然气泄漏及火灾事故应急模型不仅可以实现对储气库站场天然气泄漏及火灾事故的早期应急处置，还能够识别事故的风险传播路径，为消防应急指挥和应急决策提供支持。

关键词：消防救援；应急决策；知识图谱；天然气泄漏；BERT-Bi-LSTM-CRF

中图分类号:X913.4;TE88

文献标志码:A

DOI:10.20168/j.1009-0029.2024.06.0826.05

当前的安全生产环境中，特别是储气库站场这类关键能源设施，天然气泄漏及火灾事故的应急处理和消防救援至关重要[1]。相较于液化气等可燃性介质，天然气燃烧温度可达2200℃，热辐射量高，且天然气存储压力高，发生泄漏后会产生高速气流，难以在泄漏点形成稳定燃烧[2-3]。为降低事故后果，储气库站场多布置在全年最小风向的上风侧，单独建设消防水池、防火间隔，且地方消防部门可以在30 min内到达现场[3]。

目前的储气库站场天然气泄漏及火灾事故应急处置手段包括疏散警戒、确保区域安全、管道逐步降压等。消防重点在于控制和隔离泄漏源，随后使用高压气流远程引射喷雾器提高最小点火能，对未着火的设备设施进行降温处理，针对具体情况采用干粉、泡沫或水蒸气等灭火剂进行灭火等[4]。受技术条件和储气库站场现场情况限制，目前储气库站场天然气泄漏及火灾存在早期泄漏检测难[5]、灭火策略复杂[4]、人员应急培训难度大等问题[6]。针对这些难点，林胜等[4]综合国家、行业标准、泄漏火灾模拟提出针对天然气泄漏、泄漏发生火灾时的推荐消防处置方式。任垒等[7]尝试用FTA-AHP法对储气库封堵中的气体泄漏风险进行评价。CHERAGHI M等[8]采用模糊多属性HAZOP技术来分析天然气设施的风险因素，

并确定现场应急处置策略。刘松[9]提出基于物联网技术的智能消防系统，对天然气泄漏火灾进行早期预警。张磊等[10]提出天然气泄漏事故应急资源调度模型，提高事故应急处置速度。

虽然上述方法在一定程度上可以提高储气库站场天然气泄漏及火灾事故的消防和应急处置能力。但由于其理论方法复杂，模型拟合性较弱，且现场情况复杂多样化，因此应用范围较窄，导致现场人员应用该方法的连贯性较差。知识图谱作为一种新的数据表征方式，可视化程度高，可接收数据来源广，事件关系表征能力强，在事故风险研究领域得到了广泛应用[11]。姜彬峰[12]提出将知识图谱与应急处置预案结合，提高通航应急处置效率。李芳国等[13]利用自然语言处理和命名实体识别模型构建 HAZOP 知识图谱，为风险控制和事故预防提供了有力的工具和支持。陈传刚等[14]利用事故文本数据构建事故演化知识图谱，实现恶劣环境下的事故预警，但在命名实体识别阶段主要依靠人工识别、抽取，耗时多，缺少自动识别并抽取的方法。

本文基于储气库站场现场文本情报,应用BERT (Bidirectional Encoder Representations from Transformers)模型实现对储气库站场天然气泄漏及火灾事故领域文本情报的实体自动识别。应用Bi-LSTM-CRF (Bidirectional-Long Short-Term Memory-Conditional Random Field)模型,实现对储气库站场天然气泄漏及火灾事故领域文本信息的关系抽取识别。基于抽取结果,采用Neo4j图数据库构建面向储气库站场天然气泄漏及火灾事故的应急知识图谱。通过对图谱结构的分析,确定储气库站场天然气泄漏及火灾事故的风险传播路径,实现应急处置方案、消防决策支持,指导消防人员在事故发生前切断传播路径。通过对天然气泄漏及火灾事故过程中存在风险的早期感知,实现突发事故的快速应急处置。

1 基础理论

1.1 BERT 模型原理

BERT 模型是自然语言处理领域的一种创新技术，它基于 Transformer 架构，专注于提高模型对语言上下文的理解能力[15]。与传统的单向语言模型不同，BERT 通过双向训练策略，能够同时考虑文本中的前后上下文，从

