基于相似度匹配的城市燃?xì)馐鹿拾咐龓?/h1>
2021-04-27 15:08:02張蕾俠方廷勇
物聯(lián)網(wǎng)技術(shù) 2021年4期
張蕾俠，方廷勇
（安徽建筑大學(xué) 環(huán)境與能源學(xué)院，安徽 合肥 230601）
0 引 言
城市燃?xì)馐鹿适怯绊懗鞘邪踩闹匾蛩?，在全國范圍?nèi)，燃?xì)馐鹿势骄^900起/年，而其中燃?xì)庑孤┑恼急冗_(dá)到46%，值得一提的是在燃?xì)庑孤┦鹿手?4%為微小泄漏[1]。據(jù)統(tǒng)計(jì)，近5年內(nèi)，國內(nèi)媒體報(bào)道的燃?xì)馐鹿食^3 473起，受傷人數(shù)5 043人，死亡人數(shù)609人，然而這些事故多由燃?xì)獾奈⑿⌒孤┮l(fā)[2]。因此，當(dāng)燃?xì)馐录话l(fā)時(shí)，早發(fā)現(xiàn)、早報(bào)告、早處置、早解決[3]，第一時(shí)間組織應(yīng)急處置工作是快速有效管控燃?xì)庑孤┦聭B(tài)，防止燃?xì)馔话l(fā)事件進(jìn)一步擴(kuò)大的關(guān)鍵一步，也是降低燃?xì)馐鹿蕮p失的關(guān)鍵性因素。而歷史燃?xì)馐鹿蕯?shù)據(jù)中的應(yīng)急措施和經(jīng)驗(yàn)教訓(xùn)具有很高的學(xué)習(xí)價(jià)值，若能從歷史燃?xì)馐鹿蕯?shù)據(jù)中吸取有益的教訓(xùn)、經(jīng)驗(yàn)，將對燃?xì)馐鹿实姆婪逗涂焖偬幹镁哂蟹e極意義[4]。目前，世界上多數(shù)油氣儲(chǔ)運(yùn)業(yè)發(fā)達(dá)的國家均建立了管道失效或事故數(shù)據(jù)庫，用于指導(dǎo)本國油氣管道的設(shè)計(jì)、建設(shè)和風(fēng)險(xiǎn)管理，并取得了良好的應(yīng)用效果；然而，國內(nèi)目前在管道定量風(fēng)險(xiǎn)評價(jià)方面尚處于起步階段，發(fā)展的瓶頸正是缺少一套基于國內(nèi)管道歷史數(shù)據(jù)的失效數(shù)據(jù)庫。因此，建立失效數(shù)據(jù)庫是提高我國管道風(fēng)險(xiǎn)管理水平、保證管道安全可靠運(yùn)行，亟需開展的一項(xiàng)基礎(chǔ)工作[5]。城市燃?xì)馐鹿拾咐龓焓菍⒊鞘腥細(xì)怏w系運(yùn)行中實(shí)際發(fā)生的突發(fā)事件集合在一起，采用統(tǒng)計(jì)與推理的方式對歷史案例進(jìn)行統(tǒng)計(jì)與分析，以此形成能夠統(tǒng)計(jì)管道事故的歷史案例，為新發(fā)生的事故提供一個(gè)相似度匹配，快速知曉歷史相似案例，從歷史相似案例中獲取有效的應(yīng)對措施，從而提高應(yīng)急響應(yīng)效率。
耶魯大學(xué)Roger Schank教授對動(dòng)態(tài)記憶的描述是案例推理技術(shù)的起源，案例推理作為人工智能領(lǐng)域技術(shù)研究中的重要一項(xiàng)，其基本原理是參照人類大腦思考問題的方式，若是歷史相似情景問題，用歷史案例的解決辦法來解決新增案例[6]。在案例推理技術(shù)的實(shí)際應(yīng)用中，其解決問題的基本過程包括4個(gè)步驟：案例標(biāo)準(zhǔn)化輸入、案例關(guān)鍵詞檢索、案例相似度匹配和案例保存。目前其在醫(yī)療診斷、法律系統(tǒng)以及事故預(yù)測等領(lǐng)域具有廣泛而深刻的作用[7]。案例間的相似度匹配是案例推理技術(shù)的核心所在，眾多科研人員在此領(lǐng)域上提供了一系列的計(jì)算模型與方法，如向量空間模型、神經(jīng)網(wǎng)絡(luò)模型、主題模型，以及KNN算法、句法分析法、搜索引擎法等。如文獻(xiàn)[8]利用公共字符串的信息熵評價(jià)文本相似度，從公共字符串來考慮文本的相似度；文獻(xiàn)[9]通過采用已處理文本、語義特征提取和語義相似度計(jì)算方法，建立了公共安全事故案例語義相似度計(jì)算模型；文獻(xiàn)[10]針對維基百科中歷史人物的詞條和標(biāo)簽描述，將有關(guān)歷史人物信息的維基百科頁面轉(zhuǎn)換為矢量表示，從而能夠量化信息相似度；文獻(xiàn)[11]提出使用詞向量計(jì)算文檔相似度的新方法，即在詞向量空間里計(jì)算將文檔中所有的詞移動(dòng)到另一文檔對應(yīng)的詞需要的最小移動(dòng)距離（Word Mover’s Distance, WMD），求解出來的WMD則是2個(gè)文檔的相似度。
1 構(gòu)建城市燃?xì)馐鹿拾咐龓煨畔⒅笜?biāo)體系
本文的城市燃?xì)馐鹿试葱畔⑷∽匀細(xì)馐鹿蕡?bào)告以及博燃網(wǎng)等，由于事故案例的相似度的計(jì)算需要，本文根據(jù)燃?xì)馐鹿拾l(fā)生的時(shí)間、位置信息與類型、致災(zāi)源概況及事發(fā)原因?qū)Τ鞘腥細(xì)馐鹿市畔⒅笜?biāo)體系進(jìn)行具體分類[12]。城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系見表1所列。
表1 城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系
在城市燃?xì)馐鹿市畔⒅笜?biāo)體系中，事發(fā)信息指標(biāo)由3個(gè)二級信息指標(biāo)構(gòu)成，其主要用于統(tǒng)計(jì)事故發(fā)生時(shí)的狀態(tài)信息。根據(jù)事發(fā)信息指標(biāo)，采用相似度匹配計(jì)算的方法可得出新增案例與歷史案例集合之間的初步相似度匹配。事后信息指標(biāo)主要用于描述燃?xì)馐鹿实膰?yán)重程度以及事故造成的危害程度。再者其進(jìn)一步的作用是通過該指標(biāo)能清晰了解到新增案例與匹配到的歷史案例之間的后果差異，并通過此差異進(jìn)一步分析新增案例與相似歷史案例之間產(chǎn)生分歧的原因，為當(dāng)前事故的應(yīng)急措施提供借鑒，以提高事故應(yīng)急響應(yīng)效率。
