تخمین ریسک های شغلی در محیط ساخت با استفاده از معیارهای HSE و شبکه عصبی عمیق RNN

نتایج آزمون کلموگروف -اسمیرنوف نیز نشان داد که تمامی متغیرها و داده هایشان ، دارای توزیع نرمال هستند.بر اساس آزمون T، مشخص شد که فرضیه تاثیرگذاری هر ده شاخص یعنی شاخص های برنامه ریزی چیدمان سایت های ساختمانی ، رفتار حرکتی کارگران ، جابجایی منابع متحرک ، دمای محیط ، فاصله جابجایی منابع متحرک ، نوع تجهیزات ، ابعاد تجهیزات ،سقوط منابع و وسایل ، زمان لازم برای کار و ارتعاشات منابع بر ارزیابی تاثیر چیدمان مناسب کارگاه های ساختمانی برای حفظ ایمنی و کنترل هزینه در اجرای پروژه های عمرانی فعال نقش مهمی دارند. بر اساس آزمون فریدمن مبتنی بر کای دو مشخص شد که فرضیه ۰H برای ده متغیر پژوهش یعنی شاخص های برنامه ریزی چیدمان سایت های ساختمانی ، رفتار حرکتی کارگران ، جابجایی منابع متحرک ، دمای محیط ، فاصله جابجایی منابع متحرک ، نوع تجهیزات ، ابعاد تجهیزات ،سقوط منابع و وسایل ،زمان لازم برای کار و ارتعاشات منابع با توجه به فراوانی های مورد انتظار تایید شده است . در گام بعد، با اتسفاده از رویکرد تلفیقی گرگ خاکستری و شبکه های عصبی مصنوعی به ارزیابی و تخمین ریسک های شغلی پرداخته شد. در این بخش ، ابتدا با استفاده از الگوریتم گرگ خاکستری به انتخاب ویژگی ها پرداختیم .نتایج نشان داد که از ۱۰ ویژگی اولیه ، تنها ۶ ویژگی برنامه ریزی چیدمان سایت های ساختمانی ، رفتار حرکتی کارگران ، ارتعاشات منابع ، سقوط منابع و وسایل ، ابعاد تجهیزات ، و جابجایی منابع متحرک از اهمیت بالاتریبرخوردار بوده اند که به عنوان ورودی طبقه بندها انتخاب شدند. نتایج نشان می دهد مدل شبکه عصبی RNN با دقت ۷۲,۹۰ درصد دارای میزان خطای MSE برابر با ۰۳۰۵۶۴,۰ که در میان تمام روش ها، از عملکردبالاتری برخوردار است . پس از آن مدل CNN با دقت ۹۶,۸۸ درصد، مدل درخت تصمیم با دقت ۸۷.۴۸درصد، مدل KNN با دقت ۶۱,۸۳ درصد و مدل SVM با دقت ۴۳,۷۸ درصد در رتبه های بعدی قرار دارند.

Keywords:

تخمین , ریسک های شغلی , محیط ساخت , HSE , شبکه عصبی , عمیق RNN