而更深入地捕捉语言的复杂特性和细微差异。这种双向机制使得BERT在理解文本时具有更高的灵活性和准确性，在命名实体识别(NER)任务中有着广泛的应用[16]。

1.2 Bi-LSTM-CRF 模型原理

在自然语言处理领域，Bi-LSTM-CRF 模型是一种序列标注方法，结合了双向长短时记忆网络（Bi-LSTM）和条件随机场（CRF）两种强大的机器学习技术[17]。Bi-LSTM 是一种特殊的循环神经网络，能够捕捉序列数据中的长距离依赖关系和复杂模式，其双向结构允许模型同时考虑序列中的前向和后向信息，从而能更好地理解上下文信息[18]。而 CRF 是一种概率图模型，用于预测序列数据中的标签序列，它可以捕捉标签之间的依赖关系，从而产生更加准确和一致的标签序列。

Bi-LSTM-CRF 模型通常首先利用 Bi-LSTM 层来提取输入序列的特征，然后将这些特征用作 CRF 层的输入，以进行序列标注。这种结合方式充分利用了 Bi-LSTM 在处理序列数据时的强大表示学习能力和 CRF 在关系抽取任务中的高效性能。

1.3 知识图谱原理

知识图谱是一种结构化的数据模型[19],其根基深植于语义网络理论、本体论和图论,旨在以有机和系统化的方式表达和组织大量的信息和知识。在这个模型中,实体作为基本单位,代表了现实世界中的对象或概念,而这些实体通过关系相互连接,形成由实体、实体关系构成的概念网络。

从层次角度分析，知识图谱可以分为数据层和本体层，也有学者将其称为数据层和模式层。在数据层内，数据以不同类型储存在图数据库中，数据类型包括知识本体、知识关系、知识属性等。本体层由不同类别实体和实体之间的连接关系构成，用于规范图谱内各知识之间的结构关系。知识图谱构建方法包括自顶向下、自底向上及两者相互结合的方法[20]。

2 风险知识图谱构建

2.1 知识图谱构建流程

知识图谱的构建首先涉及本体层的构建，通过专家知识、应急预案、事故处理记录来定义天然气泄漏及火灾事故中相关的实体类别和逻辑关系。在数据层构建中，对生产事件处理报告等文本数据进行预处理，包括清洗和中文文本分词。然后，利用BERT模型进行命名实体识别，对预处理后的文本进行标注以确定实体类别。接下来，使用Bi-LSTM-CRF模型抽取文本中实体间的关系。最后，将命名实体识别和实体关系抽取的结果输入Neo4j图数据库中，构建面向储气库站场天然气泄漏及火灾事故的应急知识图谱，如图1所示。

2.2 知识图谱本体层构建

本体层构建是对知识图谱内实体组成类别的定义及实体之间关系的逻辑定义，本文基于应急领域的专家知

识，调研事故事件处理记录，确定导致天然气泄漏及火灾事故的风险传播路径，构建应急知识图谱的本体层。

〔图〕插图

图1 储气库站场天然气泄漏及火灾应急知识图谱构建流程

Fig. 1 Process for constructing an emergency response knowledge graph for natural gas leakage and fire at gas storage facility sites

事故事件处理流程包括但不限于以下环节：

1) 确定事件基本信息，包括发生日期、发生地点、人员伤亡情况等。

2) 确定事件发生过程，事件发生过程可简化至3种关系的随机发生，包括人员与设备设施的关联关系、设备设施之间的关联关系、人员之间的关联关系。

3) 使用风险矩阵评估对事件进行评估。

4) 事件原因分析，确定事故事件发生的根本原因（如生产事故、交通事故、设计缺陷等），直接原因，间接和管理原因。

5) 后续处理，执行事件纠正措施并制定预防措施，降低事故发生的可能性。

如图2所示，储气库站场天然气泄漏及火灾事故应急知识图谱的本体层由现场人员、防控措施、事故过程、设备设施、事故后果5个部分及它们之间的交互关系构成。

〔图〕插图

图2 储气库站场天然气泄漏及火灾事故应急知识图谱本体层

Fig. 2 Ontology layer of the emergency knowledge graph for natural gas leakage and fire accidents at gas storage facility sites

2.3 知识图谱数据层构建

2.3.1 文本预处理

对现场生产事件处理报告、应急预案等文本数据进行预处理。预处理包含以下两个步骤：

1) 对文本数据进行清洗，去除文本中的标点符号、无关信息、空白、停用词等。

2) 对清洗后的中文文本进行分词处理，将文本分割

成短语、词汇。

2.3.2基于BERT命名实体识别

使用标注工具对预处理后的文本进行标注。目前常用的标注工具包括 Doccano、DeepDive、Chinese-Annotator等,考虑 Doccano具有较好的协作能力,支持多人在线标注,本文选择 Doccano对文本进行标注。文本标注前需要确定文本的标签类型,如表1所示。

