dc.contributor.advisor | Albrechtsen, Eirik | |
dc.contributor.author | Kjerpeseth, Hanne Grethe | |
dc.date.accessioned | 2021-09-14T17:08:04Z | |
dc.date.available | 2021-09-14T17:08:04Z | |
dc.date.issued | 2020 | |
dc.identifier | no.ntnu:inspera:58793592:58858392 | |
dc.identifier.uri | https://hdl.handle.net/11250/2776970 | |
dc.description | Full text not available | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.language | | |
dc.publisher | NTNU | |
dc.title | Anvendelse av maskinlæring til å forbedre sikkerheten i bygg- og anleggsbransjen | |
dc.type | Master thesis | |