J Korean Soc Hazard Mitig 2017; 17(1): 7-14  https://doi.org/10.9798/KOSHAM.2017.17.1.7
Application of Artificial Neural Networks to Prediction of Construction Safety Accidents
Yeon-Choel Kim*, Wi Sung Yoo**, and Yoonseok Shin*
*Member, Graduate student, Graduate School of Construction Industry, Kyonggi University,
**Member, Research Fellow, Construction & Economy Research Institute of Korea(CERIK)
Correspondence to: Member, Associate Professor, Department of Plant and Architectural Engineering, Kyonggi University (Tel: +82-31-249-9721, Fax: +82-31-249-9721, E-mail: shinys@kyonggi.ac.kr)
Received: October 6, 2016; Revised: October 10, 2016; Accepted: November 28, 2016; Published online: February 28, 2017.
© The Korean Society of Hazard Mitigation. All rights reserved.

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract

Since recognizing Alpha-Go’s superiority and potentials in March 2016, the application of artificial intelligence technologies to construction industry is being increasingly magnified as a core research area to cope with the changeable future construction environments. During decades, even if artificial neural networks(hereafter ANNs) has produced outstanding performances in various domains, they provided the limited performances in construction industry. In particular, the safety accidents on construction sites are continuously increasing in spite that there are sufficient efforts and investment. In this study, we have applied artificial neural networks to predict construction safety accidents and evaluate the applicability of ANNs. These works were performed using actual data of construction accidents and comparing the prediction accuracy of ANNs model to those of discriminant analysis model. As a result, ANNs model showed higher prediction accuracy(80%) than that(70%) of the discriminant analysis model. It is expected that the presented model can be utilized to provide a practical guideline for previous prevention of safety accidents on construction sites.

Keywords: Construction Safety Accident, Artificial Neural Networks, Previous Prevention
1. 서론

1.1 연구의 배경 및 목적

2016년 3월, 전 세계의 관심이 인간과 인공지능(artificial intelligence)간 세기의 바둑대결에 집중되었다. 이세돌 9단과 구글 딥마인드사(Google DEEPMIND)가 개발한 알파고(AlphaGo)의 대결은 결과적으로 1:4로 알파고의 승리로 끝을 맺었다. 이 사건은 단순한 바둑의 대결에서 인공지능이 인간을 이겼다는 사실에 그친 것이 아니라 현재의 인공지능의 발전수준과 앞으로 인공지능이 어느 분야에서 어떤 수준까지 활용될 수 있는 가에 대해 전 세계 인류의 관심을 환기시키는 계기가 되었다는 점에서 매우 의미가 있다.

알파고는 인공신경망(artificial neural networks) 알고리즘을 활용한 복합알고리즘의 일종이라고 할 수 있다. 즉, 알파고는 딥러닝 신경망(deep neural networks)과 몬테카를로 트리 검색(Monte-Carlo tree search)을 결합하여 지도학습(supervised learning)과 강화학습(reinforcement learning)으로 훈련을 함으로써 문제에 대한 최적의 대안을 탐색하도록 구성된 알고리즘이다(Silva et al., 2016). 이러한 알고리즘은 인간이 산술적으로 계산하기에 거의 불가능한 복잡하고 많은 연산을 짧은 시간에 수행하는 것이 가능하다. 즉 무수히 많은 데이터를 이용하여 다양한 경우의 수와 그 발생가능성을 산출할 수 있기 때문에 인간이 의사결정을 하는데 있어서 활용가능한 훌륭한 지원도구이다. 알파고를 개발한 구글은 이번 바둑대결에서 한발 더 나아가 사람의 도움 없이 스스로 운전이 가능한자율주행자동차를 개발 중이며, 이런 인공지능을 활용한 연구에 토요다자동차(‘Toyota Research Institute, Inc’), 엔비디아(NVIDIA Co.), 애플(Apple Inc.)과 같은 전 세계적인 기업들이 참여하고 있다(Won, 2016). 이렇듯 멀지 않은 미래에 다양한 분야에서 인공지능이 인간을 지원하는데 적극적으로 활용될 것으로 예상된다.

건설산업에서도 인공지능, 특히 인공신경망을 활용하여 인간의 의사결정을 지원하려는 사례들이 이미 많이 있다. 즉, 건축프로젝트 초기공사비 예측(Park et al., 2002; Kim et al., 2006; Kim and Son, 2006; Son et al., 2008), 난방시스템 최적화(Baik et al., 2016), 에너지 수요예측(Kong et al., 2010), 구조물의 건전성 평가(Kim, 2007; Kim et al., 2010), 콘크리트 강도 추정(Lee and Lim, 2003), 부동산가격 예측(Nam and Lee, 2006; Hwang et al., 2015, Mun et al., 2015) 등 다양한 분야에서 각종 문제들의 예측에 인공신경망 기법이 활용되었고 높은 예측 정확도를 보였다.

