Intergrating System Dynamics Modelling and Machine Learning to Improve Safety in Construction Projects

Abstract

Denne masteroppgaven er en del av forskningsprosjektet DiSCo, som har som mål å undersøke potensialet for å utvikle et verktøy basert på maskinlæring (ML) for å forbedre risikohåndtering av ulykker i bygge bransjen. Målet med denne masteroppgaven er å undersøke metoder for integrering av systemdynamikk-modellering og ML for å forbedre håndtering av ulykker i bygg og anleggs prosjekter. I denne oppgaven er hovedfokuset å modellere byggefasen av bygningsprosjekter, mens en annen oppgave tar for seg planleggingsfasen. Den anvendte metodikken har som mål å oppnå bedre forståelse av industrielle ulykker i byggeprosjekter ved å skape en metaforisk modell og undersøke dynamikken blant ulike variable. Modellen er ment å fungere som et kommunikasjonsverktøy for interessenter.

Simuleringsmodellen genererer et bestemt antall prosjekter og et antall ulykker som har oppstått i løpet av hvert prosjekt basert på ulike indikatorer som påvirker sikkerheten i prosjektene. Prosjektene blir simulert for å omfatte både dødelige og alvorlige ulykker, ettersom disse to kategoriene viser betydelige forskjeller i forekomsten deres. Deretter, blir modellens potensial og pålitelighet evaluert gjennom utførelse av eksperimenter som innebærer å utforske modellens funksjoner og de datasettene den genererer. Videre benyttes flere ML-algoritmer for å utforske bruken av ML i forhold til å forutsi ulykker i byggeprosjekter. Algoritmene som er brukt i denne studien inkluderer Support Vector Machine (SVM), XGBoost, AdaBoost, Random Forest (RF) og Decision Trees. Disse algoritmene blir anvendt på datasett innhentet fra planleggingsfasen, sammen med tilhørende ulykkesregistreringer som oppstår under byggefasen av prosjektene.

Resultatene fra eksperimentene viser at modellen i noen grad kan simulere prosjekter som ligner virkeligheten. Studien avdekker kompleksiteten ved ulykker og utfordringene med å forutsi dem, spesielt når det gjelder dødelige ulykker. Disse hendelsene påvirkes av en rekke faktorer, inkludert ulike hendelser, betingede sannsynligheter og tilfeldigheter. I henhold til resultatene av å anvende ML på datasettet som omfatter alvorlige ulykker, er det imidlertid åpenbart at modellene har evnen til å forutsi en betydelig mengde prosjekter med ulykker. Denne observasjonen understreker potensialet denne teknologien har for å forbedre sikkerhetsstandardene innenfor byggeprosjekter.

Når det gjelder fremtidig arbeid, vil den utviklede modellen dra nytte av validering med virkelige data og gjennomføring av valideringstester for å sikre nøyaktighet. Videre bør antakelsene som er gjort under konstruksjonen av modellen valideres av fagpersoner innen feltet for å øke påliteligheten og effektiviteten av modellen. Samarbeid med eksperter innenfor bygge bransjen er også avgjørende for å inkorporere varierende ulykkes rater for hver aktivitet i et prosjekt og forbedre modellens presisjon i å forutsi ulykker. Å undersøke inkludering av ulike ulykkes typer i modellen vil også kunne gi innsikt i mønstre ved ulykker og alvorlighetsgrad, og bidra til målrettede sikkerhetstiltak og redusert ulykkes frekvens. Imidlertid er det viktig å nøye vurdere avveiningen mellom modellens kompleksitet og nøyaktighet. Kontinuerlig forbedring, validering og samarbeid med eksperter er nøkkelen til å styrke modellens prediktive evner og fremme effektiv ulykkesforebygging i byggeprosjekter.

Samlet sett undersøker studien bruken av digitale løsninger for å takle utfordringene i bygge bransjen. Resultatene demonstrerer modellens potensial som et konseptbevis for å utnytte modellerings- og maskinlæringsteknikker for å forbedre sikkerheten i bygge bransjen. Den har evnen til å initiere diskusjoner blant prosjektledere og fremme dypere forståelse av kompleksitetene som ligger i byggeprosjekter.

This master's thesis is part of the DiSCo research project, which aims to investigate the potential for developing a machine learning (ML) tool to improve accident risk in the construction industry. The objective of this master's thesis is to address the research question of integrating system dynamics modeling and ML to enhance the assessment of construction projects, with a primary focus on reducing accident occurrences. While another thesis focuses on the planning phase, this thesis specifically models the construction phase of building projects. The adopted methodology aims to gain a better understanding of industrial accidents in construction projects by creating a metaphor model and exploring variable dynamics. The model is intended to serve as a learning laboratory and communication tool for stakeholders.

The simulation model generates a specified number of projects and an output indicating the number of accidents that occurred during each project based on various indicators that affect the safety performance in projects. The projects are simulated to encompass both fatal accidents and serious accidents, as these two categories exhibit notable disparities in their frequency of occurrence. The model's potential and reliability are further assessed by conducting experiments that involve exploring the model's functions and datasets generated by the model. Moreover, several ML algorithms are utilized to explore the applicability of ML in accident prediction for construction projects. The algorithms employed in this study consist of Support Vector Machine (SVM), XGBoost, AdaBoost, Random Forest (RF), and Decision Trees. These algorithms are applied to datasets collected from the planning phase, along with the corresponding accident records during the construction phase of the projects.

The findings from the experiments demonstrate that the model can simulate projects that closely resemble reality to a certain extent. The study reveals the complexity of accidents and the challenges associated with predicting them, particularly in the case of fatal accidents. These incidents are influenced by a multitude of factors, including various events, conditional probabilities, and inherent randomness. However, based on the outcomes of applying ML to the dataset encompassing serious accidents, it is evident that the models possess the ability to predict a significant amount of projects with accidents. This observation underscores the potential of this technology in enhancing the safety standards within construction projects.

In terms of future work, the developed model would benefit from validation using real-world data and conducting validation tests to ensure its accuracy. Furthermore, the assumptions made during the construction of the model should be validated by domain experts to enhance its reliability and effectiveness. Collaborating with industry experts is also crucial to incorporate varying accident rates for each activity during a project, improving the model's precision in predicting accidents. Furthermore, exploring the inclusion of accident types in the model could provide insights into patterns and severity, leading to targeted safety measures and reduced overall accident incidence. However, careful consideration is needed to balance model complexity and accuracy. Continuous refinement, validation, and collaboration with experts are key to enhancing the model's predictive capabilities and promoting effective accident prevention in construction projects.

Overall, the study explores the use of digital solutions to address challenges in the construction industry. The findings showcase the model's potential as a proof-of-concept for leveraging modeling and ML techniques to enhance safety in the construction industry. It has the capacity to initiate discussions among project managers and foster a deeper understanding of the complexities inherent in construction projects.