DOI: https://doi.org/10.1038/s41598-026-45250-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41935135
تاريخ النشر: 2026-04-04
المؤلف: Xian Yang
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بالسلامة المرتبطة بإنشاء المطارات أثناء العمليات المستمرة من خلال تطوير نموذج توقع المخاطر المعتمد على التعلم الآلي. قامت الدراسة بتحليل 412 حدث بناء في مطار دولي رئيسي من 2019 إلى 2024، وحددت ست فئات رئيسية لعوامل المخاطر: الأفراد، البيئة، المعدات، الإدارة، المرافق، والعمليات، ممثلة بـ 42 متغير مؤشر. للتخفيف من عدم توازن الفئات، تم استخدام تقنية الزيادة الاصطناعية للأقليات (SMOTE)، وحقق مصنف XGBoost دقة بنسبة 92.7% ومعدل استرجاع بنسبة 85.7%. تم استخدام قيم SHapley Additive exPlanations (SHAP) لتفسير النموذج، كاشفة عن خمسة عوامل مخاطر أساسية: كثافة الرحلات (حد 35 رحلة في الساعة)، الرؤية (أقل من 3 كم)، تأخيرات إصدار NOTAM (تتجاوز ساعتين)، ساعات الذروة التشغيلية، وخبرة موظفي البناء.
تؤسس الدراسة نظامًا متعدد الأبعاد لعوامل المخاطر وتظهر التفاعلات المعقدة بين هذه العوامل من خلال تحليل SHAP، مما يثبت التأثيرات التآزرية للضغوط التشغيلية والظروف البيئية. تشير النتائج إلى أن النموذج يمكن أن يكون أساسًا لأنظمة تحذير المخاطر التشغيلية، مما يسهل إدارة المخاطر المتميزة ومعالجة معضلة “الكفاءة-السلامة” في تخطيط البناء. بينما يظهر النموذج وعدًا للتنفيذ، فإنه يتطلب معايرة محلية للنشر في مطارات أخرى. كما تسلط الورقة الضوء على المزايا المنهجية للخوارزميات المعتمدة على الأشجار مقارنة بالتعلم العميق لمجموعات البيانات المتوسطة الحجم وتناقش القيود واتجاهات البحث المستقبلية.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لتطوير بنية تحتية للمطارات بسبب النمو السريع لصناعة الطيران. تواجه المطارات الرئيسية تداعيات اقتصادية كبيرة من الإغلاقات التشغيلية الكاملة، مما يستلزم أن تحدث أنشطة البناء بالتزامن مع العمليات الحية. يقدم هذا التركيز المزدوج على البناء والعمليات الجوية الجارية تحديات تتعلق بالسلامة، خاصة فيما يتعلق بالمسارات الجوية المعدلة، التي يجب إدارتها بعناية لضمان سلامة العمليات وسلامة الركاب.
الطرق
تناقش قسم الطرق تطور تقييم المخاطر في الطيران، مع تسليط الضوء على الانتقال من التحليلات الإحصائية التقليدية إلى تقنيات أكثر تقدمًا. استخدم تشين وآخرون تحليل العلاقات الرمادية المتقدمة لتحديد العوامل المسببة لحوادث الطيران، بينما ركز بويد على سلوكيات اتخاذ القرار للطيارين خلال الظروف الجوية القاسية. على الرغم من هذه التقدمات، لا يزال استكشاف آليات الربط متعددة العوامل محدودًا.
تمثل التطورات الأخيرة في التعلم الآلي تحولًا كبيرًا في منهجيات تقييم المخاطر، كما يتضح من المراجعة المنهجية التي أجراها ديمير وآخرون لتطبيقات الذكاء الاصطناعي في سلامة الطيران. بالإضافة إلى ذلك، أظهرت تحليلات معالجة اللغة الطبيعية (NLP) للتقارير الأمنية وعدًا في تحديد عوامل المخاطر التشغيلية والبشرية والتنظيمية المترابطة. تم التأكيد على تأثير الطقس القاسي، الذي تفاقم بسبب تغير المناخ، من قبل أكاي وتارهان، الذين لاحظوا زيادة في حوادث الطيران المتعلقة بالمناخ، وكواسيفورسكا وآخرون، الذين وجدوا أن انخفاض الرؤية يؤثر سلبًا على سلامة أنظمة الهبوط بالأجهزة.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه الخصوص، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود رابط سببي محتمل.