表1 命名实体类别及示例

Table 1 Named entity categories and examples

将清洗后的文本数据导入Doccano,在Doccano中设定表1中的实体类别,对文本数据进行实体标注。如:“事故第一发现人汇报天然气泄漏情况,中控室A岗呼叫消防车到达现场消防人员对泄漏点喷淋稀释”这段文本中,将“事故第一发现人”“中控室A岗”“消防人员”标注为现场人员,将“汇报天然气泄漏情况”“呼叫消防车到达现场”标注为事故过程,将“消防车”标注为设备设施,将“泄漏点喷淋稀释”标注为防控措施。

建立 BERT 模型,将标注结果作为训练集,输入 BERT 模型中进行训练。考虑模型的泛化能力和训练的稳定性,模型设置参数及结构如表 2 所示。

表2 BERT模型参数及结构

Table 2 Parameters and structure of the BERT model

使用训练后得到的模型对剩余文本进行命名实体识别,实体识别的精确率、召回率、F1值分别为92.4%、88.7%、90.6%。

2.3.3基于Bi-LSTM-CRF的实体关系抽取

实体关系抽取是对命名实体识别的基础上,抽取出实体之间在文本中的关系。依据知识图谱本体层结构,确定实体间的关系如表3所示。

根据表1中设定的命名实体类别、表3中设定的实体关系对文本进行实体关系标注,如:“事故第一发现人汇报天然气泄漏情况,中控室A岗呼叫消防车到达现场消防人员对泄漏点喷淋稀释”这段文本中,将“事故第一发现人”和“汇报天然气泄漏情况”的关系标注为处置关系,将“中控制A岗”和“呼叫消防车到达现场”的关系标注为处置关系,将“消防人员”和“泄漏点喷淋稀释”的关系标

注为执行关系。建立 Bi-LSTM-CRF 模型,将标注结果作为训练集,输入 Bi-LSTM-CRF 模型中,模型参数及结构设置如表4所示。

表3 实体关系示例

Table 3 Examples of entity relationships

表4 Bi-LSTM-CRF模型参数及结构

Table 4 Parameters and structure of the Bi-LSTM-CRF model

使用训练后得到的模型对文本数据进行命名实体关系抽取,关系抽取的精确率、召回率、F1值分别为87.3%、84.2%、85.8%。

2.4风险知识图谱构建

基于命名实体识别抽取结果、实体关系抽取结果建立储气库站场天然气泄漏及火灾应急知识图谱。本文采用Neo4j图数据库,将各类实体、实体间的关系输入数据库中,构建应急知识图谱。

3 案例分析

本研究依靠储气库应急领域专家经验,对某储气库的管线泄漏专项应急预案、油气站场火灾爆炸专项应急预案、突发事件综合应急预案等共计13本应急预案、45张事故现场应急处置卡、164条事故处理记录进行数据处理构建知识图谱。

案例描述:某储气库天然气埋地输送管道位于某阀室附近山坡处,由于雨水量较大,山体发生小规模滑坡,导致部分管线露出地表,长期受雨水侵蚀及土壤位移等影响导致焊缝开裂,储气库集注站发现该段管线压力监测发生低报警,初步判断该段管线可能发生天然气泄漏,于是派遣人员前往现场查看情况,同时上报异常情况。

3.1 基于知识图谱的天然气泄漏事故风险路径分析

根据所建立的储气库站场天然气泄漏及火灾事故应急知识图谱,可以完整观测到事故发生过程中风险的整条传递路径。在事故发生初期,及时分辨出设备设施情况,判断设备设施处于事故早期阶段,通过分析风险传播路径,针对设备设施接下来的演化趋势及可能导致的后果,采取相应措施,切断风险传播路径,将损失降至最低。根据某储气库管线所发生的事故案例,对天然气泄漏及

火灾事故应急知识图谱进行剥离，可以得到天然气泄漏事故的应急知识图谱，如图3所示。

〔图〕管线泄漏导致限制天然气停输管道巡检可燃气体检测仪管道导致堵漏管线暴露执行影响安全防操作处置护用具处置关闭上下游阀门巡检管线微处置维护组泄漏生产运行组\n

图3 天然气泄漏事故应急知识图谱

Fig. 3 Emergency knowledge graph of natural gas leakage accidents

分析图3，得出天然气管线泄漏存在演化过程，初期的征兆为管线暴露，经过一段时间的演化，管线焊缝出现微裂缝，演化为管线微泄漏，经过一段时间后，裂缝逐渐扩大，最终演变为管线泄漏。对天然气泄漏风险演化的3