由于案例相似度計(jì)算是標(biāo)準(zhǔn)化數(shù)值之間的運(yùn)算，所以在此之前需對各項(xiàng)信息指標(biāo)做標(biāo)準(zhǔn)化處理以方便運(yùn)算。城市燃?xì)馐鹿市畔⒏黝愔笜?biāo)統(tǒng)計(jì)值如圖1所示。
圖1 城市燃?xì)馐鹿市畔⒅笜?biāo)分類值
在地理位置指標(biāo)中，為擴(kuò)大案例庫的地理位置收錄范圍，特在實(shí)際指標(biāo)值中增添了國外位置信息。室內(nèi)外事故直接原因指標(biāo)項(xiàng)因室內(nèi)與室外燃?xì)獬休d體不同，兩者事發(fā)的空間場所不同，以及事故造成的后果也大不相同，故分開詳細(xì)探討了事故原因。在室內(nèi)外事故直接原因中，前5個(gè)實(shí)際指標(biāo)值僅僅是室內(nèi)事發(fā)原因的具體指標(biāo)值，而后5項(xiàng)則是室外事發(fā)原因的具體指標(biāo)值，當(dāng)事發(fā)原因都不滿足前10項(xiàng)指標(biāo)值時(shí)，才選擇列為最后一項(xiàng)指標(biāo)值：其他因素。城市燃?xì)馐鹿实燃壏旨壏譃橐话闶鹿?、較大事故、重大事故、特別重大事故及其他事故五類[13]。表1中的事發(fā)信息指標(biāo)與事后信息指標(biāo)的各項(xiàng)具體分類值均可直接從事故報(bào)道或者事故報(bào)告中獲取。
2 建立城市燃?xì)獍踩鹿拾咐龓?/h2>
本文共搜集了2012—2019年發(fā)生在國內(nèi)外不同類型的243起大小不一的城市燃?xì)獍踩鹿拾咐?，每個(gè)城市燃?xì)馐鹿拾咐龑凑铡笆鹿矢攀?事故描述”的固定文本格式進(jìn)行輸入編輯，詳情見表2所列，其主要目的是對本文搜集好的243起案例能夠進(jìn)行清晰匯總并可快速找到表1和圖1中的相關(guān)具體指標(biāo)以及分類值，而得到的相關(guān)具體指標(biāo)與分類值便構(gòu)成了城市燃?xì)馐鹿拾咐龓?。?便是最終構(gòu)建好的城市燃?xì)獍踩鹿拾咐龓?。一個(gè)獨(dú)立的城市燃?xì)馐鹿饰谋局苯影凑毡?中的事故標(biāo)題進(jìn)行命名，例如：溫州燃?xì)夤艿佬孤┦鹿省Ａ硗獗疚慕厝×艘徊糠职凑?個(gè)表格整理出的城市燃?xì)獍踩鹿拾咐龓?，詳情見?所列。
表2 案例文本固定形式
3 城市燃?xì)獍踩鹿拾咐嗨贫绕ヅ渚唧w計(jì)算
3.1 指標(biāo)權(quán)重計(jì)算
根據(jù)熵值法計(jì)算指標(biāo)權(quán)重。權(quán)重系數(shù)是表示在其他指標(biāo)不變的情況下，某一確定指標(biāo)的變化對結(jié)果產(chǎn)生的影響[14]。在已建立的信息指標(biāo)體系中，由于各個(gè)指標(biāo)量綱不同，必須根據(jù)實(shí)際情況合理確定各指標(biāo)的權(quán)重系數(shù)，故無法輕易通過專家打分法來主觀地確定各項(xiàng)指標(biāo)的權(quán)重系數(shù)大小。熵值法是度量不確定性的一種客觀賦值法。當(dāng)信息熵越大（?。r(shí)，該指標(biāo)的不確定性就越大（?。瑱?quán)重系數(shù)就越?。ù螅15]。熵值法計(jì)算指標(biāo)權(quán)重的具體方法如下：
（1）若在案例庫中總共有n個(gè)案例、k個(gè)信息指標(biāo)，那么Xij為第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值（i=1, 2, ...,n；j=1, 2, ...,k），對各個(gè)信息指標(biāo)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各信息指標(biāo)屬性值的計(jì)算公式為：
網(wǎng)絡(luò)時(shí)代的到來為人工智能的研發(fā)提供了機(jī)遇與驅(qū)動(dòng)力。計(jì)算機(jī)網(wǎng)絡(luò)，尤其是互聯(lián)網(wǎng)，是理想的人工智能實(shí)驗(yàn)床，因?yàn)檎麄€(gè)互聯(lián)網(wǎng)就可以看成是一個(gè)傳感器密集、大規(guī)模并行的自治、虛擬機(jī)器人系統(tǒng)。
式中：Xij為第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值（i=1, 2, ...,n；j=1, 2, ...,k）；Yij為各Xij數(shù)據(jù)標(biāo)準(zhǔn)化處理后的值；maxXij為第j個(gè)信息指標(biāo)屬性的最大值；minXij為第j個(gè)信息指標(biāo)屬性的最小值。
（2）根據(jù)信息熵的定義，計(jì)算第j個(gè)信息指標(biāo)屬性值的信息熵，那么第j個(gè)信息指標(biāo)屬性值的熵值Ej按式（2）進(jìn)行計(jì)算，其中pij按式（3）進(jìn)行計(jì)算：
式中：Ej為第j個(gè)信息指標(biāo)屬性值的熵值；pij為在該信息指標(biāo)總屬性值中，第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值的所占比重。
（3）計(jì)算各項(xiàng)信息指標(biāo)屬性值的權(quán)重，根據(jù)熵值公式（3）得出各個(gè)指標(biāo)的信息熵為E1,E2, ...,Ek，而后第j個(gè)信息指標(biāo)屬性值所占權(quán)重按式（4）計(jì)算：