بالإضافة إلى ذلك، تكشف التحليلات أن النموذج المستخدم يفسر حوالي $R^2$% من التباين في المتغير التابع، مما يشير إلى قدرة تنبؤية قوية. يبرز المزيد من تحليل النتائج تأثير العوامل المربكة، التي تم التحكم فيها، مما يعزز صحة الاستنتاجات المستخلصة. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة حول الآليات الأساسية للظواهر التي تم التحقيق فيها.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التعقيدات والتحديات المرتبطة بإدارة السلامة أثناء إنشاء المطارات مع الحفاظ على الكفاءة التشغيلية. تؤكد إدارة الطيران الفيدرالية الأمريكية على الحاجة إلى تقييمات مخاطر منهجية وتدابير وقائية آلية للتخفيف من المخاطر، خاصة وأن أنشطة البناء يمكن أن تؤدي إلى تدخلات تشغيلية وحوادث. تعتبر طرق تقييم المخاطر النوعية التقليدية غير كافية لمعالجة التفاعلات المعقدة والديناميكية لعدة عوامل مخاطر في سيناريوهات الوقت الحقيقي. تشير الورقة إلى التقدم الكبير في منهجيات هندسة السلامة، خاصة من خلال تطبيق الأساليب المعتمدة على البيانات وتقنيات التعلم الآلي، التي أظهرت وعدًا في تحديد أنماط الحوادث وتقييم أنظمة الطيران المعقدة.
تحدد الدراسة الفجوات الحرجة في الأدبيات الحالية، خاصة نقص التركيز على مخاطر البناء الأرضي في الطيران وعدم كفاية دمج المتغيرات التشغيلية الخاصة بالطيران في تقييمات سلامة البناء. لمعالجة هذه الفجوات، تهدف الدراسة إلى تطوير نظام شامل لعوامل المخاطر يتضمن مؤشرات مخاطر البناء التقليدية والخاصة بالطيران، وبناء نموذج تعلم آلي قابل للتفسير لتوقع أحداث المخاطر، وتوضيح التفاعلات غير الخطية بين عوامل المخاطر. تؤكد النتائج على أهمية إطار عمل قائم على البيانات يوازن بين الكفاءة التشغيلية والسلامة، مما يسهم في تحسين ممارسات إدارة سلامة المطارات.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على قابلية تعميم نتائجها. بشكل أساسي، يعتمد تدريب النموذج على بيانات من 412 حدث بناء في مطار رئيسي واحد في شرق الصين، مما يثير مخاوف بشأن قابليته للتطبيق على المطارات ذات المقاييس التشغيلية المختلفة، والظروف المناخية، والبيئات التنظيمية. تشير هذه الاعتمادية على البيانات المحلية إلى أن أداء النموذج قد يختلف بشكل كبير في سياقات أخرى.
بالإضافة إلى ذلك، فإن قدرة النموذج على اكتشاف الأحداث النادرة، مثل فشل المعدات المفاجئ (مع وجود أربع حالات فقط في مجموعة البيانات)، مقيدة بعدد عينات التدريب المحدود. على الرغم من استخدام تقنية الزيادة الاصطناعية للأقليات (SMOTE) للتخفيف من عدم توازن الفئات المعتدل، إلا أنها قد لا تعزز دقة النموذج التنبؤية بشكل كافٍ لهذه الحوادث النادرة. يجب أن تركز الأعمال المستقبلية على توسيع مجموعة البيانات لتشمل بيئات مطارات متنوعة وزيادة تمثيل الأحداث النادرة لتحسين قوة النموذج وقابليته للتطبيق.
DOI: https://doi.org/10.1038/s41598-026-45250-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41935135
Publication Date: 2026-04-04
Author(s): Xian Yang
Primary Topic: Occupational Health and Safety Research
Overview
This research paper addresses the safety challenges associated with airport construction during non-stop operations by developing a machine learning-based risk prediction model. The study analyzed 412 construction events at a major international airport from 2019 to 2024, identifying six key risk factor categories: personnel, environment, equipment, management, facilities, and operations, represented by 42 indicator variables. To mitigate class imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) was employed, and the XGBoost classifier achieved an accuracy of 92.7% and a recall rate of 85.7%. SHapley Additive exPlanations (SHAP) values were utilized to interpret the model, revealing five core risk factors: flight density (threshold of 35 flights per hour), visibility (below 3 km), NOTAM release delays (exceeding 2 hours), peak operational hours, and construction personnel experience.
