安全设计视角下基于BIM-Ontology的安全风险自动识别系统

黄怡萱， 佘健俊， 叶 嵩

(1. 南京工业大学 土木工程学院， 江苏 南京 211800； 2. 中建八局第三建设有限公司， 江苏 南京 210046)

安全设计(Design For Safety，DFS)是指在设计阶段就通过可行的方法或工具识别风险，并采取相关安全措施消除隐患，降低安全事故发生的可能性。虽然目前施工安全风险研究的重点是在施工阶段进行安全风险评价及预警，但施工前的安全风险识别仍是排查安全隐患的关键，能为后续施工阶段安全管理打下基础。Carter等[1]提出危险识别是安全事故预防的最关键要素；Manuele[2]认为在设计阶段消除危险是安全管理最高层次；Szymberski[3]提出的时间-安全影响曲线也表明，随着项目进行，安全管理的能力将逐渐下降。

尽管已经有大量研究证实在设计阶段识别安全风险是十分有效的，但目前安全设计的实施仍受到阻碍。在国外，大多研究集中于特定类型的安全风险，如洞口坠落风险[4,5]等，未能系统性地考虑安全设计的内容；提出的DFS工具应用效果很大程度取决于专家的经验[5,6]，且实践过程费时费力；信息技术的使用多基于IFC(Industry Foundation Classes)标准或商业模型检查器[7,8]，存在信息遗漏、缺乏集成等问题，安全知识利用率低，数据互操困难。在国内，大多相关研究针对地铁工程设计阶段的安全风险[9,10]，较少围绕民用建筑工程设计阶段的安全风险展开，对于如何利用信息技术在设计阶段集成、管理以及运用行业安全知识更是鲜有涉及。因此，亟需开发一个集成知识管理与信息技术的面向设计阶段的安全风险自动识别系统，实现风险超前预控。

与此同时，以本体技术为代表的信息技术逐渐发展成熟，已在煤矿、地铁、医疗等领域得到广泛应用。本体是一个特定领域中重要概念共享的、形式化的描述。本体的描述语言OWL(Ontology Web Language)[11]是一种结构化的知识表示方法，它能对概念层次进行清晰准确的表达。本体为领域内信息交互提供了统一的计算机能够识别的语义基础，可以很好地解决不同软件间的互操作性问题，支持基于规则的推理，实现领域本体知识的复用。而BIM(Building Information Modeling)技术具有面向对象建模、数字化、可视化等特点，在建设项目早期阶段应用具有巨大的安全管理优势。

综上，本文针对目前DFS实施所存在的问题及BIM与本体技术的优势，提出了基于BIM与本体的安全风险自动识别原型系统，该系统基于建设项目设计阶段，集成与设计有关的安全风险内容，实现安全风险的智能推理。由于安全设计涉及的内容较多，篇幅有限，本文以建设项目防火设计为例，验证所提出系统的可行性，以期为后续DFS的实施与拓展提供有效的方法与工具。

1 安全设计视角下基于BIM-Ontology安全风险自动识别系统构建

1.1 系统功能需求分析

根据前述DFS在实施过程中的困境，进行安全风险识别系统需求分析，如表1所示。

表1 系统功能需求分析

1.2 系统总体设计思路

为实现完整的安全风险自动识别过程，采用以本体论为代表的信息表达工具构建领域本体知识库，将相关安全规范进行结构化处理，翻译为能够被计算机识别的语言，同时结合BIM模型信息表达的特点，对模型加载所需要的信息，实现特定信息的提取，最后通过SWRL(Semantic Web Rule Language)规则算法与推理引擎实现安全风险识别，并基于语义的查询算法输出识别结果。

根据上述系统总体设计思路，本文将系统设计为知识管理、BIM模型信息处理、规则推理等3个子系统，具体内容如图1所示。

图1 系统的总体设计框架

知识管理子系统是围绕本体知识库展开的，主要内容为基于本体描述语言OWL对领域知识进行建模，并通过规则语言SWRL对安全规范条例进行表达。本体知识库是一个动态开放的知识库，推理后的知识将不断更新存储在本体知识库中以供后续查询以及管理使用。主要作用为实现安全规范的结构化表达，完成知识的采集、转换、存储和查询，提高安全知识的重用效率。

