Hasan Kuş
İş Güvenliği Uzmanı

Bina Yönetim Sistemlerinde Gelişim Süreci: Günümüzde, neredeyse tüm zamanımızı geçirdiğimiz binalardan ve tesislerden oluşan şehirlerde yaşamaktayız. Başlangıçta yalnızca bizleri dış çevreden korumak amacıyla tasarladığımız binalar, giderek karmaşıklaşan amaç ve ihtiyaçlarımız doğrultusunda her geçen gün değişmekte ve gelişmektedir.

Enerji verimliliği, binalardaki bu karmaşıklığa doğru gidişte lokomotif faktör olmuştur. Tüm konut ve ticari tesisler göz önüne alındığında binalar; Avrupa Birliği’nde toplam enerji tüketiminin yaklaşık %36’sını⁽¹⁾, ABD’de %40’ını⁽²⁾ ve küresel ölçekte de %30’unu⁽³⁾ oluşturmaktadır. Binalara özgü enerji tüketimi oranlarına bakıldığında ise, HVAC olarak adlandırılan Isıtma-Soğutma-İklimlendirme sistemlerinin ana tüketici sistemler olduğu (%40) göze çarpar. Bunu %25 ile Aydınlatma ve azalarak diğer sistemler takip etmektedir. Dolayısıyla, bu denli yüksek enerji tüketiminin, binaların işletme ve sürdürülebilirlik bilançosunun üzerinde aşırı yük oluşturması kaçınılmazdır. Enerji tasarrufuna yönelik bu güçlü ihtiyacın varlığı, bilimsel ve teknolojik yeniliklerin eşgüdümü ile bu alanda Sensörlerin kullanılmasına yol açmıştır.

Ancak asıl dönüm noktası, mikroişlemcilerin maliyet ve üretim sorunlarını aşarak daha erişilebilir ve yaygın hale gelmesiyle yaşandı. Temel olarak enerji verimliliğini hedefleyen primitif sistemler, artık PLC (Programmable Logic Controller) adı verilen cihazlar ve içerdikleri mikroişlemciler sayesinde; mantıksal çıktılar üretmek üzere programlanabilen sensörler ve aktüatör elemanlarla donatılmış, önceden yüklenmiş algoritmaları uygulayabilen, insan müdahalesinden ve hatasından büyük ölçüde arındırılmış etkili Entegre Otomasyon sistemlerine evrildiler.

Wang, 2009 yılında yayınladığı çalışmasında⁽⁴⁾ BYS’nin 2010 yılına kadar olan kronolojik gelişimini beş maddede özetlemişti

1. Kendine Özel (Dedicated) Sistemler (1980-85): Bu dönemde BYS, her biri belirli bir işlevi yerine getiren bağımsız alt bileşenlerden oluşuyordu. HVAC veya aydınlatma gibi sistemler arasında entegrasyon bulunmuyordu.

2. Entegre Çok İşlevli Sistemler (1985-90): Alt sistemler, görev entegrasyonu amacıyla gruplandırılmaya başlandı. Merkezi bir kontrol noktası ortaya çıksa da, tam bir birlikte çalışabilirlik henüz sağlanamamıştı.

3. Bina Düzeyinde Entegre Sistemler (1990-95): İletişim protokollerindeki gelişmelerle alt sistemler arasında etkileşim mümkün hale geldi. Programlanmış PLC’ler, operasyonel otomasyonu artırarak sistem verimliliğini yükseltti.

4. Bilgisayarlı Entegre Bina Sistemleri (1995-2002): Bilgisayar tabanlı kontrol sistemleri devreye girdi. PLC’ler iş istasyonlarına dönüştü ve ağ bağlantılı ana kumanda bilgisayarları, birden fazla sistemi yönetebilme kapasitesi kazandı.

5. Ağda Ölçeklenebilir Entegre Sistemler (ENIS) (2002 -2010): Bu aşamada, birden fazla BYS’nin doğrudan veya bulut tabanlı platformlar üzerinden entegre edilmesiyle uzaktan izleme ve kontrol olanakları genişledi.

Ancak 2010’dan bu yana yaşanan gelişmeler göz önüne alındığında, bu sürece, yeni bir aşamanın daha eklenmesi gerektiğini düşünüyorum. Sensörler ve mikroişlemciler nasıl ki önceki evrelerde sıçrama etkisi yaratmışsa, Yapay Zekâ da günümüzde benzer bir dönüşümü tetiklemektedir. İçinde bulunduğumuz zaman diliminde, yaşamın her alanında baş döndürücü bir hızla ilerleyen Yapay Zekâ (Artificial İntelligence – Aİ) uygulamalarının BYS ile entegrasyonunu yakından incelememiz akıllıca olacaktır.

