Mapeamento de atributos utilizados em modelos de predição de acidentes na construção usando técnicas de ML
Mapping of attributes used in construction accidents prediction models using ML techniques
DOI:
https://doi.org/10.46421/entac.v20i1.6180Palavras-chave:
Gestão da Segurança, Acidentes, Aprendizado de máquina, modelos preditivosResumo
O baixo desempenho em saúde e segurança ocupacional enfrentado pela indústria da construção impacta o produto interno bruto dos países e traz perdas financeiras para empresas e trabalhadores. Neste contexto, vários modelos preditivos utilizando machine learning (ML) foram desenvolvidos utilizando dados históricos de acidentes de construção. No entanto, ainda não existe consenso sobre os tipos de atributos que devem ser inseridos nestes modelos para alcançar predições mais assertivas. Portanto, este artigo tem como objetivo apresentar e categorizar os atributos mais utilizados em modelos preditivos usando ML. Para isso, é realizada uma revisão sistemática visando identificar os principais artigos de modelos preditivos. Os resultados mostraram seis categorias principais de atributos que tiveram maior ocorrência, sendo aqueles relacionados ao trabalhador, à organização e à gestão da segurança. Portanto, este artigo pretende contribuir para a definição de quais tipos de dados relacionados a acidentes devem ser coletados para auxiliar na previsão de acidentes e, consequentemente, melhorar o desempenho de segurança.
Referências
POH, C. Q. X.; UBEYNARAYANA, C. U.; GOH, Y. M. Safety leading indicators for construction sites: A machine learning approach.
Automation in Construction, v. 93, p. 375–386, 1 set. 2018.
CHOI, J. et al. Machine learning predictive model based on national data for fatal accidents of construction workers. Automation in
Construction, v. 110, 2020.
ANAMT - ASSOCIAÇÃO NACIONAL DE MEDICINA DO TRABALHO. Divulgadas as estatísticas de acidentes de trabalho para o ano de
Disponível em: <https://www.anamt.org.br/portal/2023/02/08/divulgadas-as-estatisticas-de-acidentes-de-trabalho-para-o-
ano-de-2021/>. Acesso em: 29 mar. 2023.
OIT - ORGANIZAÇÃO INTERNACIONAL DO TRABALHO. Série SmartLab de Trabalho Decente 2022: acidentes de trabalho e mortes
acidentárias voltam a crescer em 2021. Disponível em: <https://www.anamt.org.br/portal/2023/02/08/divulgadas-as-estatisticas-
de-acidentes-de-trabalho-para-o-ano-de-2021/>. Acesso em: 29 mar. 2023.
SAURIN, T. A. Safety inspections in construction sites: A systems thinking perspective. Accident Analysis & Prevention, v. 93, p.
-250, 2016.
MELO, R. R. S.; COSTA, D. B. Integrating resilience engineering and UAS technology into construction safety planning and control.
Engineering, Construction and Architectural Management, v. 26, n. 11, p. 2705-2722, 2019.
LIN, K. et al. A user-centered information and communication technology (ICT) tool to improve safety inspections. Automation in
construction, v. 48, p. 53-63, 2014.
LIU, Y. et al. Computer Vision Technologies and Machine Learning Algorithms for Construction Safety Management: A Critical
Review. [s.l: s.n.].
KANG, K.; KOO, C.; RYU, H. An interpretable machine learning approach for evaluating the feature importance affecting lost
workdays at construction sites. Journal of Building Engineering, v. 53, p. 104534, 2022.
SHUANG, Q.; ZHANG, Z. Determining critical cause combination of fatality accidents on construction sites with machine learning
techniques. Buildings, v. 13, n. 2, p. 345, 2023.
ZHU, J. et al. Developing predictive models of construction fatality characteristics using machine learning. Safety science, v. 164, p.
, 2023.
JAFARI, P. et al. Leading safety indicators: Application of machine learning for safety performance measurement. In: ISARC.
Proceedings of the International Symposium on Automation and Robotics in Construction. IAARC Publications, 2019. p. 501-506.
KOC, K.; EKMEKCIOĞLU, Ö.; GURGUN, A. P. Integrating feature engineering, genetic algorithm and tree-based machine learning
methods to predict the post-accident disability status of construction workers. Automation in Construction, v. 131, p. 103896, 2021.
ZERMANE, A. et al. Predicting fatal fall from heights accidents using random forest classification machine learning model. Safety
science, v. 159, p. 106023, 2023.
LEE, G. et al. Assessment of construction workers’ perceived risk using physiological data from wearable sensors: A machine
learning approach. Journal of Building Engineering, v. 42, p. 102824, 2021.
KOC, K.; EKMEKCIOĞLU, Ö.; GURGUN, A. P. Determining susceptible body parts of construction workers due to occupational
injuries using inclusive modelling. Safety science, v. 164, p. 106157, 2023.
KOC, K.; EKMEKCIOĞLU, Ö.; GURGUN, A. P. Developing a national data-driven construction safety management framework with
interpretable fatal accident prediction. Journal of Construction Engineering and Management, v. 149, n. 4, p. 04023010, 2023b.
ZHU, R. et al. Application of machine learning techniques for predicting the consequences of construction accidents in China.
Process Safety and Environmental Protection, v. 145, p. 293–302, 1 jan. 2021.
LEE, S. H.; SON, J. Development of a safety management system tracking the weight of heavy objects carried by construction
workers using fsr sensors. Applied Sciences, v. 11, n. 4, p. 1–15, 2021.
SEONG, H.; SON, H.; KIM, C. A Comparative Study of Machine Learning Classification for Color-based Safety Vest Detection on
Construction-Site Images. KSCE Journal of Civil Engineering, v. 22, n. 11, p. 4254–4262, 2018.
RADZI, A. R. et al. Relationship between digital twin and building information modeling: a systematic review and future directions.
Construction Innovation, v. 24, n. 3, p. 811-829, 2024.
KOC, K.; EKMEKCIOĞLU, Ö.; GURGUN, A. P. Prediction of construction accident outcomes based on an imbalanced dataset through
integrated resampling techniques and machine learning methods. Engineering, Construction and Architectural Management, v.
, n. 9, p. 4486-4517, 2022.
