Safety and Health at Work dergisinde 2026 yılında yayımlanan yeni bir araştırma, kömür madenlerinde tozla mücadelede başarının yalnızca teknik sistemlere değil, madencilerin davranışlarına, grup dinamiklerine ve sosyal etkileşimlerine de bağlı olduğunu ortaya koydu. Çinli araştırmacılar tarafından yürütülen çalışma, %95,73 doğruluk oranına ulaşan yapay zekâ destekli bir modelle bu etkiyi sayısal olarak değerlendirdi. “Study on the Evaluation Method of Collaborative Dust Prevention Effect with Coal Miners-Based on Feature Reduction, Genetic Algorithm, and Backpropagation” başlıklı araştırma, Shulei Shi, Haotian Zheng, Haoyang Li ve Xue Wang tarafından kaleme alındı. Çalışma, Safety and Health at Work dergisinin 2026 tarihli 17. cildinde, 83–90. sayfalar arasında yayımlandı.
Araştırmanın temel sorusu son derece önemli: Kömür madenlerinde toz kontrolü için teknik altyapı kurulsa bile, neden bazı sahalarda istenen başarı düzeyi yakalanamıyor? Yazarlar bu soruya, “işbirlikçi toz önleme” yaklaşımıyla yanıt veriyor. Buna göre etkili toz kontrolü; işletme önlemleri, teknik sistemler, çalışan davranışları, grup etkileşimi ve kurumsal destek mekanizmalarının birlikte işlemesiyle mümkün oluyor. Çalışmada bu yaklaşım, bireysel davranış, grup dinamiği ve durumsal etkenleri bir arada ele alan bütünleşik bir çerçeve olarak sunuluyor.
Makalenin yöntem bölümünde, bu teorik çerçevenin üç ana bileşen üzerine kurulduğu belirtiliyor: durumsal kuvvet alanı, içsel kuvvet alanı ve grup dinamikleri. Teknik çevre ile insan davranışı arasındaki ilişkinin doğrusal değil, karşılıklı beslenen döngüsel bir yapı içinde ele alındığını ortaya koyuyor. Bu bakış açısı, iş güvenliği kültürünü yalnızca talimatlar ve denetimlerle açıklamanın yetersiz kaldığını bir kez daha düşündürüyor.
Araştırmanın veri temeli, 955 ön cephe kömür madencisinden toplanan anket yanıtlarına dayanıyor. Anket; içsel motivasyon, durumsal motivasyon ve grup motivasyonu boyutlarında yapılandırıldı. Katılımcılar, beşli Likert ölçeği üzerinden çeşitli ifadelere yanıt verdi. Ölçekte teknik bağlam, bilgi paylaşımı, normatif durum, kaynak temelli bağlam, sosyal kimlik, güven, sürü davranışı eğilimi, grup bağlılığı ve grubun çekim/dağıtım etkileri gibi başlıklar yer aldı. Çalışmanın en dikkat çekici sonuçlarından biri, 12 değişken arasından en etkili 5 ana faktörün seçilmesi oldu. Kaba küme yöntemiyle yapılan indirgeme sonucunda şu değişkenler öne çıktı: teknik bağlam, uyum eğilimi , grup bağlılığı, grubun itici gücü ve grubun dağıtıcı gücü. Araştırmacılar, toz önleme başarısının bu beş faktör etrafında güçlü biçimde şekillendiğini belirtiyor.
Araştırmanın bir diğer güçlü yönü, analiz altyapısında kullanılan hibrit model. Yazarlar, kaba küme yöntemi, genetik algoritma ve geri yayılım sinir ağını bir araya getirerek RS-GA-BP adı verilen bir tahmin modeli geliştirdi. Bu isim; Rough Set (Kaba Küme), Genetic Algorithm (Genetik Algoritma) ve BackPropagation'ın (Geri Yayılım Sinir Ağı) baş harflerinden oluşur.
