Havalimanı hareket alanları için dinamik nedensel ağırlıklandırmaya dayalı risk yayılım modellemesi

Uçan herkes için pist riskleri neden önemlidir

Çoğu hava yolcusu güvenliği kalkış ve iniş bağlamında düşünür, ancak şaşırtıcı sayıda kaza ve kıl payı atlatma, uçakların taksi yaparken, pistleri geçerken veya kalkış için sırada beklerken meydana gelir. Bu yoğun “hareket alanları”, pilotların, yer araçlarının, kule personelinin, ekipmanın, hava koşullarının ve prosedürlerin bir araya geldiği yerlerdir. Küçük aksaklıklar—yanlış duyulan bir talimat, kaygan bir taksi yolu, kafa karıştırıcı bir işaret—bir araya gelerek ciddi olaylara dönüşebilir. Bu çalışma, büyük sonuçları olan pratik bir soruyu soruyor: gerçek dünya verilerini ve modern öğrenme algoritmalarını kullanarak bu tür risklerin nasıl biriktiğini ve yayıldığını, müdahale edip durdurmak için yeterince erken görebilir miyiz?

Birçok küçük sorun, bir karmaşık ağ

Yazarlar, havalimanı yüzeyinin basit hata zinciri değil, nedenler ve sonuçların yoğun bir ağı olduğu fikrinden yola çıkıyor. 2008–2021 yılları arasında ABD ve Çin’deki havalimanlarından alınan 2.795 gerçek olayı inceleyerek her bir olaya katkıda bulunan her şeyi katalogladılar: insan hataları, ekipman arızaları, hava koşulları, yetersiz işaretlemeler, yönetim sorunları ve daha fazlası. Anlatı raporları üzerinde metin analiz araçları ve bir havacılık eğitim taksonomisi kullanarak başlangıçta 98 olası faktörlük bir liste çıkardılar. Ardından faktörlerin ve kazaların zaman içinde ne kadar birlikte hareket ettiğini test etmenin bir yolu olan geliştirilmiş bir "gri korelasyon" yöntemi uygulayarak zayıf bağlantıları eleme yaptılar. Bu budama adımı, düşük görüş koşulları ve karmaşık pist düzenleri gibi etkenlerden radyo iletişim sorunları ve bakım gecikmelerine kadar tutarlı şekilde önemli olan 63 faktörü bıraktı.

Olayları canlı bir risk haritasına dönüştürmek

Bu 63 öğeden ekip, sorunların saha üzerinde gerçekte nasıl yayıldığını taklit eden bir ağ inşa etti. Her faktör bir düğüm oluyor ve düğümler arasındaki oklar bir problemin başka bir problemi daha olası hale getirmesini temsil ediyor—örneğin, yüksek kule iş yükünün talimat gecikmelerine yol açması ve bunun da pist ihlali için zemin hazırlaması gibi. Birçok önceki modelin tüm düğümleri aynı şekilde ele aldığı yaklaşımdan farklı olarak, bu ağ davranış türlerini ayırıyor. Bazı düğümler, kademeli kötüleşen bir ekipman arızası gibi bir eşik aşılana kadar risk biriktirir. Diğerleri ise zorlamaları emebilen ve sönümlendirebilen çapraz kontroller ve izleme prosedürleri gibi fren görevi görür. Model ayrıca etkileşim şekillerinin farklı biçimlerini tanır: tek çizgili zincirler, bir sorunun birçok başka soruna yol açtığı dallanan ağaçlar ve birden çok küçük sorunun birleşerek tek büyük tehdide dönüştüğü yakınsayan yollar.

