تعتبر سلامة العمال في مواقع البناء من القضايا الحيوية، لا سيما في ظل الظروف المناخية القاسية، حيث يتعرض هؤلاء العمال للإجهاد الحراري. يتوفر الآن حلاً مبتكراً من خلال استخدام تقنيات تعلم الآلة (Machine Learning)، التي تمكنت من تحويل البيانات الفسيولوجية إلى معلومات قابلة للتنفيذ لتعزيز الأمان. في دراسة حديثة، تم تطوير وتقييم نماذج تعلم عميق (Deep Learning) تشمل نموذج شبكة الذاكرة الطويلة القصيرة (Long Short-Term Memory - LSTM) ونموذج يعتمد على الانتباه (Attention-Based LSTM) لقياس مخاطر الإجهاد الحراري لدى 19 عاملاً في المملكة العربية السعودية.

باستخدام ساعات Garmin Vivosmart 5 الذكية لمراقبة مؤشرات حيوية مثل معدل ضربات القلب وتغير معدل ضربات القلب (HRV) وتشبع الأكسجين، أثبت النموذج المعتمد على الانتباه تفوقه على النموذج الأساسي، حيث بلغ دقته في الاختبار 95.40%، مع تقليل ملحوظ في الإيجابيات السلبية والإيجابية. حقق هذا النظام دقة وموثوقية عالية، حيث سجل درجات F1 تصل إلى 0.982، مما يعزز الأداء التنبؤي ويوفر نتائج قابلة للتفسير، مما يجعله مناسباً للتكامل مع أنظمة الأمان المجهزة بتقنية إنترنت الأشياء (IoT) ولوحات معلومات نمذجة معلومات البناء (BIM).

يمثل هذا الابتكار خطوة كبيرة نحو اعتماد إدارة السلامة القائمة على المعلومات في صناعة البناء، مما يساهم في حماية العمال وضمان سلامتهم في البيئات القاسية. كيف يمكن لتقنيات مشابهة أن تغيّر من مفهوم الأمان في المجالات الأخرى؟ شاركونا آرائكم!