个步骤分析可以得到，在事故发展初期，事故的风险较小，如果巡检维护组在管线巡检过程中提前发现管线暴露，或通过可燃气体检测仪检测到管线存在微泄漏，通过风险传播路径预测未来可能发生的管线泄漏事故，在事故发展初期采取应急处置手段，切断风险传播路径，则不会发生管线天然气泄漏、天然气停输等重大事故。

3.2 应急处置与消防决策

根据3.1节的分析，如果提前察觉可能发生的事故情况做出正确判断，切断风险传播路径，则可以有效地避免事故发生。因此，有必要针对天然气泄漏及火灾事故过程中的所有风险传播路径进行分析，实现对事故可能发生后果的提前防控，从而避免重大事故或次生事故的发生。在图3天然气泄漏事故应急知识图谱的基础上，从天然气泄漏及火灾事故应急知识图谱中剥离储气库火灾应急处置过程，得到储气库站场天然气泄漏及火灾事故应急知识图谱。在该知识图谱内抽取导致严重后果的管线风险路径，可以得到储气库站场天然气泄漏及火灾事故应急关键知识图谱，如图4所示。该知识图谱中包含3个重大的事故后果，分别为天然气停输、人员伤害、火灾爆炸。导致天然气停输的事故过程为：发现险情第一人汇报现场情况，储气库中控室A岗启动警报，生产运行组关闭上下游阀门，天然气停输。如果巡检维护组在执行管道巡检任务时及时进行应急处置，消除管线微泄漏或管线暴露，则可以及时切断风险演化链，避免事故发生。

〔图〕插图

图4 储气库站场天然气泄漏及火灾事故应急关键知识图谱

Fig. 4 Key emergency knowledge graph for natural gas leakage and fire accidents at gas storage facility sites

引发火灾爆炸的事故路径节点为：管线泄漏、救援现场产生火花、火灾爆炸。通过对事故过程的分析可以得出导致天然气泄漏现场发生火灾爆炸的主要原因为泄漏现场产生火源，由于泄漏现场可燃气体浓度过高，导致火

源点燃了天然气，引发火灾爆炸。对图谱进行分析，可以得到限制火灾爆炸事故发生的两条路径为：储气库中控室A岗现场情况分析故障原因，初步判明情况后向调度室汇报，消防队伍实施现场喷淋稀释；储气库中控室A岗

现场情况分析故障原因,初步判明情况后向调度室汇报,天然气点火放空。在天然气泄漏过程中,消防救援队做出正确决策并执行上述消防任务,可以有效降低火灾爆炸事件的发生概率。如果泄漏点过于偏远,消防救援队无法及时赶到,或天然气放空系统出现故障,会极大提高泄漏现场发生火灾爆炸事故的发生概率。对图谱进行分析可知,警戒人员设置警戒区域、疏散周边人员,现场应急救援人员佩戴安全防护用具可以有效遏制人员伤害事故的发生。

4结论

通过应用BERT和Bi-LSTM-CRF模型,实现对储气库站场天然气泄漏及火灾事故文本数据的实体识别和关系抽取。此外,通过构建储气库站场天然气泄漏及火灾事故应急知识图谱,实现了事故风险传播路径的准确识别、应急处置方案和消防决策的制定,极大提高了风险管理的效率和精确性。通过案例分析,本文展示了如何利用知识图谱对储气库站场天然气泄漏及火灾事故进行深入分析,制定现场应急处置策略和消防决策,使得在事故发生早期进行防控成为可能,有助于缩小事故影响范围。

本文为储气库站场天然气泄漏及火灾事故提供了一种消防决策和应急处置方案制定方法,为进一步提升安全管理智能化和自动化水平奠定了坚实基础,有望在更广泛的领域发挥重要作用。

参考文献:

[1] 佟箫宇,税薇,王登贤,等.长输天然气管道站场主要风险及管理措施[J].中国石油和化工标准与质量,2023,43(18):47-49.

[2] 吴钢,吴隽,闫茹.浅析天然气储配站消防安全及相关对策[J].消防技术与产品信息,2007(2):55-56.

[3] 启航.天然气场站火灾危险性及消防设计的策略[J].化工管理,2023 (11):162-164.