BIM模型信息处理子系统的主要内容为在对安全规范进行语义分析的基础上，赋予BIM模型所需要的信息，将提取的信息进行语义转换，以匹配本体知识库中的数据格式。主要作用为提供BIM模型实例信息，实现不同平台之间数据的互操作。

规则推理子系统是安全规则算法、推理算法以及查询算法的集成，该子系统主要通过系统内置的算法将BIM模型中的信息与安全规则库中的信息进行智能匹配，识别不一致项并将结果返回到本体知识库中进行更新，用户通过查询得到识别结果，最终输出识别报告。

1.3 系统工作流程

BIM模型作为建筑信息数据库，为安全风险识别系统提供了数据基础，而DFS本体知识库为安全规范知识提供了重用的平台，集成BIM与DFS本体知识库，能够识别安全风险的同时解决信息共享和知识重用问题，提升安全知识管理水平。上述三个子系统之间涉及的工作流程如图2所示。

图2 系统实现流程

1.3.1 检查规则集的生成

生成检查规则集是将现行相关安全规范进行结构化表达的过程，本文选取GB 50720-2011《建设工程施工现场消防安全技术规范》中的典型条例作为检查规则集的数据基础。主要步骤为：(1)对规范文本进行语义、逻辑分析，梳理规范条文的安全约束类型；(2)对能够结构化表达的规范条文，利用OWL语言对概念本体进行描述，利用SWRL语言进行结构化处理。具体步骤如图3所示。

图3 生成SWRL检查规则集

1.3.2 BIM模型实例映射

目前尚没有开发出直接将模型数据转换成OWL格式的插件，因此实现数据互操作是完成推理的关键所在。现行研究中模型信息提取与转换功能并不完善，基于IFC框架的信息交互，存在逻辑性缺乏且表达范围有限等问题，而商业模型检查器局限于特定的规则检查，可拓展性差，知识利用率低。Revit有多种信息输出方式，其中共享参数可以通过明细表导出EXCEL格式，同时本体Cellfie模块可以直接将表格数据转换成OWL语言映射至现有本体中，实现半结构化数据转换，这为数据互操作带来可能。本文将基于Cellfie模块构建数据转换规则，实现表格数据到OWL本体的链接与映射，提高数据的处理效率，为建模软件与应用软件之间数据互操作提供一种可行的方法。

1.3.3 基于规则的推理

此步骤通过构建DFS本体完成Tbox领域知识结构的定义，并基于前述BIM数据映射形成本体中ABox实例断言的集合，系统将ABox交给内置的推理引擎，推理引擎执行1.3.1的检查规则集，完成推理后系统将推理结果返回到用户，如图4所示。

图4 BIM模型的数据提取转换和规则推理过程

1.3.4 可视化报告输出

此步骤设计人员通过查询得到一些必要的安全信息，如查询对象、识别结果和优化措施，识别结果存储在知识库中形成经验供以后借鉴，对于识别出的不安全设计，能链接到BIM模型中高亮表示。

1.4 系统程序结构的实现

本文采用斯坦福大学开发的Protégé 5.5.0作为本体开发工具。Protégé是一个免费的OWL本体开发环境，目前被广泛用于学术领域知识模型的构建，Protégé OWL编辑器支持本体中领域知识的类、属性和实例的创建，并且具有很强的扩展性。

系统在Java环境下运行，整个过程主要依靠三个程序接口实现：即OWL API(Application Programming Interface)[12]，Revit API和SWRL API[13]。OWL API可以访问OWL模型以及模型中元素(类、属性、实例等)，通过定义命名空间的前缀来访问和辨别本体资源；Revit API允许使用者通过任何与.NET兼容的语言来编程，通过Revit API接口可以访问模型的图形数据、参数数据以及集成第三方应用链接到外部数据库，转换数据进行分析应用等；SWRL API提供了Built-ins内置库，可以扩展SWRL，这给规则描述带来了方便，另外，查询语言SQWRL(Semantic Query-enhanced Web Rule )正是基于SWRL API的Built-ins机制进行的扩展[14]。