式中，Wj為第j個(gè)信息指標(biāo)屬性值的權(quán)重。
3.2 城市燃?xì)獍踩鹿拾咐嗨贫扔?jì)算
本文基于熵值法確定各項(xiàng)信息指標(biāo)權(quán)重后，那么各信息指標(biāo)權(quán)重集合便為W=（?1,?2, ...,?k），采用向量空間相似度計(jì)算方法，建立城市燃?xì)馐鹿拾咐嗨贫扔?jì)算模型。假設(shè)歷史案例構(gòu)成集合為T=（T1,T2, ...,Tn），新增案例為Z，那么歷史案例中的任意一個(gè)Ti都是由k個(gè)信息指標(biāo)構(gòu)成的，故歷史案例Ti的信息指標(biāo)屬性向量可寫成Ti=（A1,A2, ...,Ak），新增案例Z的信息指標(biāo)屬性向量可寫成Z=（B1,B2, ...,Bk），則歷史案例Ti與新增案例Z之間的相似度計(jì)算公式為：式中：Aj與Bj分別為歷史案例Ti與新增案例Z的第j個(gè)信息指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化后的值；?j為第j個(gè)指標(biāo)的權(quán)重。
本文根據(jù)相似度計(jì)算公式可計(jì)算出案例庫中n個(gè)歷史案例與新增案例之間的向量空間相似度集合，也就能進(jìn)一步得出案例之間的相似度集合。
4 城市燃?xì)獍踩鹿示唧w案例分析
本文將從網(wǎng)絡(luò)上搜集到的一起案例作為新增案例，用于計(jì)算與案例庫中歷史案例進(jìn)行匹配和具體分析。該新增案例為2012年6月30日16:06發(fā)生在湖北省恩施土家族苗族自治州利川市南坪鄉(xiāng)某工地上的一起天然氣管道泄漏燃燒事故。將該新增案例以案例文本固定形式表達(dá)，以便對各個(gè)指標(biāo)信息的分析統(tǒng)計(jì)。對各個(gè)指標(biāo)信息統(tǒng)計(jì)完全之后，將該案例按照各統(tǒng)計(jì)信息指標(biāo)分類值輸入保存至案例庫中，對新增案例與各個(gè)歷史案例進(jìn)行相似度計(jì)算，得出最高相似度案例。并對相似案例與新增案例進(jìn)行差異分析，得出造成該結(jié)果差異的有效結(jié)論，對新增案例提出有效的防范與應(yīng)急措施。
4.1 計(jì)算各項(xiàng)信息指標(biāo)權(quán)重
本文采用熵值法計(jì)算出各項(xiàng)信息指標(biāo)權(quán)重，對表1中的事發(fā)信息指標(biāo)，也就是前14個(gè)具體三級指標(biāo)進(jìn)行相似度匹配的初步計(jì)算，而事后信息指標(biāo)中剩余的6項(xiàng)三級指標(biāo)是用來對匹配結(jié)果與相似案例之間進(jìn)行差異分析的。各項(xiàng)信息指標(biāo)的權(quán)重計(jì)算結(jié)果見表4所列。
表4 各項(xiàng)信息指標(biāo)權(quán)重計(jì)算結(jié)果
4.2 案例相似度計(jì)算與匹配分析
根據(jù)案例文本固定形式對新增案例進(jìn)行規(guī)范性表示，再根據(jù)案例信息指標(biāo)體系對新增案例各信息指標(biāo)輪流進(jìn)行統(tǒng)計(jì)，并按照表2的指標(biāo)統(tǒng)計(jì)分類值確定新增案例的信息指標(biāo)屬性向量，詳情見表5所列。
表5 新增案例信息指標(biāo)屬性向量
在計(jì)算出指標(biāo)權(quán)重的基礎(chǔ)上，結(jié)合相似度計(jì)算模型，利用MATLAB計(jì)算出新增案例信息指標(biāo)屬性向量與歷史案例信息指標(biāo)屬性向量之間的相似度，并選取排名前幾位的相似案例，就該結(jié)果對新增案例與相似案例間的事后信息指標(biāo)差異進(jìn)行詳細(xì)剖析。新增案例與歷史案例相似度排名前8的案例見表6所列。
表6 案例庫中排名前8的相似歷史案例
在上述匹配結(jié)果中，排名前8位的相似案例的事故發(fā)生地全部集中在鄉(xiāng)鎮(zhèn)郊區(qū)等城市邊緣地帶，而事故的直接原因均為人為造成的第三方破壞因素，具體都是由于施工人員在施工過程中不慎對燃?xì)夤艿涝斐善茐模沟弥懈邏汗艿捞烊粴庑孤?。并且，在上述相似案例中，?29號案例和第25號案例事發(fā)時(shí)造成的事故類型結(jié)果均為火災(zāi)事故類型。針對同樣為由第三方破壞因素而導(dǎo)致火災(zāi)事故的新增案例，本文只對排名前2位的相似案例與新增案例進(jìn)行事后結(jié)果差異分析，為新增案例的事故應(yīng)急措施提供借鑒以提高事故應(yīng)急響應(yīng)效率。相似度最高的2個(gè)歷史案例與新增案例間的指標(biāo)差異見表7所列。其中第244號案例為新增案例，添置案例庫最末尾放置。根據(jù)表7可明顯看出，229號和25號2個(gè)歷史案例與新增案例相比較，雖然在事故的所在區(qū)域以及發(fā)生時(shí)間上有所區(qū)別，但其都是在當(dāng)日的下午工作時(shí)間段，在工地上發(fā)生的天然氣管道由施工破壞引發(fā)中高壓天然氣管道泄漏，繼而引發(fā)火災(zāi)的燃?xì)馐鹿?，而這2起歷史案例的名稱分別為2015年的遵義燃?xì)夤艿阑馂?zāi)一般事故和2012年的馬鞍山燃?xì)夤艿阑馂?zāi)一般事故。另外，本文的新增案例在事故原因、事故地理信息、致災(zāi)源各項(xiàng)信息、泄漏部位以及事故造成的首要危害上與上述2起案例都十分相似，但同樣是火災(zāi)事故，3起事故造成的事故嚴(yán)重程度以及事故后果和財(cái)產(chǎn)損失有所差異，這也正是本文要討論的重點(diǎn)。