Havalimanıyla uyum sağlayan öğrenen bir model

Haritayı oluşturmak hikâyenin sadece yarısıdır; asıl zorluk havalimanlarının statik olmamasıdır. Trafik düzeyleri, personel, teknoloji ve prosedürler zaman içinde değişir ve bir faktörün diğerini ne kadar güçlü etkilediğini değiştirir. Bunu yakalamak için yazarlar her ok üzerinde dinamik ağırlıklar olan bir "kapasite‑yük" modeli oluşturdular. Her düğümün bir kapasitesi—ne kadar strese dayanabileceği—ve değişen bir yükü—şu anda ne kadar risk taşıdığı—vardır. Yük kapasiteyi aştığında düğüm "arızalanır" ve riski ileriye aktarır. Bu taşmanın büyüklüğü, nedensel konvolüsyonlu pekiştirmeli öğrenme (CCRL) adlı uzmanlaşmış bir algoritma tarafından öğrenilen zamanla değişen bir ağırlıkla yönetilir. Bu algoritma, olayların tarihsel dizilerindeki desenleri çıkarır ve ardından yeni veriler geldikçe bağlantıların güçlerini sürekli ayarlar. Canlı kullanımda sistem güncel trafik, hava ve operasyonel verileri alır, ağırlıkları onda bir saniyeden kısa sürede günceller ve riskin yüzey boyunca nasıl yayılabileceğini yeniden hesaplar.

En çok önem taşıyan zayıf halkaları bulmak

Bu yaklaşımın faydalı olup olmadığını değerlendirmek için araştırmacılar dinamik modellerini Dinamik Bayes Ağları, vektör otoregresyon ve zamansal grafik sinir ağları gibi yerleşik araçlarla karşılaştırdı. Olay tahmin doğruluğunu bir ölçüt olarak kullandıklarında yöntemleri en iyi performansı gösterdi, derin öğrenmeyi geride bırakırken daha yorumlanabilir kaldı. Ardından üç pratik gösterge tanımladılar: tek bir faktörün ne kadar sorun yaratabileceğini göstermek için Düğüm Risk Etki İndeksi, ağın bir noktadan saldırıya uğradığında ne kadar kolay çözüldüğünü ölçmek için Yapısal Dayanıklılık İndeksi ve arızaların ne kadar geniş yayıldığını özetlemek için Ağ Yayılma İndeksi. Bu ölçümler bazı dikkat çekici çıkarımları ortaya koydu. Ağırlıklı olarak belirgin "merkez" konumunda olmayan bazı ekipman arızaları veya iletişim sorunları gibi faktörler yine de büyük çöküşleri tetikleyebilir. Buna karşılık, yüksek bağlantıya sahip bazı düğümler nispeten zararsız çıkıyor.

Daha güvenli, daha sorunsuz uçuşlar için ne anlama geliyor

Havalimanı işletmecileri ve düzenleyiciler için kazanç, sınırlı güvenlik kaynaklarını önceliklendirmek için daha akıllı bir yol. Ekip farklı kontrol stratejilerini simüle ettiğinde, düğümleri rastgele güçlendirmek veya yalnızca en çok bağlantısı olanlara odaklanmak, genel risk yayılımında mütevazı azalmalar sağladı. Ancak göstergelerinin gerçekten yüksek etkiye sahip olarak işaretlediği düğümlere odaklanmak modelin risk yayılma indeksini yaklaşık beşte bir azalttı. Günlük anlamda bu çalışma, yüzey güvenliğinin sadece daha fazla kural veya daha fazla personel eklemekle ilgili olmadığını; hangi belirli insan‑makine‑çevre ve denetim kombinasyonlarının rutin günleri kötü günlere dönüştürme eğiliminde olduğunu anlamak ve sorun kar topu halini almadan önce bu noktaları güçlendirmekle ilgili olduğunu gösteriyor. Bu tür uyarlanabilir modellere daha ayrıntılı veriler aktıkça, havalimanları olaylara tepki vermekten onları öngörmeye geçebilir—yolcuların havada bekledikleri kadar yerdeki uçuş aşamasını da sessizce güvenli ve sorunsuz hale getirebilir.

Atıf: Wu, W., Lin, J., Wei, M. et al. Dynamic causal weighting-based risk propagation modeling for airport movement areas. Sci Rep 16, 5249 (2026). https://doi.org/10.1038/s41598-026-36059-3

Anahtar kelimeler: havalimanı güvenliği, pist riski, havacılık olayları, risk yayılımı, pekiştirmeli öğrenme