本系统的规则推理与检索功能采用统一的数据口径，用户能够从底层繁琐的语义、逻辑数据操作中抽离出来，将更多的时间和精力分配到应用层面上去，这对于推广智能化安全管理具有重要意义。

2 DFS本体构建

2.1 DFS本体概念体系

构建DFS本体应尽可能详尽地将与设计有关的安全知识表达出来。由于本文工程实例信息的载体是BIM模型，而BIM模型不仅能集成各设计专业的工作，还能将临时设施等因素与模型结合起来，从而更加完整地涵盖与设计有关的安全风险因素，因此本文基于上述特点，结合安全规范以及四类主要的安全事故(高处坠落、坍塌、物体打击、火灾)与设计的关系，将风险因素进行分类，如表2所示。

表2 与设计有关的安全风险因素分类

依据表2将DFS本体分为设计主题、设计要点、风险前兆信息、潜在危险、预防措施五个核心要素，结合文献整理构建DFS本体概念体系，如图5所示。

图5 DFS本体概念体系

2.2 DFS本体构建

本体最重要的两个部分是“概念”与“关系”，“概念”通过类进行描述，表达“概念”之间的“关系” 则依靠属性和语义关系的定义。在本体中属

性是对类的特征所进行的描述，包括对象属性(Object properties)和数据属性(Data properties)，并通过领域(Domain)与范围(Range)来定义两个个体之间定义域与值域的关系[15]。本文在Protégé中构建本体的层次结构及其可视化界面，如图6所示。

图6 Protégé类的层次结构及可视化

2.2.1 本体推理规则的建立

SWRL是基于W3C开发的一种标准规则语言，它能够将OWL中表达的安全规则知识集成到规则中[16]。SWRL 语法结构由推理前提(body)、推理结果(head)组成，body通过SWRL 内置的逻辑比较(Built-Ins)关系推理得到head，两者由运算符“->”相连。

选取GB 50720-2011《建设工程施工现场消防安全技术规范》中的两条典型条例进行SWRL规则转换：

(1)条例6.2.2：储藏间墙上设置的门应采用乙级防火门。

Rule1:abox:Door(?d)^Position(?d,Storage_room)^Fireproof_door(?d,?e)^swrlb:lessThan(?e,1)->Cause_hazard(?d,fire)^Adjust_design(?d,Adjust_fireproof_door)

(2)条例6.4.3 ：防烟楼梯间前室的使用面积，公共建筑高层厂房(仓库)不应小于6.0 m2。

Rule1:abox:Building_Information_Model(?a)^Building_attribute(?a,public_building)^Anteroom(?r)^Position(?r, Smoke-proofstairwell)^Has_usage_area(?r,?m)^swrlb:lessThan(?m,6)->Cause_hazard(?r,fire)^Adjust_design(?r,Adjust_usage_area)

2.2.2 基于SQWRL的查询

SQWRL查询语言是对SWRL Built-Ins 进行了扩展，由此定义了一套查询操作符，因此SQWRL能够很好地兼容SWRL规则[17]。基于SQWRL进行语义查询，结果将返回为一张二维表，表中呈现查询推理后的实例信息。

3 系统的应用

中建A公司在南京的某社区综合服务中心项目如图7所示，该项目建筑高度54.650 m，地上11层，地下2层，地上建筑面积20715.17 m2，地下建筑面积14426.60 m2，建筑耐火等级为一级，为一类高层公共建筑。本文将对前室和防火门与设计有关的安全风险识别作示例。

图7 南京某社区中心项目

对模型信息进行预处理。本文通过添加共享参数的方式对需要的安全属性信息进行赋值。

以防火门为例，对BIM模型信息处理的过程如图8a所示。需要说明的是，部分信息将作数字化处理，如门的防火等级：无等级、丙级、乙级、甲级转换成0，1，2，3安全性能逐次增强的形式表达。

以前室为例，在Revit中，前室的属性附着在房间构件上，而房间的属性是通过标记的方式来进行添加的，因此这一步中不需要添加共享参数。对地下室的前室设置为房间并添加房间标记，在“注释”中描述位置属性，同样该属性信息能够通过Revit明细表功能输出，过程如图8b所示。

