به‌کارگیری منطق فازی در پیش‌بینی شدت حوادث صنعت ساخت‌وساز

نویسندگان
علی رحیم‌زادگان
منصور قلعه‌نوی
علی‌اکبر سالاریان
گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران
چکیده
ایمنی، همواره یک دغدغه‌ی جدی در کارگاه‌های ساخت‌وساز می‌باشد. در این راستا، مطالعه‌ی بیشتر شرایط ناایمن و حوادث پیشین می‌تواند به شناسایی خطرات آتی و اصلاح وضعیت موجود کمک نماید. هدف این پژوهش، مدل‌سازی شدت حوادث صنعت ساخت‌وساز با منطق فازی می‌باشد. با کمک این مدل، می‌توان شدت حوادث آینده را بر اساس اطلاعات موجود در حال حاضر پیش‌بینی کرد. ابتدا ورودی‌های مدل با توابع عضویت مختلف، به چهار حالت متفاوت تقسیم می‌گردند. سپس با استفاده از جدول جستجوی فازی، پایگاه قواعد برای هرکدام از حالات ایجاد می‌شود. در گام بعد، سیستم استنتاج فازی به‌منظور انجام پیش‌بینی، پیاده‌سازی می‌گردد. در پایان، عملکرد بهترین مدل ارائه شده با چند روش یادگیری ماشین رایج، مقایسه می‌گردد. یافته‌ها نشان می‌دهد که برخلاف سایر روش‌ها، متوازن‌سازی مجموعه‌داده تأثیر ناچیزی بر کاهش عملکرد روش فازی دارد و به برتری نتایج این روش منجر می‌شود. مقدار Accuracy و F1_score برای مدل فازی بهینه 83/43% و 79/69% به دست می‌آید که حداقل 19/92% و10/69% نسبت به الگوریتم‌های دیگر بیشتر است. این برتری برای مقادیر مذکور حداکثر به 34/96% و 21/53% می‌رسد. توسعه‌ی ابزاری برای پیش‌بینی نتیجه‌ی حوادث، به متخصصان ایمنی کمک می‌نماید تا اقدامات لازم برای پیشگیری از خسارات محتمل را برنامه‌ریزی کنند.

