典型文献
水利施工事故文本智能分析的BERT-BiLSTM混合模型
文献摘要：
水利工程施工往往具有施工环境复杂、施工难度大的特点,施工事故频发.事故报告作为事故分析的文件,通常包含了事故发生的总结和原因,可以作为预防事故发生的依据.然而,目前水利领域的事故分析多依赖于现场管理人员的手工分析,不仅容易出错,而且耗时耗力.此外,现有的模型无法直接对水利事故文本进行高精度的分析和预测.因此,本文提出了一种结合变压器双向编码表示(BERT)和双向长短时记忆模型(BiLSTM)的混合深度学习模型深入分析水利工程施工事故原因.混合模型的上游采用B E RT模型生成事故文本的字符级动态特征向量,模型下游基于改进的BiLSTM模型挖掘事故报告文本的语义特征,实现事故报告文本智能分析.最后,通过将本文提出的模型和目前先进的七种深度学习模型进行实验对比,对所提出的混合模型的有效性进行验证.结果表明,本文提出的混合模型优于其他几种深度学习算法,该模型可为水利施工事故的分析与决策提供算法支撑和依据.
文献关键词：
施工事故文本;智能分析;深度学习;BERT;BiLSTM;自然语言处理
中图分类号：
作者姓名：
刘婷;张社荣;王超;李志竑;关炜;王枭华
作者机构：
天津大学 水利工程仿真与安全国家重点实验室,天津 300072;天津大学 建筑工程学院,天津 300072;水利部南水北调规划设计管理局,北京 100038
文献出处：
引用格式：
[1]刘婷;张社荣;王超;李志竑;关炜;王枭华-.水利施工事故文本智能分析的BERT-BiLSTM混合模型)[J].水力发电学报,2022(07):1-12
A类：
施工事故文本,文本智能分析
B类：
水利施工,BERT,BiLSTM,混合模型,水利工程施工,施工环境,环境复杂,事故报告,事故分析,了事,水利领域,现场管理,工分,出错,耗力,变压器,编码表示,双向长短时记忆,长短时记忆模型,混合深度学习模型,事故原因,模型生成,成事,字符,动态特征,特征向量,语义特征,七种,实验对比,深度学习算法,自然语言处理
AB值：
0.275155
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
