Deep Learning in Construction Safety: Quality Assessment, Hazard Identification, and Preventive Measure Proposals in Job Safety Analysis

Abstract

Denne studien utforsker hvordan maskinlæring og dyplæring kan brukes til å forbedre sikker jobbanalyse i byggebransjen, som er kjent for høye ulykkesrater. Forskningen er basert på data fra 2019 til 2023, samlet inn fra den norske avdelingen av et stort europeisk bygg- og anleggsselskap. Studien foreslår en kunstig intelligens-drevet tilnærming for å forbedre sikkerhetstiltak.

For dette formålet er tre forskjellige maskinlæringsalgoritmer utviklet. Den første algoritmen er utviklet for å vurdere kvaliteten på sikker jobbanalyser ved å bruke et datasett av tidligere evaluerte sikkerhetsanalyser for opplæring. Den andre algoritmen benytter en klassifiseringsteknikk med flere etiketter for å identifisere potensielle farer basert på tekstbeskrivelser av aktiviteter og deres aktivitetstyper. Den tredje algoritmen bruker en stor språkmodell, som er trent på et datasett med aktivitetsbeskrivelser, deres tilhørende farer og identifiserte tiltak, for å generere nye forebyggende tiltak.

Resultatene fra denne studien er lovende og viser at kunstig intelligens har et potensial innen sikkerhet i bygg- og anleggsbransjen. Kvalitetsvurderingsalgoritmen viser at maskinlæring kan evaluere kvaliteten på sikker jobbanalyser, selv om resultatene er sterkt avhengig av kvaliteten på treningsdataene. Fareidentifiseringsalgoritmen viser god evne til å klassifisere ulike farer, og kan potensielt detektere farer som menneskelige analyser ikke har fanget opp. Til slutt foreslår den generative modellen for forebyggende tiltak relevante og praktiske tiltak, selv om disse har en tendens til å være mindre detaljerte sammenlignet med tiltak skrevet av mennesker. Fremtidig arbeid innebærer å forbedre maskinlæringsmodellene som brukes, og utforske hvordan maskinlæringsverktøy kan integreres i sikkerjobbanalyseprosessen.

This research explores the application of machine learning and deep learning for enhancing job safety analysis in the construction industry, known for its high accident rates. The research conducted utilizes job safety analysis data spanning from 2019 to 2023, gathered from a major European construction company's Norwegian division. The study proposes an artificial intelligence-driven approach to improve safety measures.

For this purpose, three distinct machine learning algorithms are developed. The first algorithm is designed to assess the quality of job safety analysis, using a dataset of previously evaluated safety analysis for training. The second algorithm utilizes multi-label classification techniques to identify potential hazards based on textual descriptions of activities and their activity types. The third algorithm uses a large language model, trained on a dataset with activity descriptions, their associated hazards, and identified measures, to generate new preventive measures.

The results of this study are promising, and indicate potential for artificial intelligence in construction safety. The quality assessment algorithm shows that machine learning can evaluate the quality of job safety analysis, even though the performance is heavily dependent on the quality of the training data. The hazard identification algorithm displays a good capability of classifying various hazards, potentially detecting hazards missed by human analysis. Finally, the generative artificial intelligence model for preventive measures suggests relevant and practical measures, though these tend to be less detailed compared to human-written measures. Future work involves improving the machine learning models employed and exploring how machine learning tools can be integrated into the job safety analysis workflow.