کلیدواژه‌ها

  • [1] International Labour Organization, “Safety and health at work,” https://www.ilo.org/global/topics/safety-and-health-at-work/lang--en/index.htm.
  • [2] ح. خانجانی، "آمار و هزینه‌های بالای حوادث ساختمانی،" ماهنامه پیام آبادگران، پیاپی 389، ص 33-34، شهریور 1399.
  • [3] ع. صنیع زاده، "آمارهای حوادث ساختمانی،" ماهنامه دانش نما ، پیاپی 262-264، ص 110-112، 1396.
  • [4] H. Y. Chong and T. S. Low, “Accidents in Malaysian construction industry: Statistical data and court cases,” Int. J. Occup. Saf. Ergon., vol. 20, no. 3, pp. 503–513, 2014.
  • [5] Y. Kang, S. Siddiqui, S. J. Suk, S. Chi, and C. Kim, “Trends of Fall Accidents in the U.S. Construction Industry,” J. Constr. Eng. Manag., vol. 143, no. 8, p. 04017043, Aug. 2017.
  • [6] S. Sarkar, S. Vinay, R. Raj, J. Maiti, and P. Mitra, “Application of optimized machine learning techniques for prediction of occupational accidents,” Comput. Oper. Res., vol. 106, pp. 210–224, Jun. 2019.
  • [7] A. J. P. Tixier, M. R. Hallowell, B. Rajagopalan, and D. Bowman, “Application of machine learning to construction injury prediction,” Autom. Constr., vol. 69, pp. 102–114, Sep. 2016.
  • [8] C. Q. X. Poh, C. U. Ubeynarayana, and Y. M. Goh, “Safety leading indicators for construction sites: A machine learning approach,” Autom. Constr., vol. 93, pp. 375–386, Sep. 2018.
  • [9] B. U. Ayhan and O. B. Tokdemir, “Accident Analysis for Construction Safety Using Latent Class Clustering and Artificial Neural Networks,” J. Constr. Eng. Manag., vol. 146, no. 3, p. 04019114, Mar. 2020.
  • [10] J. Choi, B. Gu, S. Chin, and J. S. Lee, “Machine learning predictive model based on national data for fatal accidents of construction workers,” Autom. Constr., vol. 110, p. 102974, Feb. 2020.
  • [11] H. Baker, M. R. Hallowell, and A. J. P. Tixier, “AI-based prediction of independent construction safety outcomes from universal attributes,” Autom. Constr., vol. 118, p. 103146, Oct. 2020.
  • [12] R. Zhu, X. Hu, J. Hou, and X. Li, “Application of machine learning techniques for predicting the consequences of construction accidents in China,” Process Saf. Environ. Prot., vol. 145, pp. 293–302, Jan. 2021.
  • [13] M. Rijo George, M. R. Nalluri, and K. B. Anand, “Severity Prediction of Construction Site Accidents Using Simple and Ensemble Decision Trees,” Lect. Notes Civ. Eng., vol. 171, pp. 599–608, May 2021.
  • [14] S. Das, S. Datta, and B. B. Chaudhuri, “Handling data irregularities in classification: Foundations, trends, and future challenges,” Pattern Recognit., vol. 81, pp. 674–693, Sep. 2018.
  • [15] P. Vuttipittayamongkol, E. Elyan, and A. Petrovski, “On the class overlap problem in imbalanced data classification,” Knowledge-Based Syst., vol. 212, p. 106631, Jan. 2021.
  • [16] V. López, A. Fernández, S. García, V. Palade, and F. Herrera, “An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics,” Inf. Sci., vol. 250, pp. 113–141, Nov. 2013.
  • [17] K. Kang and H. Ryu, “Predicting types of occupational accidents at construction sites in Korea using random forest model,” Saf. Sci., vol. 120, pp. 226–236, Dec. 2019.
  • [18] A. R. Fayek, “Fuzzy Logic and Fuzzy Hybrid Techniques for Construction Engineering and Management,” J. Constr. Eng. Manag., vol. 146, no. 7, p. 04020064-1, Jul. 2020.
  • [19] G. E. Gürcanli and U. Müngen, “An occupational safety risk analysis method at construction sites using fuzzy sets,” Int. J. Ind. Ergon., vol. 39, no. 2, pp. 371–387, Mar. 2009.
  • [20] D. K. Jana, S. Pramanik, P. Sahoo, and A. Mukherjee, “Interval type-2 fuzzy logic and its application to occupational safety risk performance in industries,” Soft Comput., vol. 23, no. 2, pp. 557–567, Oct. 2017.
  • [21] L. A. R. Winanda, T. W. Adi, N. Anwar, and F. S. Wahyuni, Construction safety monitoring based on the project’s characteristic with fuzzy logic approach, AIP Conf. Proc., vol. 1903, no. 1, p. 070009-1, Nov.2017.
  • [22] B. U. Ayhan and O. B. Tokdemir, “Predicting the outcome of construction incidents,” Saf. Sci., vol. 113, pp. 91–104, Mar. 2019.
  • [23] B. U. Ayhan and O. B. Tokdemir, “Safety assessment in megaprojects using artificial intelligence,” Saf. Sci., vol. 118, pp. 273–287, Oct. 2019.
  • [24] B. Flyvbjerg, “What you Should Know about Megaprojects and Why: An Overview,” Proj. Manag. J., vol. 45, no. 2, pp. 6–19, Apr. 2014.
  • [25] D. Singh and B. Singh, “Investigating the impact of data normalization on classification performance,” Appl. Soft Comput., vol. 97, Part B, p. 105524, Dec. 2020.
  • [26] N. v. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic minority over-sampling technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, Jun. 2002.
  • [27] L. X. Wang, A Course in Fuzzy Systems and Control, Prentice-Hall, 1997.
  • [28] L. Breiman, “Random forests,” Mach. Learn, vol. 45, pp. 5–32, Oct. 2001.
  • [29] V. N. Vapnik, The Nature of Statistical Learning Theory, Springer, 1995.
  • [30] F. Rosenblatt, “The Perceptron: A Probabilistic Model for Information Storage and Organization in The Brain,” Psychol. Rev., vol. 65, no. 6, pp. 386–408, 1958.
  • [31] W. W. Cohen, “Fast Effective Rule Induction,” Proc. 12th Int. Conf. Mach. Learn., pp. 115–123, Jul. 1995.
  • [32] L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, Classification and regression trees, CRC Press, 1984.
  • [33] R. O. Mujalli, G. López, and L. Garach, “Bayes classifiers for imbalanced traffic accidents datasets,” Accid. Anal. Prev., vol. 88, pp. 37–51, Mar. 2016.
  • [34] Y. Cao, X. Fang, J. Ottosson, E. Näslund, and E. Stenberg, “A Comparative Study of Machine Learning Algorithms in Predicting Severe Complications after Bariatric Surgery,” J. Clin. Med., vol. 8, no. 5, p. 668, May 2019.
علوم رایانش و فناوری اطلاعات
دوره 20، شماره 2
پاییز و زمستان 1401
پاییز 1401