6-Yapay Zeka Entegre Sistemler (2010–Günümüz): Aİ; makine öğrenimi, öngörüsel analizler ve otonom karar alma yetenekleriyle BYS’yi yeniden tanımlamaktadır. Bu sistemler, canlı, geçmiş ve kümülatif tüm verilerden öğrenerek bina performansını optimize edebilir ve özellikle yangın gibi acil durumlarda proaktif çözümler sunabilir.

Yangın ve Acil Durumlarda Yapay Zekâ Entegre Sistemlerin Rolü

Yangın ve Acil durumlar bağlamında ele alındığında geleneksel BYS’ler; tipik olarak duman dedektörleri, sprinkler sistemleri, alarmlar, butonlar ve tahliye sistemleri ile bir entegre arayüz oluşturur. Sistem burada önceden tanımlanmış eşiklere ve manuel denetime dayanır. Bu her ne kadar etkili olsa da, insan müdahalesindeki olası gecikmeler ve algılamadaki yanlış pozitifler nedeniyle sınırlı kalabilir. Konuyla ilgili 2021 yılında yayınlanan bir çalışmada İngiltere’deki 2020 yılı istatistiklerine atıfla, hiçte azımsanmayacak sıklıkta yanlış alarmların meydana geldiğini ortaya koymaktadır⁽⁵⁾. Belirli sıklıkta meydana gelen yanlış alarmlar; sistemin güvenilirliğinin azalmasına, hatta binada sürekli bulunanların alarmlara karşı duyarsızlaşmasına neden olabilir.

Yapay Zekâ Entegre Sistemler geleneksel sistemlerin sınırlılıklarını aşmak için Makine Öğrenimi, Öngörüsel Analiz ve benzeri yöntemler kullanarak BYS’ye gelişmiş yetenekler kazandırır. Bu kabiliyetleri aşağıdaki üç temel başlık altında gruplamak mümkündür.

Yangın Tespiti ve Erken Uyarı

Yapay Zekâ ile geliştirilmiş BYS, yangın tespiti doğruluğunu artırmak için mevcut tüm sensör verilerini (sıcaklık, duman yoğunluğu, CO seviyeleri vs.) ve görüntü işlemeyi kullanır. Derin Öğrenme (Depp Learning)’nin bir alt kümesi olan Evrişimli Sinir Ağları (CNN’ler), CCTV kameralarından gelen görüntü ve video akışlarını analiz ederek alev ve duman paternlerini hassasiyetle tanımlamak için kullanılmaktadır. Son çalışmalar CNN temelli UFS-Net modellerinin, yangınları tespit etmede %95’lik bir doğruluk oranına ulaştığını ve geleneksel yangın algılama sistemlerine oranla önemli ölçüde daha iyi performans gösterdiğini ortaya koymuştur.⁽⁶⁾

Burada kullanılan UFS-Net, Faster R-CNN, DTA gibi çeşitli tiplerdeki Derin Öğrenme temelli modellerin yangın algılamadaki faydaları iki yönlüdür. Kompleks Yapay Zekâ algoritmaları hem yüksek doğrulukla, hızlı alev ve duman tespiti hem de çok düşük yanlış pozitiflik oranları sağlar.⁽⁷⁾

Öngörüsel Analiz ve Risk Tahmin Değerlendirmesi

Yapay Zekâ Entegre BYS ‘lerinin potansiyel yangınları gerçekleşmeden önce tahmin edebilmesine yönelik çalışmalar henüz erken dönemlerinde olmasına rağmen gelecek için oldukça umut vadeden sonuçlar vermektedir. Geçtiğimiz yılın sonlarında yayınlanan ABD merkezli bir çalışma; hava tahmin modellemelerinde de kullanılan kapsamlı bir yapay zekâ destekli Büyük Veri işleme tekniğinin, Yangın tahmini yapabilmek üzere uyarlanmış FireGrid adı verilen bir öncü sürümünün etkinliği üzerine sonuçlar paylaştı. Gelişmiş sensör verileri, Digital Bina İkizi ve kompleks Yapay Zeka algoritmaları kullanan FireGrid, konutlar gibi nispeten küçük sayılabilecek alanlarda 10-15 dakika gibi erken tahmin süreleri bildiriyordu.⁽⁸⁾

