Dynamic scenario deduction analysis for hazardous chemical accident based on <scp>CNN‐LSTM</scp> model with attention mechanism
Notice bibliographique
Résumé
Abstract The evolution of hazardous chemical accidents (HCAs) is characterized by uncertainty and complexity. It is challenging for decision‐makers to expeditiously adapt emergency response plans in response to dynamically changing scenario states. This study proposes a data‐driven methodology for constructing accident scenarios and develops a novel hybrid deep learning model for scenario deduction analysis. This model aids in accurately predicting the evolution of HCAs, enabling emergency responders to prepare and implement targeted interventions proactively. First, a framework for constructing an accident scenario database is presented, based on the time‐sequential characteristics of accident progression. This framework employs a data‐driven approach to describe the evolution process of accident scenarios. Second, a deep learning model (CNN‐LSTM‐Attention) that integrates convolutional neural network (CNN), long short‐term memory (LSTM), and attention mechanism (AM) is developed for accident scenario deduction analysis. Finally, to illustrate practical application, a scenario database for HCAs is established. A major HCA case study is conducted to demonstrate the ability of this model to analyze various scenarios, thereby improving emergency decision‐making efficiency. Compared with algorithms such as CNN, LSTM, and CNN‐LSTM, the prediction accuracy of this method ranges from 86% to 93%, signifying an improvement of over 7%. This work provides a reliable framework for supporting decision‐making in emergency management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».