Accident severity prediction of Zonguldak district underground coal mines by machine learning techniques
Zonguldak bölgesi yeralti kömür madenlerinin makine öğrenmesi teknikleri ile kaza şiddeti tahmini
- Tez No: 755135
- Danışmanlar: PROF. DR. CELAL KARPUZ
- Tez Türü: Yüksek Lisans
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
Yer altı kömür madenciliği, kazalar nedeniyle dünyanın en tehlikeli sektörleri arasında yer almaktadır. Bu nedenle, bu çalışma karar ağacı, destek vektör makinesi ve sinir ağı algoritmalarını kullanarak yeraltı kömür madenleri için bir kaza şiddeti tahmin modeli oluşturmayı amaçlamaktadır. Kazaların ciddiyetinin tanımlanması, ciddi kazalara neden olacak risklerin önlenmesinde etkili bir yol sağlayacaktır. Bu çalışma aynı zamanda iş güvenliği yönetimi için yeraltı kömür madenleri için kaza şiddeti tahmin modellerinin tasarlanması ile ilgili literatürdeki boşluğu doldurmayı amaçlamaktadır. Bu çalışmada, kaza şiddeti tahmin modeli oluşturmak amacıyla Turkiye Taş Kömürü İşletmesi'nin Amasra, Armutçuk, Karadon, Kozlu, Üzülmez bölgelerine ait vardiya, kaza günü, meslek, eğitim, kazanın türü, kazanın nedeni, kazanın yeri, kazanın şiddeti, yaş, kıdem, etkilenen vücut bölümü gibi bilgilerden oluşan 11 değişken ve iki yıllık zaman dilimini kapsayan 8406 adet yeraltı kaza verisi kullanılmıştır. Makine öğrenimi algoritmalarını uygulamadan önce, boyutları azaltmak ve verileri anlamlı ve açıklanması daha kolay olan daha az değişkenle ifade etmek için temel bileşenler analizi uygulanmıştır. Temel bileşenler analizi verilerin %81,82'inin (kümülatif varyans yüzdesi) yedi bileşenle yorumlanabileceği sonucunu sağlamıştır. Bu yedi değişken kullanılarak, karar ağacı, destek vektör makinesi ve sinir ağı algoritmaları uygulanarak tahmin modelleri oluşturulmuştur. Karar ağacı modeli %78,5, destek vektör makine modeli %79,2 ve sinir ağı modeli %78,5 doğruluğa sahiptir. Sonuç olarak, en doğru tahmin sonuçlarını veren kaza şiddeti tahmin modelinin bu veri seti için destek vektör makineleri olduğuna karar verilmiştir. Eğitilmiş tahmin modeli sonuçlarına göre, baskın olan doğru sınıflandırılmış kaza şiddeti hafif yaralanmadır.
Özet (Çeviri)
Underground coal mining is considered among the most dangerous sectors in the world due to the accidents. Thus, this study aims to build an accident severity prediction model for underground coal mines by using decision tree, support vector machine, and neural network algorithms. Defining the severity of accidents will provide an effective way of preventing risks that will cause serious accidents. This study also aims to fill the gap in the literature related to designing accident severity prediction models for underground coal mining for safety management. In the study, 8406 underground accident data covering two years period of time, and eleven variables (dimensions), which are shift, day of the accident, job, education, type of accident, reason of the accident, location of the accident, severity of the accident, age, seniority, affected body part, collected by the Turkish Hard Coal Enterprise of Amasra, Armutçuk, Karadon, Kozlu, and Üzülmez district were used to build an accident severity prediction model. Before applying the machine learning algorithms, principal component analysis was applied to reduce the dimensions and express the data with fewer variables that are meaningful and easier to explain. Principal component analysis provided that 81.82% (cumulative variance percent) of the data could be interpreted with the seven components. By using these seven variables, accident severity prediction models were built applying decision tree, support vector machine, and neural network algorithms. The decision tree model has the accuracy 78.5%, support vector machine model has the accuracy 79.2%, and neural network model has the accuracy 78.5%. As a result, it was decided that the accident severity estimation model that gives the most accurate prediction results is the support vector machines for this data set. Based on trained prediction model results, the dominant correct classification accident severity type is slightly injured.
Benzer Tezler
- The effects of preprocessing methods on prediction of traffic accident severity
Önişleme yöntemlerinin trafik kazalarının şiddetinin tahmini üzerine etkisi
CEVHER ÖZDEN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEKERİYA TÜFEKCİ
- Trafik kazası yaralanma şiddeti tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması
Comparison of machine learning methods for traffic accident injury severity prediction
AYMAN ALMADANI
Yüksek Lisans
Türkçe
2024
TrafikBursa Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURTEN AKGÜN
- İnşaat iş kazalarında lojistik regresyon ile kaza şiddetinin modellenmesi
Modeling of construction accident severity using logistic regression
ÖZGE AKBOĞA
Doktora
Türkçe
2014
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SELİM BARADAN
- İş kazalarına etki eden faktörlerin çok değişkenli istatistiksel yöntemlerle değerlendirilmesi
Evaluation of factors affecting occupational accidents by multivariate statistical methods
TUFAN ÖZTÜRK
Doktora
Türkçe
2019
Kazalarİstanbul Aydın Üniversitesiİş Sağlığı ve Güvenliği Ana Bilim Dalı
PROF. DR. HASAN ALPAY HEPERKAN
- Yapı üretim sürecindeki iş kazaları şiddetinin ön bilgilendirilmiş yapay öğrenme metodu ile tahmini
Estimation of the severity of occupational accidents in the building process with pre-informed artificial learning method
MUSTAFA TÜRKER
Doktora
Türkçe
2021
İnşaat MühendisliğiGazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP KANIT