[4] 林胜, 陈允. 天然气和 LNG 泄漏及发生火灾时消防处置方式[J]. 煤气与热力, 2017, 37(5):31-35.

[5] 孟兴刚. 盐穴地下储气库泄漏风险分析及预防措施[J]. 中国科技信息,2023(19):133-136.

[6] 杜民.储气库建设与运行过程安全风险分析及对策研究[J].安全、健康和环境,2023,23(6):83-86.

[7] 任垒,陈元强,雷俊杰,等.基于FTA-AHP法的储气库封堵井气体泄漏风险评价[J].安全、健康和环境,2018,18(5):44-47.

[8] CHERAGHI M, ESLAMI BALADEH A, KHAKZAD N. A fuzzy multi-attribute HAZOP technique (FMA-HAZOP): Application to gas wellhead facilities[J].Safety Science, 2019, 114:12–22.

[9] 刘松. 天然气集输站智能消防物联网系统研究及应用[D]. 重庆: 重庆科技学院, 2018.

[10]张磊,李翔,闫龙臻.基于蚁群算法的石油天然气安全事故应急资源调度模型[J].劳动保护,2023(2):109-112.

[11] 郭榕，杨群，刘绍翰，等.电网故障处置知识图谱构建研究与应用[J].

电网技术,2021,45(6):2092-2100.

[12] 姜彬峰.基于知识图谱的大数据实体识别方法[J].电脑知识与技术,2023,19(22):74-77.

[13]李芳国,张贝克,高东.HAZOP知识图谱构建方法[J].化工进展,2021,40(8):4666-4677.

[14]陈传刚,胡瑾秋,韩子从,等.恶劣环境条件下海外天然气管道站场事故演化知识图谱建模及预警方法[J].清华大学学报(自然科学版),2022,62(6):1081-1087.

[15]段丹丹,唐加山,温勇,等.基于BERT模型的中文短文本分类算法[J].计算机工程,2021,47(1):79-86.

[16] 杜琳,曹东,林树元,等.基于BERT与Bi-LSTM融合注意力机制的中医病历文本的提取与自动分类[J].计算机科学,2020,47(S2):416-420.

[17] GANDHI H, ATTAR V.Extracting aspect terms using CRF and Bi-LSTM models[J]. Procedia Computer Science, 2020, 167: 2486-2495.

[18] LIN C W, SHAO Y N, ZHOU Y J, et al. A Bi-LSTM mention hypergraph model with encoding schema for mention extraction[J].Eng Appl Artif Intell, 2019, 85:175—181.

[19] 刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600.

[20]蒲天骄，谈元鹏，彭国政，等.电力领域知识图谱的构建与应用[J].电网技术，2021,45(6):2080-2091.

Construction of emergency knowledge graph for gas leakage and fire accidents at gas storage facility sites

Song Xu$^{1}$, Wen Ming$^{1}$, Hu Jinqiu$^{2,3}$, Gong Jianhua$^{4}$

(1. Safety, Environment & Technology Supervision Research Institute, PetroChina Southwest Oil & Gasfield Company, Sichuan Chengdu 610041, China; 2. College of Safety and Ocean Engineering, China University of Petroleum (Beijing), Beijing 102249, China; 3. Key Laboratory of Oil and Gas Safety and Emergency Technology, Ministry of Emergency Management, China University of Petroleum (Beijing), Beijing 102249, China; 4. Quality, Safety, and Environmental Protection Department, PetroChina Southwest Oil & Gasfield Company, Sichuan Chengdu 610084, China)

Abstract: Aiming at the difficulty of rapid decision support and plan formulation in the firefighting and emergency response process, this article proposes an emergency model for gas leakage and fire accidents at gas storage facility sites. This model uses a knowledge graph as a means of risk characterization, employing Bidirectional Encoder Representations from Transformers (BERT) and Bidirectional Long Short-Term Memory Model Conditional Random Field algorithm (Bi-LSTM-CRF) for entity recognition and relationship extraction from textual intelligence. The emergency knowledge graph for gas leakage and fire acci-

消防设备研究 |

新型数字式线型感温探测器及电缆隧道火灾适应性研究

贾伯岩 $^{1}$, 张 鹏 $^{1}$, 黄兴旺 $^{1}$, 谢友亮 $^{2}$

(1. 国网河北省电力有限公司电力科学研究院, 河北 石家庄 050021; 2. 青鸟消防股份有限公司, 北京 100871)

