Байєсова нейронна мережа для зменшення аварійності експлуатації будівельного баштового крана

Заголовок (англійською): 
Bayesian neural networks to reduce accidents while tower crane operations
Автор(и): 
Терентьєв О. О.
Соловей Б. А.
Автор(и) (англ): 
Terentyev, O.
Solovei, B.
Ключові слова (укр): 
байєсова нейронна мережа; теорема Байєса; закон розподілу ймовірностей; фактор ризику; баштовий кран
Ключові слова (англ): 
Bayesian neural network; Bayesian theorem; probability distribution function; risk factor; tower crane
Анотація (укр): 
У статті розглянуто методи запобігання та зниження ризику аварії під час експлуатації баштового крана. Увага приділяється методу, в якому байєсовий підхід інтегрується зі штучною нейронною мережею для визначення закону розподілу випадкової величини. Методикою роботи є обґрунтування доцільності використання байєсової нейронної мережі для зменшення рівня ризику аварії під час експлуатації будівельного баштового крана. Завдання, які вирішуються в статті: огляд та аналіз методів, які використовуються в сучасних умовах для оцінювання рівня ризику аварії під час експлуатації баштового крана; визначення причин, чому ці методи потребують удосконалення; пропозиція й обґрунтування доцільності використаннябайєсової нейронної мережі. Для реалізації поставлених завдань використовувалися такі методи: теорема Байєса, теорія ймовірності та математичної статистики, теорія нейронних штучних мереж. У результаті проведено аналізу сучасних методів, які запропоновані для визначення рівня ризику аварії під час експлуатації баштового крана, визначено, що багато методів спирається тільки на судження експертів – такі методи мають недоліки через неможливість перевірки таких знань; інші методи дають можливість визначити ймовірності оцінки появи аварійної події, але не можуть бути використані для визначення регулюючих дій щодо уникнення появи аварійної ситуації. Отже, щоб уникнути зазначених проблем у роботі запропоновано застосування байєсової нейронної мережі для визначення закону розподілу настання аварійної події, оскільки знання про закон розподілу дадуть можливість визначити бар’єрні значення факторів ризику, за яких аварійний стан не наступатиме. У роботі обґрунтовано доцільність запропонованого методу.
Анотація (англ): 
The subject of the article is methods of preventing and reducing the risk of an accident during the operation of a tower crane. The research focuses on the method when the Bayesian approach is integrated with an artificial neural network to determine probability distribution function of tower crane accident. The goal of the study isto provide the rational reasons why using a Bayesian neural network could reduce the level of accident risk while tower crane operating. To achieve the goal of the research were performed: review and analysis of the methods used in modern conditions to assess the level of accident risk when operating a tower crane; identified the reasons why these methods need improvements; proposed and provided justifications why Bayesian neural network could be a powerful method in preventing tower crane accident. During review and analysis were used: Bayes theorem, theory of probability and mathematical statistics, theory of artificial neural networks. The summary from the results of conducted analysis of modern methods which are used to estimate accident risk level for tower crane included that some methods are based on expert judgements only which are not possible to verify so the risk’s estimates obtained from those methods could be biased; other methods are good in estimation of the probability of happening of tower crane accident, however could not be used to prevent the accident to happen. In order to eliminated disadvantages of the used methods it is proposed to use Bayesian neural network to determine probability distribution function and use it to determine threshold value for risk factors which could provoke an accident’s event happens during tower crane operation.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 57, 2024
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 57, 2024
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
96-101.pdf
Дата публікації: 
22 Апрель 2024
Номер збірника: 
57
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Київський національний університет будівництва і архітектури, Київ
Литература: 
  1. Оцінка діючих інформаційних систем Державної служби України з питань праці та інших органів, пов'язаних із інспекцією праці, з особливою увагою до діяльності Держпраці, спрямованої на подолання незадекларованої праці. URL: https://www.ilo.org/wcmsp5/groups/public/---ed_dialogue/---lab_admin/documents/projectdocumentation/wcms_718377.pdf.
