//
Yeni arama için tıklayınız.
 

Tez

Cemal Can Ayanoğlu

Metal Sektöründe Risklerin Derecelendirmesi Ve Denetim Karar Destek Sistemi

Evaluatıon Of The Rısks In Metal Sector And Inspectıon Decısıon Support System

Türkçe

Doktora

Gazi Üniversitesi

Fen Bilimleri Enstitüsü Kazaların Çevresel Ve Teknik Araştırması Ana Bilim Dalı

Prof. Dr. Mustafa KURT

2019

İş sağlığı ve güvenliği, iş kazaları, yapay sinir ağları, kantitatif risk değerlendirmesi yöntemleri

 

Günümüz işletmelerinde gerçekleştirilen iş sağlığı ve güvenliği çalışmalarının temelinde, tehlikelerin belirlenmesi ve ortaya çıkabilecek risklerle ilgili önleyici tedbirlerin alınması yer almaktadır. Bu nedenle, risklerin etkin yöntemlerle derecelendirilmesi, tedbirlerin alınmasında önceliklerin belirlenmesi için temel bir gereklilik haline gelmiştir. Ülkemiz ekonomisinin temel yapıtaşlarından birisini oluşturan metal sektöründe, önemsenmeyen risklerden kaynaklı ciddi iş kazaları görülebilmektedir. Metal sektörü işyerlerinde mevcut olan tehlikeli durumlar değerlendirilerek, etkin yöntemlerle risklerin derecelendirilebilmesi önemli bir kazanım olacaktır. Bu tez çalışmasının amacı, metal sektörü için öngörülemeyen risklerin belirlenmesini sağlayacak objektif ölçütlere dayalı bir risk derecelendirme yönteminin geliştirilmesi ve kaynakların verimli şekilde kullanılmasını sağlayacak bir denetim karar destek sisteminin ortaya çıkarılmasıdır. Bu kapsamda, metal sektöründe meydana gelen iş kazalarına ait raporlar değerlendirilerek kaza verileri hazırlanmış, veriler üzerinde çok değişkenli istatistiksel yöntemler ile çeşitli indirgeme ve çıkarımlar yapılarak 192 kaza olayı ve 39 değişkenin bulunduğu nihai veri kümesi elde edilmiştir. Ardından, veri kümesinde en iyi performansı gösteren makine öğrenim algoritması olan yapay sinir ağları temelinde bir kaza tahmin modeli oluşturulmuştur. Modelin yapılan analizinde %90 seviyesinde doğru tahmin yaptığı saptanmıştır. Sonrasında tahmin modeli, Fine Kinney yöntemi ile bütünleştirilerek objektif ölçütlere sahip kantitatif bir risk derecelendirme yöntemi oluşturulmuştur. Bununla birlikte, tahmin modeli temelinde denetim karar destek sistemi önerisi yapılmıştır. Son olarak geliştirilen yöntemler, örnek işyeri verilerinde denenmiş, çalışmanın amaçlarını destekleyici sonuçlar elde edilmiştir

 

Occupational health and safety studies performed at modern-day workplaces are based on the identification of hazards and taking preventive measures with regard to the risks which may occur. Therefore, evaluation of the risks with effective methods has become as a necessary requirement in order to identify the priorities for taking measures. In metal sector, which is one of the basic constituents of our economy, serious occupational accidents may be observed due to the unforeseen risks. Thus, assessment of hazards at metal sector workplaces and evaluation of the risks by the effective methods will be an important achievement. The purpose of this thesis is to develop a risk evaluation method based on objective criteria that would be able to determine overlooked risks for metal sector and to emerge inspection decision support system that will enable the efficient usage of the resources. In this context, by evaluation of the reports of occupational accidents occurred at metal sector workplaces, an accident data has been prepared. After applying reductions and inferences over data through multivariate statistical analysis methods, the final data set has been obtained with 192 accident instances and 39 variables. Subsequently, in the basis of the artificial neutral networks with machine learning algorithm, which shows the best performance in the data set, accident prediction model has been created. Analysis of the model has showed an accuracy of 90%. Afterwards, forecasting model has been integrated with Fine Kinney method in order to create the quantitative risk evaluation procedure with objective decision criteria. Also, inspection decision support system has been offered in the basis of the developed forecasting model. Finally, developed methods have been applied at sample workplace data. The results obtained from application support the purposes of the study.