表7 相似度最高的2個(gè)案例與新增案例的指標(biāo)差異
新增案例是因一名施工人員在使用電錘鉆破水泥地面時(shí)，不慎鉆破埋設(shè)在地下的天然氣管道，導(dǎo)致管道天然氣泄漏，而泄漏的天然氣遇上高速旋轉(zhuǎn)的電錘產(chǎn)生的電火花，瞬間被引燃，火焰高達(dá)3 m，致使該名施工人員被嚴(yán)重?zé)齻藭r(shí)由于出事管道兩端閥門間的距離近10 km，管道里有大量余氣，仍在繼續(xù)泄漏、燃燒，火情愈演愈烈，有逐漸向外蔓延的趨勢，而后引燃了路邊的農(nóng)作物，造成部分農(nóng)作物和樹木受損。最終該事故造成一人受重傷，周邊居民用氣受到較長時(shí)間的影響，以及4萬元以上的經(jīng)濟(jì)損失。相比上述2起最相似歷史案例未造成人員傷亡及財(cái)產(chǎn)損失，只造成周邊居民用氣受到影響，新增案例的傷亡損失情況著實(shí)有些嚴(yán)重。
4.3 新增案例的防范與應(yīng)急措施
事故發(fā)生的原因主要是現(xiàn)場施工單位對地下管線走向的不清楚、不熟悉而造成的野蠻施工致使管道破裂，天然氣發(fā)生泄漏。根據(jù)歷史相似案例同樣的火災(zāi)類型事發(fā)情景以及火災(zāi)事故應(yīng)對措施對新增案例提出一些有效應(yīng)急措施：
（1）燃?xì)馄髽I(yè)應(yīng)加強(qiáng)天然氣管道的運(yùn)營管理安全，特別是要加強(qiáng)鄉(xiāng)鎮(zhèn)地區(qū)人員密度高的后果嚴(yán)重區(qū)域以及地質(zhì)情況不明區(qū)域管段的管理安全，強(qiáng)化巡查力度，必要時(shí)應(yīng)進(jìn)行管道監(jiān)測，進(jìn)一步完善應(yīng)急預(yù)案，加強(qiáng)應(yīng)急能力建設(shè)，開展應(yīng)急演練。
（2）現(xiàn)場施工企業(yè)應(yīng)切實(shí)加強(qiáng)施工現(xiàn)場管理，加強(qiáng)監(jiān)督檢查，清楚地下管線走向后謹(jǐn)慎施工，履行好現(xiàn)場施工管理職責(zé)，堅(jiān)決防范類似事故發(fā)生，切實(shí)履行安全生產(chǎn)責(zé)任與社會(huì)責(zé)任。
（3）現(xiàn)場人員應(yīng)及時(shí)報(bào)警并通知燃?xì)夤粳F(xiàn)場情況，疏散管道附近群眾至安全區(qū)域，對過往車輛實(shí)施交通管制，及時(shí)送傷者前往醫(yī)院救治。
（4） 燃?xì)馄髽I(yè)要完善險(xiǎn)要情況處置措施，鑒于天然氣管道發(fā)生破裂泄漏后的嚴(yán)重危害，今后在處置此類管道事故時(shí)，要根據(jù)實(shí)際情況采取有效的即時(shí)安全措施，比如：停止輸氣和減小壓力，但要確保處置過程安全有效。
5 結(jié) 語
本文通過構(gòu)建城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系，對各項(xiàng)信息指標(biāo)進(jìn)行詳細(xì)分類和取值，以此在搜集好的、按標(biāo)準(zhǔn)文本格式整理好的243起城市燃?xì)馐鹿拾咐幕A(chǔ)上來構(gòu)建城市燃?xì)獍踩鹿拾咐龓臁Ｓ渺刂捣ㄓ?jì)算得出各個(gè)信息指標(biāo)權(quán)重，通過MATLAB計(jì)算案例相似度，構(gòu)建城市燃?xì)馐鹿拾咐嗨贫扔?jì)算模型。然后將構(gòu)建好的模型運(yùn)用到實(shí)際分析中，可以從構(gòu)建好的案例庫中快速匹配到與新增案例相似的歷史案例，詳細(xì)分析與相似案例之間的指標(biāo)信息相似性，可得出該相似度匹配模型是真實(shí)有效的。通過采納歷史相似案例的防范與應(yīng)急措施，結(jié)合新增案例自身的實(shí)際事故情況，得出企業(yè)應(yīng)加強(qiáng)管道的運(yùn)營安全管理，進(jìn)一步完善應(yīng)急預(yù)案，加強(qiáng)應(yīng)急建設(shè)、施工現(xiàn)場管理、監(jiān)督檢查，以及事發(fā)時(shí)應(yīng)立即采取有效的即時(shí)安全措施，減小事故危害程度。
猜你喜歡
案例4 奔跑吧，少年！少先隊(duì)活動(dòng)(2021年2期)2021-03-29 05:40:48 隨機(jī)變量分布及統(tǒng)計(jì)案例拔高卷中學(xué)生數(shù)理化(高中版.高二數(shù)學(xué))(2019年6期)2019-06-24 03:37:50 發(fā)生在你我身邊的那些治超案例中國公路(2017年7期)2017-07-24 13:56:38 訂閱信息中華手工(2017年2期)2017-06-06 23:00:31 新歷史全體育(2016年4期)2016-11-02 18:57:28 一個(gè)模擬案例引發(fā)的多重思考中國衛(wèi)生(2015年4期)2015-11-08 11:16:06 歷史上的6月科普童話·百科探秘(2015年6期)2015-10-13 07:21:18 歷史上的八個(gè)月科普童話·百科探秘(2015年8期)2015-08-14 07:13:06 歷史上的4月科普童話·百科探秘(2015年4期)2015-05-14 07:25:32 展會(huì)信息中外會(huì)展(2014年4期)2014-11-27 07:46:46
- 物聯(lián)網(wǎng)技術(shù)的其它文章
- 物聯(lián)網(wǎng)感知、識(shí)別與控制技術(shù)課程教學(xué)改革探討
- Chemaid化工實(shí)驗(yàn)教學(xué)平臺(tái)研究與設(shè)計(jì)
- 高職物聯(lián)網(wǎng)專業(yè)課程體系建設(shè)與實(shí)踐
