Gaz tünellerinde acil durum bilgi önerisi için bilgi grafiği–büyük dil modeli birleşim yaklaşımı

Neden daha akıllı tünel güvenliği önemli

Gaz tünelleri enerji ve ulaşım için hayati arterlerdir, ancak yeraltında bir aksilik olduğunda kurtarıcıların harekete geçmesi için sadece birkaç dakikası vardır. İhtiyaç duydukları bilgi — geçmiş kaza raporları, teknik el kitapları ve acil durum planları — genellikle birçok belgeye dağılmış halde bulunur ve baskı altındayken araması zordur. Bu makale, gelişmiş dil modelleri ile ağ tarzı bilgi haritalarını birleştiren bir yöntem kullanarak, gömülü bu uzmanlığı müdahale ekiplerine otomatik olarak toplama, düzenleme ve iletme yolunu sunuyor. Amaç basit: dağınık metni kriz anında açık ve güvenilir rehberliğe dönüştürmek.

Dağınık belgelerden bağlantılı bilgiye dönüşüm

Acil durum ekipleri geniş bir bilgi karışımına güvenir: devlet yönergeleri, mühendislik raporları, kurum içi kaza incelemeleri ve daha fazlası. Yazarlar öncelikle bu tür kaynakları gaz tüneli olaylarına odaklanan özel bir veri kümesinde topluyorlar. Uzmanlara kuralları elle kodlatmak veya katı sınıflandırmalar tasarlatmak yerine, büyük bir dil modelini (LLM) zeki bir okuyucu olarak kullanıyorlar. Özenle tasarlanmış istemlerle LLM metni tarıyor, ana oyuncuları (ekipman, mekanlar, tehlikeler ve eylemler gibi) ve bunlar arasındaki bağlantıları belirliyor ve sonra her bulguyu basit üç parçalı bir olgu olarak ifade ediyor. Bu olgular, tünel acil durumlarındaki kavramların birbirleriyle nasıl ilişkili olduğunu gösteren bir tür harita olan bilgi grafında düğümler ve bağlantılar haline geliyor.

Sistemin doğru olguları saniyeler içinde nasıl bulduğu

Müdahale ekipleri bir soru sorduğunda — örneğin ani bir gaz sızıntısından sonra hava akışını nasıl eski haline getirecekleri — sistem yalnızca anahtar kelime eşleştirmesi yapmaz. Önce sorudaki önemli terimleri tespit eder ve hem soruyu hem de graf içerisindeki her olguyu, sadece sözcüklere değil anlamlara da karşılık gelen sayısal vektörlere dönüştürür. Hızlı benzerlik araması kullanarak grafın en ilgili dilimlerini çıkarır. İkinci bir adımda ise bu aday olguları, kullanıcının terimleriyle tam eşleşme içerenlerin en üstte yer alacağı şekilde yeniden sıralar. Nihai paketi yönetilebilir sayıda yüksek alaka düzeyine sınırlandırarak, sistem hem hızlı yanıt verebilir hem de dil modelinin bellek sınırları içinde kalabilir.

Modele "ayakları yere basan" yanıtlar vermeyi öğretmek

Bilgi grafının doğru bölümü bulunduğunda, kısa ve okunabilir açıklamalara çevrilir ve kullanıcının sorusuyla birlikte LLM'ye verilir. Bu düzenleme, genellikle geri getirme destekli üretim (retrieval-augmented generation) olarak adlandırılır; modele konuşmadan önce odaklı bir brifing paketi sunmak gibidir. Model yeniden eğitilmez veya ince ayar yapılmaz; bunun yerine donuk bırakılır ve güncel, izlenebilir gerçeklerle yönlendirilir. Bu, dil modellerinin kendinden emin bir şekilde uydurma ayrıntılar sunduğu bilinen "halüsinasyon" sorununu azaltmaya yardımcı olur. Burada modelin cevabı, grafikten alınan belgelenmiş prosedürler ve geçmiş vakalara dayandırılır ve bu kaynaklar şeffaflık için daha sonra incelenebilir.

Yaklaşımı teste sokmak

Yöntemin gerçekten acil durumlarda yardımcı olup olmadığını görmek için yazarlar, gaz birikimi, yangınlar, havalandırma arızası, mahsur kalan işçiler ve benzeri yaygın tünel krizlerini kapsayan 50 gerçekçi soru-cevap vakası oluşturdular. Sistemlerini, yaygın olarak kullanılan bir ticari model dahil olmak üzere birkaç güçlü dil modeliyle hem otomatik metin eşleştirme puanlarında hem de insan değerlendirmelerinde karşılaştırdılar. Endüstri uzmanları ve araştırmacılar her cevabı doğruluk, eksiksizlik, mantıksal açıklık ve hız açısından değerlendirdiler. Graf rehberli sistemi yalnızca gerçek vaka kararlarına daha yakın olmakla kalmadı, aynı zamanda tek başına çalışan modellere göre daha ayrıntılı ve mantıksal sıraya konmuş adımlar üretti. Yanıt süresi biraz daha uzun olsa da, uzmanlar bu değişimi yüksek riskli durumlarda doğru adımları almak saniyelerden tasarruf etmeye tercih edilebilir buldular.

Gerçek dünya tünel güvenliği için anlamı

Uzman olmayanlar için ana mesaj, çalışmanın yapay zekanın genel tavsiyenin ötesine geçip çok daha özel ve tehlikeli ortamlarda güvenilir bir yardımcı haline gelebileceğini göstermesidir. Bir bilgi grafiğini bir dil modeliyle birleştirerek yazarlar, büyük hacimli teknik materyali okuyan ve düzenleyen, ardından bir gaz tüneli kazası gerçekleştiğinde dayanıklı, adım adım öneriler sunan bir sistem inşa ediyorlar. Yaklaşım hâlâ mevcut veri kapsamına bağımlı ve daha hızlı, etkileşimli kullanım için geliştirilebilir olsa da, hem akıllı hem de açıklanabilir olan geleceğin acil durum araçlarına işaret ediyor — insan karar vericilerin hayat söz konusu olduğunda daha hızlı ve daha emin hareket etmesine yardımcı olacak şekilde.

Atıf: Xu, N., Chen, X., Luo, J. et al. Knowledge graph–large language model fusion approach for emergency knowledge recommendation in gas tunnels. Sci Rep 16, 11438 (2026). https://doi.org/10.1038/s41598-026-39204-0

Anahtar kelimeler: gaz tüneli güvenliği, acil durum karar desteği, bilgi grafiği, büyük dil modelleri, geri getirme destekli üretim