Gerçek Zamanlı Adaptasyon ve Acil Durum Yönetimi

Günümüzde binalar ve tesisler için tasarladığımız Acil Durum Planları ve Tahliye Senaryolarının hemen tamamı önceden belirlenmiş sabit kaçış yolları ve statik işaretlendirmelere dayanır. Ancak bu yaklaşımın esnek olmayan yapısı, yangın ve dumanın yayılım dinamiğinin belirsizliği karşısında zafiyet gösterme eğilimindedir. Ayrıca önceden planlanmış rotaların olay esnasında tehlikeli bölgeleri yönlendiriyor olma riski de her zaman vardır. Yapay Zekâ Entegrasyonlu BYS’ler, İoT sensörler ve akıllı görüntü algılayıcılar gibi çokça kaynaktan anlık veri toplama, tehdit ve öngörü analizi kabiliyetleri ile tahliye rotalarının dinamik optimizasyonunu sağlayabilir. Acil Durum işaretlendirmelerini en güvenli rotalar yönünde yeniden düzenleyebilir.

Örnek olarak 2022 yılında Pekin Başkent Havaalanı Acil Durum Binası’nı simüle eden bir Aİ destekli tahliye modelinin, sabit işaretlendirmeli geleneksel senaryoya oranla tahliye süresini %72 oranında azalttığını gösterebiliriz.⁽⁹⁾

Bu sonuçlar Yapay Zekâ tabanlı sistemlerin Stadyumlar, Hastaneler, Oteller gibi yüksek insan yükü barındıran tesislerde Acil Durum Yönetimine yeni ve esnek çözümler getirme potansiyelini göstermektedir.

Bina Yönetim Sistemleri yangın ve benzeri acil durumların yönetiminde çok önemli bir rol oynamaktadır. Yapay zekâ uygulamaları; gelişmiş tespit, tahmin ve müdahale yetenekleri sayesinde BYS’lerin etkinliğini önemli ölçüde artırmaktadır. Yapay Zekâ Entegre Sistemlerin her geçen gün artan yetenekleri, onları yakın gelecekte bina ve insan güvenliği için kritik ve vazgeçilmez bir araç konumuna getirecektir. Aynı zamanda mevcut binalara da uygun maliyetli ve uygulanabilir çözümler geliştirmeye ve İnsan-Aİ işbirliğini arttıracak protokoller oluşturmaya odaklanılmalıdır.

Kaynaklar:

• Buildings Performance Institute Europe. (2011). Europe’s buildings under the microscope. BPIE.

• U.S. Energy Information Administration. Commercial Buildings Energy Consumption Survey (CBECS); 2012.

• International Energy Agency. (2011). Technology Roadmap Energy-efficient Buildings. Heating and Cooling Equipment. IEA.

• Aste, N., Manfren, M., & Marenzi, G. (2017). Building Automation and Control Systems and performance optimization: A framework for analysis. Renewable and Sustainable Energy Reviews, 75, 313-330. https://doi.org/10.1016/j.rser.2016.10.072

• Kou, L., Wang, X., Guo, X., Zhu, J., & Zhang, H. (2021). Deep learning based inverse model for building fire source location and intensity estimation. Fire Safety Journal, 121, 103310. https://doi.org/10.1016/j.firesaf.2021.103310

• Hosseini, A., Hashemzadeh, M., & Farajzadeh, N. (2022). UFS-Net: A unified flame and smoke detection method for early detection of fire in video surveillance applications using CNNs. Journal of Computational Science, 61, 101638. https://doi.org/10.1016/j.jocs.2022.101638

• Kim, B., & Lee, J. (2019). A Video-Based Fire Detection Using Deep Learning Models. Applied Sciences, 9(14), 2862. https://doi.org/10.3390/app9142862

• Parekh, R. (2024). Applications of artificial intelligence in enhancing building fire safety. International Journal of Science and Research Archive, 13(1), 1117–1132. https://doi.org/10.30574/ijsra.2024.13.1.1781

• Ji, Y., Wang, W., Zheng, M., & Chen, S. (2022). Real time building evacuation modeling with an improved cellular automata method and corresponding IoT system implementation. Buildings, 12(6), 718. https://doi.org/10.3390/buildings12060718