- 新工科背景下物聯(lián)網(wǎng)工程專業(yè)建設(shè)的探索研究
- 基于燃?xì)獗砦锫?lián)網(wǎng)技術(shù)的城鎮(zhèn)燃?xì)庑枨髠?cè)用氣監(jiān)管系統(tǒng)研究
- 大型預(yù)制件物流運(yùn)輸安全管理分析
張蕾俠，方廷勇
（安徽建筑大學(xué) 環(huán)境與能源學(xué)院，安徽 合肥 230601）
0 引 言
城市燃?xì)馐鹿适怯绊懗鞘邪踩闹匾蛩?，在全國范圍?nèi)，燃?xì)馐鹿势骄^900起/年，而其中燃?xì)庑孤┑恼急冗_(dá)到46%，值得一提的是在燃?xì)庑孤┦鹿手?4%為微小泄漏[1]。據(jù)統(tǒng)計(jì)，近5年內(nèi)，國內(nèi)媒體報(bào)道的燃?xì)馐鹿食^3 473起，受傷人數(shù)5 043人，死亡人數(shù)609人，然而這些事故多由燃?xì)獾奈⑿⌒孤┮l(fā)[2]。因此，當(dāng)燃?xì)馐录话l(fā)時(shí)，早發(fā)現(xiàn)、早報(bào)告、早處置、早解決[3]，第一時(shí)間組織應(yīng)急處置工作是快速有效管控燃?xì)庑孤┦聭B(tài)，防止燃?xì)馔话l(fā)事件進(jìn)一步擴(kuò)大的關(guān)鍵一步，也是降低燃?xì)馐鹿蕮p失的關(guān)鍵性因素。而歷史燃?xì)馐鹿蕯?shù)據(jù)中的應(yīng)急措施和經(jīng)驗(yàn)教訓(xùn)具有很高的學(xué)習(xí)價(jià)值，若能從歷史燃?xì)馐鹿蕯?shù)據(jù)中吸取有益的教訓(xùn)、經(jīng)驗(yàn)，將對燃?xì)馐鹿实姆婪逗涂焖偬幹镁哂蟹e極意義[4]。目前，世界上多數(shù)油氣儲(chǔ)運(yùn)業(yè)發(fā)達(dá)的國家均建立了管道失效或事故數(shù)據(jù)庫，用于指導(dǎo)本國油氣管道的設(shè)計(jì)、建設(shè)和風(fēng)險(xiǎn)管理，并取得了良好的應(yīng)用效果；然而，國內(nèi)目前在管道定量風(fēng)險(xiǎn)評價(jià)方面尚處于起步階段，發(fā)展的瓶頸正是缺少一套基于國內(nèi)管道歷史數(shù)據(jù)的失效數(shù)據(jù)庫。因此，建立失效數(shù)據(jù)庫是提高我國管道風(fēng)險(xiǎn)管理水平、保證管道安全可靠運(yùn)行，亟需開展的一項(xiàng)基礎(chǔ)工作[5]。城市燃?xì)馐鹿拾咐龓焓菍⒊鞘腥細(xì)怏w系運(yùn)行中實(shí)際發(fā)生的突發(fā)事件集合在一起，采用統(tǒng)計(jì)與推理的方式對歷史案例進(jìn)行統(tǒng)計(jì)與分析，以此形成能夠統(tǒng)計(jì)管道事故的歷史案例，為新發(fā)生的事故提供一個(gè)相似度匹配，快速知曉歷史相似案例，從歷史相似案例中獲取有效的應(yīng)對措施，從而提高應(yīng)急響應(yīng)效率。
耶魯大學(xué)Roger Schank教授對動(dòng)態(tài)記憶的描述是案例推理技術(shù)的起源，案例推理作為人工智能領(lǐng)域技術(shù)研究中的重要一項(xiàng)，其基本原理是參照人類大腦思考問題的方式，若是歷史相似情景問題，用歷史案例的解決辦法來解決新增案例[6]。在案例推理技術(shù)的實(shí)際應(yīng)用中，其解決問題的基本過程包括4個(gè)步驟：案例標(biāo)準(zhǔn)化輸入、案例關(guān)鍵詞檢索、案例相似度匹配和案例保存。目前其在醫(yī)療診斷、法律系統(tǒng)以及事故預(yù)測等領(lǐng)域具有廣泛而深刻的作用[7]。案例間的相似度匹配是案例推理技術(shù)的核心所在，眾多科研人員在此領(lǐng)域上提供了一系列的計(jì)算模型與方法，如向量空間模型、神經(jīng)網(wǎng)絡(luò)模型、主題模型，以及KNN算法、句法分析法、搜索引擎法等。如文獻(xiàn)[8]利用公共字符串的信息熵評價(jià)文本相似度，從公共字符串來考慮文本的相似度；文獻(xiàn)[9]通過采用已處理文本、語義特征提取和語義相似度計(jì)算方法，建立了公共安全事故案例語義相似度計(jì)算模型；文獻(xiàn)[10]針對維基百科中歷史人物的詞條和標(biāo)簽描述，將有關(guān)歷史人物信息的維基百科頁面轉(zhuǎn)換為矢量表示，從而能夠量化信息相似度；文獻(xiàn)[11]提出使用詞向量計(jì)算文檔相似度的新方法，即在詞向量空間里計(jì)算將文檔中所有的詞移動(dòng)到另一文檔對應(yīng)的詞需要的最小移動(dòng)距離（Word Mover’s Distance, WMD），求解出來的WMD則是2個(gè)文檔的相似度。
1 構(gòu)建城市燃?xì)馐鹿拾咐龓煨畔⒅笜?biāo)體系
本文的城市燃?xì)馐鹿试葱畔⑷∽匀細(xì)馐鹿蕡?bào)告以及博燃網(wǎng)等，由于事故案例的相似度的計(jì)算需要，本文根據(jù)燃?xì)馐鹿拾l(fā)生的時(shí)間、位置信息與類型、致災(zāi)源概況及事發(fā)原因?qū)Τ鞘腥細(xì)馐鹿市畔⒅笜?biāo)體系進(jìn)行具體分類[12]。城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系見表1所列。
表1 城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系