Modelin çalışma mantığı temel olarak birbirini takip eden üç aşamadan oluşur:
1. RS (Rough Set - Kaba Küme) ile Veri Ayıklama ve Özellik İndirgeme: Araştırmanın başında, madencilerin davranışlarını ve motivasyonlarını ölçmek için ankette 12 farklı değişken (girdi) bulunuyordu. Kaba Küme (RS) teorisi; eksik, kesin olmayan veya tutarsız bilgileri analiz ederek gizli örüntüleri ortaya çıkaran ve sistemdeki gereksiz (redundant) değişkenleri eleyen bir matematiksel araçtır. Bu model çalışmaya başladığında, gereksiz veya sonuca etkisi düşük olan değişkenleri filtreleyerek 12 başlangıç faktörünü en kritik 5 temel faktöre (teknik bağlam, sürü davranışı eğilimi, grup bütünlüğü, grup itici gücü ve grup zayıflatıcı gücü) indirgemiştir. Böylece model, karmaşadan kurtularak sadece en önemli verilere odaklanabilir hale getirilmiştir.
2. BP (Backpropagation - Geri Yayılım) Sinir Ağı ile Temel İskeletin Kurulması: BP, denetimli öğrenme prensibiyle çalışan çok katmanlı bir yapay sinir ağıdır. İnsan beyninin öğrenme şeklini taklit ederek girdiler ile çıktılar arasındaki doğrusal olmayan karmaşık ilişkileri haritalandırır ve hatayı en aza indirmek için bağlantı ağırlıklarını sürekli olarak günceller.
3. GA (Genetic Algorithm - Genetik Algoritma) ile Optimizasyon (Hata Giderme): Standart BP sinir ağlarının önemli zayıflıkları vardır; öğrenme hızları yavaştır, parametre ayarlarına çok duyarlıdırlar ve optimizasyon sırasında yerel minimumlara düşmeye yatkındırlar. İşte burada devreye Genetik Algoritma (GA) girer. GA, biyolojik evrimden ilham alan, paralellik ve sağlamlık özelliklerine sahip küresel bir arama tekniğidir. GA, BP ağının öğrenmeye başlamadan önceki başlangıç ağırlıklarını ve eşik değerlerini optimize eder. Bu çalışmada, ağdaki 84 bağlantı ağırlığı ve 15 eşik değeri (bias) birleştirilerek GA için 99 boyutlu bir genetik kodlama dizisi oluşturulmuştur. Daha sonra popülasyon boyutu 30, çaprazlama (crossover) oranı 0.8 ve mutasyon oranı 0.2 gibi evrimsel parametrelerle model "en iyi ve en hatasız başlangıç noktasını" bulana kadar eğitilmiştir.
MATLAB yazılımı üzerinden 905 anket verisi ile eğitilen ve 50 ayrı veri ile test edilen bu entegre model, %95,73 gibi son derece yüksek bir tahmin doğruluğuna (sadece %4,27 mutlak hata payına) ulaşmıştır
Bu çalışma, iş güvenliği profesyonellerine çok net bir mesaj veriyor: Tozla mücadele yalnızca teknik bir mühendislik meselesi değildir; aynı zamanda bir güvenlik kültürü, iletişim ve grup yönetimi meselesidir. Eğer çalışanlar teknik önlemleri anlamıyor, benimsemiyor ya da grup içinde bu önlemler desteklenmiyorsa, kâğıt üzerinde kusursuz görünen bir sistem sahada zayıflayabiliyor.
Dolayısıyla sahada kalıcı başarı için şu üçlü birlikte düşünülmeli:
🔹 teknik yeterlilik,
🔹 davranışsal katılım,
🔹 ekip içi sosyal bütünlük.
Özellikle kömür madenciliği gibi yüksek riskli sektörlerde, sadece havalandırma, bastırma veya filtreleme yatırımı yapmak yetmez; çalışanların sürece aktif katılımını sağlayan eğitimler, liderlik uygulamaları, ekip iletişimi ve ortak güvenlik hedefleri de sistemin bir parçası olmalıdır. Bu yorum, çalışmanın bulgularından yapılan çıkarımsal bir değerlendirmedir ve saha yönetimi açısından güçlü bir pratik çerçeve sunmaktadır.
Bu çalışma neden önemli?
🔹 Tozla mücadeleyi sadece teknik ekipman sorunu olarak değil, insan ve grup davranışı sorunu olarak da ele alıyor.
🔹 955 madenci verisine dayanması nedeniyle güçlü bir saha temeli sunuyor.
🔹 Yapay zekâ destekli modelle İSG’de davranışsal değişkenlerin ölçülebileceğini gösteriyor.
Dr. Hakan ERDOĞAN
A sınıfı İGU
Makine Y. Mühendisi
