Chemical process safety domain knowledge graph‐enhanced <scp>LLM</scp> for efficient emergency response decision support
Notice bibliographique
Résumé
Abstract Chemical process safety accidents are characterized by their sudden onset, rapid evolution, and severe consequences. Developing effective emergency response decisions for such complex and dynamic incidents requires comprehensively considering various knowledge domains. Relying solely on expert experience and emergency plans often fails to meet the demands of effective emergency response. To enhance the efficiency of emergency response decision‐making in chemical process accidents, this study proposes a method that leverages a chemical process safety knowledge graph (CPSKG) to enhance large language models (LLMs) for generating reliable emergency response decisions. The proposed method uses a seven‐step approach to designing scenario and emergency response ontologies. By aligning with the characteristics of emergency domain knowledge texts and the ontology framework, natural language processing (NLP) and retrieval‐augmented generation using graphs (Graph RAG) techniques are employed to construct a semantically rich CPSKG. The entities and relationships within the graph enhance the reasoning capabilities of LLMs, facilitating the generation of efficient and reliable emergency response decisions. A case study was conducted to validate the reliability of this approach. The results demonstrate that the LLM enhanced with the CPSKG outperforms other models in generating more effective emergency response decisions. As a key contribution, the proposed method improves the efficiency of knowledge sharing and emergency response in the chemical process safety domain while generating reliable and auxiliary emergency decisions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».