在城市燃?xì)馐鹿市畔⒅笜?biāo)體系中，事發(fā)信息指標(biāo)由3個(gè)二級信息指標(biāo)構(gòu)成，其主要用于統(tǒng)計(jì)事故發(fā)生時(shí)的狀態(tài)信息。根據(jù)事發(fā)信息指標(biāo)，采用相似度匹配計(jì)算的方法可得出新增案例與歷史案例集合之間的初步相似度匹配。事后信息指標(biāo)主要用于描述燃?xì)馐鹿实膰?yán)重程度以及事故造成的危害程度。再者其進(jìn)一步的作用是通過該指標(biāo)能清晰了解到新增案例與匹配到的歷史案例之間的后果差異，并通過此差異進(jìn)一步分析新增案例與相似歷史案例之間產(chǎn)生分歧的原因，為當(dāng)前事故的應(yīng)急措施提供借鑒，以提高事故應(yīng)急響應(yīng)效率。
由于案例相似度計(jì)算是標(biāo)準(zhǔn)化數(shù)值之間的運(yùn)算，所以在此之前需對各項(xiàng)信息指標(biāo)做標(biāo)準(zhǔn)化處理以方便運(yùn)算。城市燃?xì)馐鹿市畔⒏黝愔笜?biāo)統(tǒng)計(jì)值如圖1所示。
圖1 城市燃?xì)馐鹿市畔⒅笜?biāo)分類值
在地理位置指標(biāo)中，為擴(kuò)大案例庫的地理位置收錄范圍，特在實(shí)際指標(biāo)值中增添了國外位置信息。室內(nèi)外事故直接原因指標(biāo)項(xiàng)因室內(nèi)與室外燃?xì)獬休d體不同，兩者事發(fā)的空間場所不同，以及事故造成的后果也大不相同，故分開詳細(xì)探討了事故原因。在室內(nèi)外事故直接原因中，前5個(gè)實(shí)際指標(biāo)值僅僅是室內(nèi)事發(fā)原因的具體指標(biāo)值，而后5項(xiàng)則是室外事發(fā)原因的具體指標(biāo)值，當(dāng)事發(fā)原因都不滿足前10項(xiàng)指標(biāo)值時(shí)，才選擇列為最后一項(xiàng)指標(biāo)值：其他因素。城市燃?xì)馐鹿实燃壏旨壏譃橐话闶鹿?、較大事故、重大事故、特別重大事故及其他事故五類[13]。表1中的事發(fā)信息指標(biāo)與事后信息指標(biāo)的各項(xiàng)具體分類值均可直接從事故報(bào)道或者事故報(bào)告中獲取。
2 建立城市燃?xì)獍踩鹿拾咐龓?/h2>
本文共搜集了2012—2019年發(fā)生在國內(nèi)外不同類型的243起大小不一的城市燃?xì)獍踩鹿拾咐?，每個(gè)城市燃?xì)馐鹿拾咐龑凑铡笆鹿矢攀?事故描述”的固定文本格式進(jìn)行輸入編輯，詳情見表2所列，其主要目的是對本文搜集好的243起案例能夠進(jìn)行清晰匯總并可快速找到表1和圖1中的相關(guān)具體指標(biāo)以及分類值，而得到的相關(guān)具體指標(biāo)與分類值便構(gòu)成了城市燃?xì)馐鹿拾咐龓?。?便是最終構(gòu)建好的城市燃?xì)獍踩鹿拾咐龓?。一個(gè)獨(dú)立的城市燃?xì)馐鹿饰谋局苯影凑毡?中的事故標(biāo)題進(jìn)行命名，例如：溫州燃?xì)夤艿佬孤┦鹿省Ａ硗獗疚慕厝×艘徊糠职凑?個(gè)表格整理出的城市燃?xì)獍踩鹿拾咐龓?，詳情見?所列。
表2 案例文本固定形式
3 城市燃?xì)獍踩鹿拾咐嗨贫绕ヅ渚唧w計(jì)算
3.1 指標(biāo)權(quán)重計(jì)算
根據(jù)熵值法計(jì)算指標(biāo)權(quán)重。權(quán)重系數(shù)是表示在其他指標(biāo)不變的情況下，某一確定指標(biāo)的變化對結(jié)果產(chǎn)生的影響[14]。在已建立的信息指標(biāo)體系中，由于各個(gè)指標(biāo)量綱不同，必須根據(jù)實(shí)際情況合理確定各指標(biāo)的權(quán)重系數(shù)，故無法輕易通過專家打分法來主觀地確定各項(xiàng)指標(biāo)的權(quán)重系數(shù)大小。熵值法是度量不確定性的一種客觀賦值法。當(dāng)信息熵越大（?。r(shí)，該指標(biāo)的不確定性就越大（?。瑱?quán)重系數(shù)就越?。ù螅15]。熵值法計(jì)算指標(biāo)權(quán)重的具體方法如下：
（1）若在案例庫中總共有n個(gè)案例、k個(gè)信息指標(biāo)，那么Xij為第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值（i=1, 2, ...,n；j=1, 2, ...,k），對各個(gè)信息指標(biāo)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各信息指標(biāo)屬性值的計(jì)算公式為：
網(wǎng)絡(luò)時(shí)代的到來為人工智能的研發(fā)提供了機(jī)遇與驅(qū)動(dòng)力。計(jì)算機(jī)網(wǎng)絡(luò)，尤其是互聯(lián)網(wǎng)，是理想的人工智能實(shí)驗(yàn)床，因?yàn)檎麄€(gè)互聯(lián)網(wǎng)就可以看成是一個(gè)傳感器密集、大規(guī)模并行的自治、虛擬機(jī)器人系統(tǒng)。
式中：Xij為第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值（i=1, 2, ...,n；j=1, 2, ...,k）；Yij為各Xij數(shù)據(jù)標(biāo)準(zhǔn)化處理后的值；maxXij為第j個(gè)信息指標(biāo)屬性的最大值；minXij為第j個(gè)信息指標(biāo)屬性的最小值。
（2）根據(jù)信息熵的定義，計(jì)算第j個(gè)信息指標(biāo)屬性值的信息熵，那么第j個(gè)信息指標(biāo)屬性值的熵值Ej按式（2）進(jìn)行計(jì)算，其中pij按式（3）進(jìn)行計(jì)算：
式中：Ej為第j個(gè)信息指標(biāo)屬性值的熵值；pij為在該信息指標(biāo)總屬性值中，第i個(gè)案例的第j個(gè)信息指標(biāo)屬性值的所占比重。