  2. Jiang, T. (2020, July). Safety risk analysis and control of tower crane. In IOP Conference Series: Earthand Environmental Science (Vol. 546, No. 4, p. 042070). IOP Publishing.
  3. Ancione, G., Paltrinieri, N., & Milazzo, M. F. (2020). Integrating real-time monitoring data in risk assessment for crane related offshore operations. Journal of Marine Science and Engineering, 8 (7), 532.
  4. Kim, J. Y., & Kim, G. H. (2020). Importance ranking of accident factors of construction tower crane by AHP technique. Journal of Building Constructionand Planning Research, 8(4), 237–244.
  5. Shapira, A., & Simcha, M. (2009). AHP-based weighting of factors affecting safety on construction sites with tower cranes. Journal of construction engineering and management, 135(4), 307–318.
  6. Xiao, L., Tang, L. C., & Wen, Y. (2023). An innovative construction site safety assessment solution based on the integration of Bayesian network and analytic hierarchy process. Buildings, 13 (12), 2918.
  7. ZUO, Y., Zhao, F., Yang, K., & Yang, R. (2021). Fatigue Life Assessment of Tower Crane Based on Neural Network to Obtain Stress Spectrum.
  8. Jospin, L. V., Laga, H., Boussaid, F., Buntine, W., & Bennamoun, M. (2022). Hands-on Bayesian neural networks – A tutorial for deep-learning users. IEEE Computational Intelligence Magazine, 17(2), 29–48.
  9. Charnock, T., Perreault-Levasseur, L., & Lanusse, F. (2022). Bayesian neural networks. In Artificial Intelligence for High Energy Physics (pp. 663–713).
  10. Pomponi, J., Scardapane, S., & Uncini, A. (2021). Bayesian neural networks with maximum mean discrepancy regularization. Neurocomputing, 453, 428–437.
References: 
  1. Evaluation of the current information systems of the State Labor Service of Ukraine and other bodies related to labor inspection, with special attention to the activities of the State Labor Service aimed at overcoming undeclared work.URL: https://www.ilo.org/wcmsp5/groups/public/---ed_dialogue/---lab_admin/documents/projectdocumentation/wcms_718377.pdf.
  2. Jiang, T. (2020, July). Safety risk analysis and control of tower crane. In IOP ConferenceSeries: Earthand Environmental Science (Vol. 546, No. 4, p. 042070). IOP Publishing.
  3. Ancione, G., Paltrinieri, N. & Milazzo, M. F. (2020). Integrating real-time monitoring data in risk assessment for crane related offshore operations. Journal of Marine Science and Engineering, 8 (7), 532.
  4. Kim, J. Y. & Kim, G. H. (2020). Importance ranking of accident factors of construction tower crane by AHP technique. Journal of Building Construction and Planning Research, 8 (4), 237–244.
  5. Shapira, A. & Simcha, M. (2009). AHP-based weighting of factors affecting safety on construction sites with tower cranes. Journal of construction engineering and management, 135 (4), 307–318.
  6. Xiao, L., Tang, L. C., & Wen, Y. (2023). An innovative construction site safety assessment solution based on the integration of Bayesian network and analytic hierarchy process. Buildings, 13 (12), 2918.
  7. ZUO, Y., Zhao, F., Yang, K., & Yang, R. (2021). Fatigue Life Assessment of Tower Crane Based on Neural Network to Obtain Stress Spectrum.
  8. Jospin, L. V., Laga, H., Boussaid, F., Buntine, W. & Bennamoun, M. (2022). Hands-on Bayesian neural networks – A tutorial fo rdeep-learning users. IEEE Computational Intelligence Magazine, 17 (2), 29–48.
  9. Charnock, T., Perreault-Levasseur, L. & Lanusse, F. (2022). Bayesian neural networks. Artificial Intelligence for High Energy Physics, 663–713.
  10. Pomponi, J., Scardapane, S. & Uncini, A. (2021). Bayesian neural networks with maximum mean discrepancy regularization. Neurocomputing, 453, 428–437.