دانلود مقاله ISI انگلیسی شماره 108464
ترجمه فارسی عنوان مقاله

شاخص های پیشرو ایمنی برای سایت های ساخت و ساز: روش یادگیری ماشین

عنوان انگلیسی
Safety leading indicators for construction sites: A machine learning approach
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
108464 2018 12 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 10160 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 17 روز بعد از پرداخت 121,920 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 9 روز بعد از پرداخت 243,840 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Automation in Construction, Available online 5 April 2018

ترجمه کلمات کلیدی
فراگیری ماشین، ایمنی ساختمان، شاخص های پیشرو، جلوگیری از تصادف، مدیریت ایمنی،
کلمات کلیدی انگلیسی
Machine learning; Construction safety; Leading indicators; Accident prevention; Safety management;
پیش نمایش مقاله
پیش نمایش مقاله شاخص های پیشرو ایمنی برای سایت های ساخت و ساز: روش یادگیری ماشین

چکیده انگلیسی

The construction industry is one of the most dangerous industries in many countries. To improve the situation, senior managers overseeing portfolios of construction projects need to understand the safety risk levels of their projects so that interventions can be implemented proactively. Safety leading indicators is one way to flag sites that are of higher risk. However, there is a lack of validated leading indicators that can reliably classify sites according to their safety risk levels. On the other hand, despite the success of machine learning (ML) approaches in other domains, it is not widely utilized in the construction industry, especially in the development of safety leading indicators. This paper presents a ML approach to developing leading indicators that classify sites in accordance to their safety risk in construction projects. This study was guided by the industry-recognized Cross-Industry Standard Process for Data Mining (CRISP-DM) framework and the key types of data used include safety inspection records, accident cases and project-related data. These data were obtained from a large contractor in Singapore and the data were accumulated from year 2010 to 2016. Out of thirty-three input variables (also known as features or independent variables), 13 input variables were selected using a combination of Boruta feature selection technique and decision tree. Of the 13 selected input variables, six of them are project-related (project type, project ownership, contract sum, percent completed, magnitude of delay and project manpower) and seven of them are items in the contractor's safety inspection checklists (crane/lifting operations, scaffold, mechanical-elevated working platform, falling hazards/openings, environmental management, good practices and weighted safety inspection score). Five popular ML algorithms were then used to train models for prediction of accident occurrence and severity. During validation, random forest (RF) provided the best prediction performance with an accuracy of 0.78 and has achieved a substantial strength of agreement with Weighted-Kappa Statistics of 0.70. Comparing with similar studies, this result is promising. The prediction (i.e. the output variable) provided by the RF model can be used as a safety leading indicator of the risk level of a site. It is recommended that the predictive RF model be deployed in construction organizations, especially large public and private developers, contractors and industry associations, to provide monthly forecast of project safety performance so that pre-emptive inspections and interventions can be implemented in a more targeted manner.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 10160 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 17 روز بعد از پرداخت 121,920 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 9 روز بعد از پرداخت 243,840 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.