摘要：为了解决传统线型感温电缆在电缆隧道中无法对火灾进行有效定位和精确预警等问题，研发一种新型数字式线型感温探测器。在传统感温电缆的技术基础上，分布式插入消防芯片，与原有热敏材料结合，进行火源定位和数据处理；应用多源数据融合及自适应算法，考虑环境影响，整合多类数据，实现精准预警；升级输出预警方式，可用多设备观测沿缆的实时温度、温度云图。对产品进行技术指标检定合格后，参考国家标准和电缆隧道环境，进行了小火源性能测试、差温报警性能测试、沸水试验测试。结果表明，该探测器符合国家标准，且在湿热环境下运行稳定，可靠性较强。

关键词：电缆隧道；数字线型感温探测器；精确定位；火灾预警

中图分类号:TU990.3;TU967 文献标识码:A

DOI:10.20168/j.1009-0029.2024.06.0831.05

近年来，随着我国现代化、信息化建设的不断推进，支持电力传输、通信传输的城市基础设施也不断更新发展。其中，越来越多的电缆隧道代替架空电路用于电力输送，节省地面空间的同时提供更加安全、可靠的电缆布置环境，保护电缆免受外界干扰和损坏，提高能源和通信系统的可靠性和运行效率。与此同时，也带来了新的消防难题。电缆隧道封闭狭小，可燃物密集、交错，内部故障和外部火源均可能引起大规模火灾，且通常损失严重，恢复困难，对相关区域的生产生活造成重大影响[1-2]。

目前电缆隧道的火灾探测预警装置多采用缆式线型感温火灾探测器、线型光纤感温火灾探测器(包括分布式光纤和光纤光栅线型感温火灾探测器)[3]。通过分析市

场上现有的探测器功能，结合电缆隧道火灾的特点，发现现有技术架构和探测器存在如下问题[4]：

1) 小火源探测及定位困难。以线型感温的2种常用设备为例，传统缆式线型感温火灾探测器对小火源的测量较为灵敏，但整个回路（通常150~200 m）只能测量1个报警值，无法准确指示发生火灾的部位和具体温度[5]；线型光纤感温火灾探测器标准报警长度较长，多为3~10 m，即需要较长受热距离才能报警，对初起火源、小热源的报警能力欠缺[6]，对热隐患处理较为困难。

2) 缺乏直观的预警呈现形式。现有产品报警时呈现为指示灯闪烁，只能警示现场的工作人员，且呈现的信息有限，无法快速向管理人员提供明确的灭火指示。

3) 电缆隧道环境复杂，对产品稳定性提出较高要求。电缆隧道属于地下封闭空间，环境阴暗潮湿，受季节、昼夜影响温度变化大，存在机械振动和工业尘埃。线型感温火灾探测器的保护层性能和复杂环境探测能力经受考验。不仅如此，普通缆式火灾探测器易受电磁干扰，而电缆隧道电磁环境十分复杂，也为线型感温火灾探测器运行增加了难度。

因此，采取有效的火灾探测技术，在电缆隧道火灾事故发生时尽早探测预警，以便及时采取措施，对确保电力输送网络安全运行有重要意义[7-8]。

1 新型数字式电缆隧道探测技术架构与关键技术

1.1 技术架构与创新

为弥补传统感温电缆测温的局限性，本文在原有缆式线型火灾探测器的基础上对温度采集、数据处理、输出预警方式等方面进行技术改进，提出新型数字式电缆隧

基金项目:国网河北省电力有限公司科技项目(kj2022-061)

dents at gas storage facility sites is constructed using the Neo4j graph database. The results show that compared to traditional emergency handling and firefighting strategy research methods, the emergency model proposed in this paper for gas leakage and fire accidents at gas storage facility sites not only enables early emergency handling but also identifies the risk propagation paths of accidents, providing support for firefighting emergency command and emergency decision-making.

Key words: firefighting and rescuing; emergency decision; knowledge graph; natural gas leakage; BERT-Bi-LSTM-CRF

作者简介：宋旭(1986—)，中国石油天然气股份有限公司西南油气田分公司安全环保与技术监督研究院工程师，学士，主要从事安全管理方面的研究工作，四川省成都市高新区天府大道北段12号，610041。

通信作者：胡瑾秋(1983— )，女，中国石油大学(北京)安全与海洋工程学院教授，博士生导师，hujq@cup.edu.cn。

收稿日期:2023-11-20

修回日期:2024-01-30

（责任编辑：毛 星）