（3）計(jì)算各項(xiàng)信息指標(biāo)屬性值的權(quán)重，根據(jù)熵值公式（3）得出各個(gè)指標(biāo)的信息熵為E1,E2, ...,Ek，而后第j個(gè)信息指標(biāo)屬性值所占權(quán)重按式（4）計(jì)算：
式中，Wj為第j個(gè)信息指標(biāo)屬性值的權(quán)重。
3.2 城市燃?xì)獍踩鹿拾咐嗨贫扔?jì)算
本文基于熵值法確定各項(xiàng)信息指標(biāo)權(quán)重后，那么各信息指標(biāo)權(quán)重集合便為W=（?1,?2, ...,?k），采用向量空間相似度計(jì)算方法，建立城市燃?xì)馐鹿拾咐嗨贫扔?jì)算模型。假設(shè)歷史案例構(gòu)成集合為T=（T1,T2, ...,Tn），新增案例為Z，那么歷史案例中的任意一個(gè)Ti都是由k個(gè)信息指標(biāo)構(gòu)成的，故歷史案例Ti的信息指標(biāo)屬性向量可寫成Ti=（A1,A2, ...,Ak），新增案例Z的信息指標(biāo)屬性向量可寫成Z=（B1,B2, ...,Bk），則歷史案例Ti與新增案例Z之間的相似度計(jì)算公式為：式中：Aj與Bj分別為歷史案例Ti與新增案例Z的第j個(gè)信息指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化后的值；?j為第j個(gè)指標(biāo)的權(quán)重。
本文根據(jù)相似度計(jì)算公式可計(jì)算出案例庫中n個(gè)歷史案例與新增案例之間的向量空間相似度集合，也就能進(jìn)一步得出案例之間的相似度集合。
4 城市燃?xì)獍踩鹿示唧w案例分析
本文將從網(wǎng)絡(luò)上搜集到的一起案例作為新增案例，用于計(jì)算與案例庫中歷史案例進(jìn)行匹配和具體分析。該新增案例為2012年6月30日16:06發(fā)生在湖北省恩施土家族苗族自治州利川市南坪鄉(xiāng)某工地上的一起天然氣管道泄漏燃燒事故。將該新增案例以案例文本固定形式表達(dá)，以便對各個(gè)指標(biāo)信息的分析統(tǒng)計(jì)。對各個(gè)指標(biāo)信息統(tǒng)計(jì)完全之后，將該案例按照各統(tǒng)計(jì)信息指標(biāo)分類值輸入保存至案例庫中，對新增案例與各個(gè)歷史案例進(jìn)行相似度計(jì)算，得出最高相似度案例。并對相似案例與新增案例進(jìn)行差異分析，得出造成該結(jié)果差異的有效結(jié)論，對新增案例提出有效的防范與應(yīng)急措施。
4.1 計(jì)算各項(xiàng)信息指標(biāo)權(quán)重
本文采用熵值法計(jì)算出各項(xiàng)信息指標(biāo)權(quán)重，對表1中的事發(fā)信息指標(biāo)，也就是前14個(gè)具體三級指標(biāo)進(jìn)行相似度匹配的初步計(jì)算，而事后信息指標(biāo)中剩余的6項(xiàng)三級指標(biāo)是用來對匹配結(jié)果與相似案例之間進(jìn)行差異分析的。各項(xiàng)信息指標(biāo)的權(quán)重計(jì)算結(jié)果見表4所列。
表4 各項(xiàng)信息指標(biāo)權(quán)重計(jì)算結(jié)果
4.2 案例相似度計(jì)算與匹配分析
根據(jù)案例文本固定形式對新增案例進(jìn)行規(guī)范性表示，再根據(jù)案例信息指標(biāo)體系對新增案例各信息指標(biāo)輪流進(jìn)行統(tǒng)計(jì)，并按照表2的指標(biāo)統(tǒng)計(jì)分類值確定新增案例的信息指標(biāo)屬性向量，詳情見表5所列。
表5 新增案例信息指標(biāo)屬性向量
在計(jì)算出指標(biāo)權(quán)重的基礎(chǔ)上，結(jié)合相似度計(jì)算模型，利用MATLAB計(jì)算出新增案例信息指標(biāo)屬性向量與歷史案例信息指標(biāo)屬性向量之間的相似度，并選取排名前幾位的相似案例，就該結(jié)果對新增案例與相似案例間的事后信息指標(biāo)差異進(jìn)行詳細(xì)剖析。新增案例與歷史案例相似度排名前8的案例見表6所列。
表6 案例庫中排名前8的相似歷史案例
在上述匹配結(jié)果中，排名前8位的相似案例的事故發(fā)生地全部集中在鄉(xiāng)鎮(zhèn)郊區(qū)等城市邊緣地帶，而事故的直接原因均為人為造成的第三方破壞因素，具體都是由于施工人員在施工過程中不慎對燃?xì)夤艿涝斐善茐模沟弥懈邏汗艿捞烊粴庑孤?。并且，在上述相似案例中，?29號案例和第25號案例事發(fā)時(shí)造成的事故類型結(jié)果均為火災(zāi)事故類型。針對同樣為由第三方破壞因素而導(dǎo)致火災(zāi)事故的新增案例，本文只對排名前2位的相似案例與新增案例進(jìn)行事后結(jié)果差異分析，為新增案例的事故應(yīng)急措施提供借鑒以提高事故應(yīng)急響應(yīng)效率。相似度最高的2個(gè)歷史案例與新增案例間的指標(biāo)差異見表7所列。其中第244號案例為新增案例，添置案例庫最末尾放置。根據(jù)表7可明顯看出，229號和25號2個(gè)歷史案例與新增案例相比較，雖然在事故的所在區(qū)域以及發(fā)生時(shí)間上有所區(qū)別，但其都是在當(dāng)日的下午工作時(shí)間段，在工地上發(fā)生的天然氣管道由施工破壞引發(fā)中高壓天然氣管道泄漏，繼而引發(fā)火災(zāi)的燃?xì)馐鹿?，而這2起歷史案例的名稱分別為2015年的遵義燃?xì)夤艿阑馂?zāi)一般事故和2012年的馬鞍山燃?xì)夤艿阑馂?zāi)一般事故。另外，本文的新增案例在事故原因、事故地理信息、致災(zāi)源各項(xiàng)信息、泄漏部位以及事故造成的首要危害上與上述2起案例都十分相似，但同樣是火災(zāi)事故，3起事故造成的事故嚴(yán)重程度以及事故后果和財(cái)產(chǎn)損失有所差異，這也正是本文要討論的重點(diǎn)。
