Anvendelse av maskinlæring til å forbedre sikkerheten i bygg- og anleggsbransjen

Abstract

Denne masteroppgaven har sett på hvordan maskinlæring kan brukes til å forbedre sikkerheten i bygg- og anleggsprosjekter. Maskinlæring er en form av prosessering av data som stadig tas mer i bruk i samfunnet på grunn av sin evne til å håndtere store datamengder, hvor innholdet kan ha stor variasjon og endres raskt. Dette muliggjør å nyttiggjøre digital sikkerhetsrelatert informasjon i bygg- og anleggsbransjen bedre.

Som en del av oppgaven ble det gjennomført en kartlegging, ved bruk av kvalitative intervjuer, av hvilken informasjon som er tilgjengelig digitalt hos entreprenører i bygg- og anleggsbransjen og videre hvilken av denne informasjon som kan være relevant for en maskinlæringsmodell. Det ble funnet at dette kan benyttes for å bygge en maskinlæringsmodell som kan brukes til å:

• Gjøre prediktive analyser som sier noe om hvordan sikkerhetsutfallet kan bli i framtiden • Bidra med å forenkle sammenstilling av data, finne mønstre, gruppere og klassifisere informasjon

Innen sikkerhet muliggjør det å kunne forutsi framtidig sikkerhetsutfall å være i forkant av potensielle avvik og uønskede hendelser, og slik gjøre preventive tiltak for å forhindre at disse skjer. Dette kan for eksempel brukes til å forutsi framtidig sikkerhetsutfall på et bygg- og anleggsprosjekt, eller forutsi sikkerhet for aktiviteter eller underleverandører.

Maskinlæring kan sammenstille variert data fra en rekke ulike datakilder, og for eksempel koble informasjon fra ulike fagområder slik som prosjektering, kvalitet og miljø for å se hvordan disse påvirker sikkerheten. Det å koble tidligere uønskede hendelser med planlagte aktiviteter er et eksempel på hvordan maskinlæring kan føre til økt læring og erfaringsoverføring i bygg- og anleggsprosjekter.

This master thesis analyzes how machine learning can be used to improve safety of construction projects. Machine learning is a form of processing data that is increasingly used in society because of its ability to process large amounts of data, where the content can be wide-ranging and change rapidly. This makes it possible to better utilize digital safety-related information in the construction industry.

As part of the thesis, a survey was conducted with qualitative interviews of available digital information from contractors in the construction industry, and further which of this information may be relevant for a machine learning model. It was found that this can build a machine learning model that can be used in construction projects to:

• Do predictive analyzes that say something about how the safety outcome can be in the future • Help simplify data compilation, find patterns, group, and classify information

Being able to predict future safety makes it possible to stay ahead of potential nonconformities and unwanted events, and thus take preventative measures to prevent them from happening. This can be used to predict future safety outcomes on a construction project, or to predict safety for activities or subcontractors.

Machine learning can compile varied data from different data sources, and for example associate information from various disciplines such as project, quality, and environment to determine how these affects safety. To relate previously unwanted events to planned activities is an example of how machine learning can lead to increased learning and experience feedback in construction projects.