图8 Revit共享参数添加与明细表输出

明细表统一导出成EXCEL后，对表格数据进行整理，如表3所示。调用Protégé中内置的Cellfie将表格数据转至OWL格式，该语义转换遵循 MappingMaster DSL规则[18]，编辑转换公理，每个单元格地址生成实例的唯一标识符，单元格内容通过 Types与Facts连接本体类及属性，结果如图9所示。系统转换成功了56条公理，将结果添加至现有本体中。

表3 提取的部分Revit模型信息

图9 表格数据到OWL格式的映射

OWL语义转换的结果在Protégé的Individuals模块呈现。BIM模型构件的属性信息表现为不同的数据类型，如数值数据、字符串数据，Protégé将根据数据类型的不同在Object property或Data property中新增相应属性。至此BIM模型上的数据成功映射至本体中，实现了模型与本体知识库的链接。

通过Protégé中的SWRLTab完成2.2.1节规则条款的编辑，结果如图10黑框内所示。调用Protégé中Drools推理引擎进行推理，Drools 是一种基于描述逻辑的规则推理机，与Protégé一样支持 Java语言，具有良好的兼容性与推理功能。在推理引擎界面运行推理，推理结果返回到“Individuals”中更新DFS本体知识库。

图10 SWRLTab+Drools推理引擎界面

基于SWRL+Drools的推理后，实例“B1F前室2”“单嵌板木门1：M1022”各增加了2条属性描述，推理完成。如图11所示。

图11 前室与门的识别结果面板

B1F前室2的位置设置在防烟楼梯处且面积小于6 m2，面积小于安全规范中的临界值，存在安全隐患。图11左侧系统推理出了“Cause_hazard fire”这一不安全因素，并给出了优化措施“Adjust_design Adjust_usage_area”即调整前室使用面积，以达到安全水平。

设置在储藏室的门应该具备防火等级乙级，否则具有潜在安全隐患，如图11右侧，系统成功推理出了该单嵌板木门1的安全风险。“Cause_hazard fire”表示该木门防火等级的参数设计存在潜在的安全隐患，同时，系统还输出了优化措施，“Adjust_design Adjust_fireproof_door”表示需要对该木门调整设计，提升防火等级。

推理完成后基于SQWRL查询语言实现识别结果的查询。对门可能存在的不安全因素以及优化措施进行查询输入：

Q1:abox:Door(?d)^Cause_hazard(?d,?hazrad)->sqwrl:select(?hazrad)

Q2:abox:Door(?d)^Cause_hazard(?d,fire)^Adjust_design(?d,?result)->sqwrl:select(?result)

查询页面如图12，查询显示存在不安全因素2个，相应优化措施2个。用户可通过查询识别结果和措施来优化设计，减少不必要的设计变更。查询结果将存储在DFS本体知识库中，作为经验为以后的设计提供依据。

图12 查询结果

通过将BIM实体模型中的信息与已构建的 DFS 本体知识库中的安全规则信息进行匹配，实现了对防火设计安全风险的智能识别。

本文提出的集成 BIM与DFS本体知识库的风险识别方法能够极大地减少目前安全风险识别工作对专家知识的依赖，提高风险识别的效率、准确性和智能化水平，为后续开展安全风险管控提供依据。

4 结 语

本文提出了面向设计的安全风险自动识别系统，该系统基于BIM与本体技术集成安全设计的内容，获取设计安全风险信息，为设计阶段集成、管理和运用安全知识提供了新的视角和方法。通过完善DFS本体架构为DFS实践与推广提供基础，设计实例数据转换与本体映射算法为实现信息匹配提供了解决方案，实现工程实例到风险信息的智能化输出，对推动BIM、本体与语义网技术的应用及安全管理的智能化管理有重要意义。以防火设计为例通过某社区服务中心项目实现了安全设计视角下的安全风险自动识别，验证了所提出方法的有效性。

此外，安全设计包含的内容较广，DFS本体的构建是长期不断完善的过程，不同的业态或结构类型有不同的安全设计知识，需要基于本文的系统在之后的研究中进一步完善。后续还可结合数据挖掘技术实现安全知识的自动获取、自然语言处理技术辅助安全规范的结构化表达，实现安全风险的全自动识别。