表7 相似度最高的2個(gè)案例與新增案例的指標(biāo)差異
新增案例是因一名施工人員在使用電錘鉆破水泥地面時(shí)，不慎鉆破埋設(shè)在地下的天然氣管道，導(dǎo)致管道天然氣泄漏，而泄漏的天然氣遇上高速旋轉(zhuǎn)的電錘產(chǎn)生的電火花，瞬間被引燃，火焰高達(dá)3 m，致使該名施工人員被嚴(yán)重?zé)齻藭r(shí)由于出事管道兩端閥門間的距離近10 km，管道里有大量余氣，仍在繼續(xù)泄漏、燃燒，火情愈演愈烈，有逐漸向外蔓延的趨勢，而后引燃了路邊的農(nóng)作物，造成部分農(nóng)作物和樹木受損。最終該事故造成一人受重傷，周邊居民用氣受到較長時(shí)間的影響，以及4萬元以上的經(jīng)濟(jì)損失。相比上述2起最相似歷史案例未造成人員傷亡及財(cái)產(chǎn)損失，只造成周邊居民用氣受到影響，新增案例的傷亡損失情況著實(shí)有些嚴(yán)重。
4.3 新增案例的防范與應(yīng)急措施
事故發(fā)生的原因主要是現(xiàn)場施工單位對地下管線走向的不清楚、不熟悉而造成的野蠻施工致使管道破裂，天然氣發(fā)生泄漏。根據(jù)歷史相似案例同樣的火災(zāi)類型事發(fā)情景以及火災(zāi)事故應(yīng)對措施對新增案例提出一些有效應(yīng)急措施：
（1）燃?xì)馄髽I(yè)應(yīng)加強(qiáng)天然氣管道的運(yùn)營管理安全，特別是要加強(qiáng)鄉(xiāng)鎮(zhèn)地區(qū)人員密度高的后果嚴(yán)重區(qū)域以及地質(zhì)情況不明區(qū)域管段的管理安全，強(qiáng)化巡查力度，必要時(shí)應(yīng)進(jìn)行管道監(jiān)測，進(jìn)一步完善應(yīng)急預(yù)案，加強(qiáng)應(yīng)急能力建設(shè)，開展應(yīng)急演練。
（2）現(xiàn)場施工企業(yè)應(yīng)切實(shí)加強(qiáng)施工現(xiàn)場管理，加強(qiáng)監(jiān)督檢查，清楚地下管線走向后謹(jǐn)慎施工，履行好現(xiàn)場施工管理職責(zé)，堅(jiān)決防范類似事故發(fā)生，切實(shí)履行安全生產(chǎn)責(zé)任與社會(huì)責(zé)任。
（3）現(xiàn)場人員應(yīng)及時(shí)報(bào)警并通知燃?xì)夤粳F(xiàn)場情況，疏散管道附近群眾至安全區(qū)域，對過往車輛實(shí)施交通管制，及時(shí)送傷者前往醫(yī)院救治。
（4） 燃?xì)馄髽I(yè)要完善險(xiǎn)要情況處置措施，鑒于天然氣管道發(fā)生破裂泄漏后的嚴(yán)重危害，今后在處置此類管道事故時(shí)，要根據(jù)實(shí)際情況采取有效的即時(shí)安全措施，比如：停止輸氣和減小壓力，但要確保處置過程安全有效。
5 結(jié) 語
本文通過構(gòu)建城市燃?xì)馐鹿拾咐畔⒅笜?biāo)體系，對各項(xiàng)信息指標(biāo)進(jìn)行詳細(xì)分類和取值，以此在搜集好的、按標(biāo)準(zhǔn)文本格式整理好的243起城市燃?xì)馐鹿拾咐幕A(chǔ)上來構(gòu)建城市燃?xì)獍踩鹿拾咐龓臁Ｓ渺刂捣ㄓ?jì)算得出各個(gè)信息指標(biāo)權(quán)重，通過MATLAB計(jì)算案例相似度，構(gòu)建城市燃?xì)馐鹿拾咐嗨贫扔?jì)算模型。然后將構(gòu)建好的模型運(yùn)用到實(shí)際分析中，可以從構(gòu)建好的案例庫中快速匹配到與新增案例相似的歷史案例，詳細(xì)分析與相似案例之間的指標(biāo)信息相似性，可得出該相似度匹配模型是真實(shí)有效的。通過采納歷史相似案例的防范與應(yīng)急措施，結(jié)合新增案例自身的實(shí)際事故情況，得出企業(yè)應(yīng)加強(qiáng)管道的運(yùn)營安全管理，進(jìn)一步完善應(yīng)急預(yù)案，加強(qiáng)應(yīng)急建設(shè)、施工現(xiàn)場管理、監(jiān)督檢查，以及事發(fā)時(shí)應(yīng)立即采取有效的即時(shí)安全措施，減小事故危害程度。
猜你喜歡
少先隊(duì)活動(dòng)(2021年2期)2021-03-29 05:40:48
中學(xué)生數(shù)理化(高中版.高二數(shù)學(xué))(2019年6期)2019-06-24 03:37:50
中國公路(2017年7期)2017-07-24 13:56:38
中華手工(2017年2期)2017-06-06 23:00:31
全體育(2016年4期)2016-11-02 18:57:28
中國衛(wèi)生(2015年4期)2015-11-08 11:16:06
科普童話·百科探秘(2015年6期)2015-10-13 07:21:18
科普童話·百科探秘(2015年8期)2015-08-14 07:13:06
科普童話·百科探秘(2015年4期)2015-05-14 07:25:32
中外會(huì)展(2014年4期)2014-11-27 07:46:46
- 物聯(lián)網(wǎng)技術(shù)的其它文章
- 物聯(lián)網(wǎng)感知、識(shí)別與控制技術(shù)課程教學(xué)改革探討
- Chemaid化工實(shí)驗(yàn)教學(xué)平臺(tái)研究與設(shè)計(jì)
- 高職物聯(lián)網(wǎng)專業(yè)課程體系建設(shè)與實(shí)踐
- 新工科背景下物聯(lián)網(wǎng)工程專業(yè)建設(shè)的探索研究
- 基于燃?xì)獗砦锫?lián)網(wǎng)技術(shù)的城鎮(zhèn)燃?xì)庑枨髠?cè)用氣監(jiān)管系統(tǒng)研究
- 大型預(yù)制件物流運(yùn)輸安全管理分析