一种基于深度神经网络算法的方法,根据建筑规模来预测事故的恢复期
Ji-Myong Kim1, Manik Das Adhikari2, Junseo Bae3
1Department of Architectural Engineering, Mokpo National University, Mokpo, 58554, South Korea.
Heliyon
|June 13, 2024
概括
深度神经网络 (DNN) 可以准确预测建筑事故恢复时间,优于传统的回归模型. 这一框架通过将预测量身定制到建筑工地规模来增强安全管理.
科学领域:
- 建筑安全工程工程 建筑安全工程
- 在土木工程中的人工智能.
- 风险管理 风险管理
背景情况:
- 建筑工地事故发生率很高,超过其他行业,尽管存在安全措施.
- 城市化推动的大型建筑项目的快速扩张可能会使事故趋势恶化.
- 准确预测事故恢复期对于有效的建筑项目管理和减缓至关重要.
研究的目的:
- 提出使用深度神经网络 (DNN) 算法开发事故预测模型的框架.
- 根据建筑工地规模 (中小型与大型) 量身定制DNN模型来预测事故恢复期.
主要方法:
- 深度神经网络 (DNN) 模型的开发和应用,用于事故恢复期预测.
- 使用平均绝对误差 (MAE) 和根-平均-平方误差 (RMSE) 评估模型性能.
- 与传统的多重回归分析模型对比DNN模型的准确性.
主要成果:
- 与回归模型相比,DNN模型显示出更高的准确性,预测错误率较低.
- 这种改进的准确性在中小型和大型建筑工地规模中是一致的.
- 该研究为在建筑事故风险评估中应用DNN提供了经过验证的框架.
结论:
- 深度学习技术,特别是DNN,为增强建筑安全管理提供了强大的工具.
- 拟议的框架提供了一种可扩展的事故预测方法,可适应不同建筑项目大小.
- 实施基于DNN的安全管理准则可以导致建筑行业更积极的风险减轻.