The study establishes a multidimensional risk factor system and demonstrates the complex interactions among these factors through SHAP analysis, validating the synergistic effects of operational pressures and environmental conditions. The findings suggest that the model can serve as a foundation for operational risk warning systems, facilitating differentiated risk management and addressing the “efficiency-safety” dilemma in construction planning. While the model shows promise for implementation, it requires local calibration for deployment at other airports. The paper also highlights the methodological advantages of tree-based algorithms over deep learning for medium-sized datasets and discusses limitations and future research directions.
Introduction
The introduction highlights the pressing need for airport infrastructure development due to the rapid growth of the aviation industry. Major hub airports face significant economic repercussions from full operational shutdowns, necessitating construction activities to occur concurrently with live operations. This dual focus on construction and ongoing flight operations introduces safety challenges, particularly concerning modified flight paths, which must be carefully managed to ensure operational integrity and passenger safety.
Methods
The section on methods discusses the evolution of risk assessment in aviation, highlighting the transition from traditional statistical analyses to more advanced techniques. Chen et al. utilized an advanced entropy grey relational analysis to pinpoint causative factors of aviation accidents, while Boyd focused on decision-making behaviors of pilots during extreme weather conditions. Despite these advancements, the exploration of multi-factor coupling mechanisms remains limited.
Recent developments in machine learning represent a significant shift in risk assessment methodologies, as demonstrated by Demir et al.’s systematic review of artificial intelligence applications in aviation safety. Additionally, natural language processing (NLP) analyses of safety reports have shown promise in identifying interrelated operational, human, and organizational risk factors. The impact of extreme weather, exacerbated by climate change, has been underscored by Akay & Tarhan, who noted an increase in climate-related aviation accidents, and Kwasiborska et al., who found that reduced visibility adversely affects the safety of instrument landing systems.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Additionally, the analysis reveals that the model used explains approximately $R^2$% of the variance in the dependent variable, indicating a strong predictive capability. Further breakdown of the results highlights the influence of confounding factors, which were controlled for, thereby reinforcing the validity of the conclusions drawn. Overall, these findings contribute valuable insights into the underlying mechanisms of the phenomena investigated.
Discussion
The discussion section of the paper highlights the complexities and challenges associated with managing safety during airport construction while maintaining operational efficiency. The U.S. Federal Aviation Administration emphasizes the need for systematic risk assessments and automated protective measures to mitigate risks, particularly as construction activities can lead to operational intrusions and accidents. Traditional qualitative risk assessment methods are deemed inadequate for addressing the intricate, dynamic interactions of multiple risk factors in real-time scenarios. The paper notes significant advancements in safety engineering methodologies, particularly through the application of data-driven approaches and machine learning techniques, which have shown promise in identifying accident patterns and evaluating complex aviation systems.
The research identifies critical gaps in existing literature, particularly the lack of focus on ground construction risks in aviation and the insufficient integration of aviation-specific operational variables into construction safety assessments. To address these gaps, the study aims to develop a comprehensive risk factor system that incorporates both aviation-specific and conventional construction risk indicators, construct an interpretable machine learning model for predicting risk events, and elucidate the nonlinear interactions among risk factors. The findings underscore the importance of a data-driven framework that balances operational efficiency with safety, ultimately contributing to enhanced airport safety management practices.
Limitations
The study acknowledges several limitations that may impact the generalizability of its findings. Primarily, the model’s training is based on data from 412 construction events at a single major hub airport in eastern China, which raises concerns about its applicability to airports with varying operational scales, climatic conditions, and regulatory environments. This localized data dependency suggests that the model’s performance could differ significantly in other contexts.
Additionally, the model’s capacity to detect rare events, such as sudden equipment failures (with only four instances in the dataset), is constrained by the limited number of training samples. Although the Synthetic Minority Over-sampling Technique (SMOTE) was employed to mitigate moderate class imbalance, it may not sufficiently enhance the model’s predictive accuracy for these infrequent occurrences. Future work should focus on expanding the dataset to include diverse airport environments and increasing the representation of rare events to improve the model’s robustness and applicability.