인공신경망의 뛰어난 예측능력을 2011~2014년 4년간 90,693명이 재해를 당하며 단일 산업으로는 가장 많이 발생하고 있는 건설산업의 안전사고를 예방하는데 활용해볼 필요가 있다(KOSHA, 2014). 이미 건설분야에서는 현장에서 발생하는 건설안전사고를 예방하기 위한 다양하고 많은 노력이 있었다. 즉, 재해사례 연구(Chang and Lee, 1996; Wagawa et al., 2013), 중대재해 원인 분석(Park, 1997; Shin et al., 2012), 안전사고 발생구조 분석(Song et al., 2006; Lee et al., 2010), 안전사고 예방 방안(Seo and Kim, 2008; Kim et al., 2010; Kim, 2012) 등 다양한 연구들이 지난 20여년간 진행되었다. 그러나 이러한 기존의 연구들은 연구대상이 특정 재해를 대상하고 있고 예방 및 대책에 관한 제안 역시 사후분석적 연구결과라 할 수 있다 즉, 기존의 결과물들은 다양하고 동적인 건설현장 및 프로젝트의 조건을 고려하여 사전에 안전사고를 예방할 수 있는 적극적인 활동에는 부적합한 한계가 있다.

따라서 본 연구에서는 건설현장에서 발생가능한 건설안전사고를 사전에 예측하는데 인공신경망 기법을 적용하고 활용가능성을 검토해보고자 한다. 안전관리 예산과 인력은 제한적이기 때문에 모든 안전사고에 대해서 완벽하게 대응하는 것은 현실적인 한계가 있다. 인공신경망 기법을 활용하여 사전에 발생가능한 안전사고를 정확하게 예측할 수 있다면 각각의 건설현장에서 우선적으로 관리해야하는 안전사고 유형을 미리 파악하도록 지원하여 궁극적으로 건설산업 전체 안전사고 감소에 기여할 수 있을 것이다.

1.2 연구의 범위 및 방법

본 연구에서는 건설현장에서 발생가능한 건설안전사고를 사전에 예측할 수 있도록 인공신경망 기법을 이용하여 모델을 구축하고, 구축된 모델의 정확도를 평가하여 활용가능성을 검토하는 것까지를 연구의 범위로 제한한다.

활용가능성 검토를 위하여 인공신경망으로 구축된 모델과 전통적 통계분석 기법인 판별분석(Discriminant analysis)으로 구축된 모델의 예측 정확도를 비교해보았다. 인공신경망 및 판별분석 모델 구축도구로는 상용 프로그램 중 하나인 ‘IBM SPSS Statistic 19’를 이용하였다. 모델의 구축과 검증을 위해서 국내에서 2014년 1년간 발생한 건설 안전사고 사례 2만 건을 수집하여 결측치를 포함한 유효하지 못한 사례들을 제외하고 16,248건을 데이터베이스화한 후에 활용하였다. 연구의 절차를 정리하면 다음과 같다.

첫째, 이론적 고찰을 통해 국내 건설현장에서 발생하는 안전사고 실태 분석을 통해 시사점을 도출하고 인공신경망의 원리와 적용을 고찰한다.

둘째, 인공신경망을 이용하여 사전에 발생가능한 건설안전사고를 예측하는 모델을 구축한다.

셋째, 실제 안전사고 사례 데이터를 이용하여 제안된 모델과 판별분석 모델의 예측정확도를 비교하여 건설안전사고 사전 예측에서 인공신경망 기법의 활용가능성을 확인한다.

2. 이론적 고찰

2.1 국내 건설 안전사고 발생 현황

국내 건설현장에서의 안전사고 발생 현황을 살펴보면 Table 1에서와 같이 4년(2011년 ~ 2014년)동안 발생한 건설안전사고 재해자수는 총 90,693명이다. 특히 5년간 건설안전사고의 증감을 살펴보면, 2011년 22,817명에서 2014년 22,935명으로 거의 매해 꾸준히 증가하는 것을 알 수 있다. 최근 국내 건설업은 청년층의 건설업 취업 기피로 인하여 신규 인력의 유입이 감소하면서 숙련공이 줄어들고 있고 건설근로자들이 고령화되고 있기 때문에 이러한 추세는 점차 심화될 것으로 우려되는 상황이다.

Table 1

The Number of Injured Persons in Domestic Construction Industry

 Division  Injured persons (Persons)  Fluctuation ratio (%) 
Total90,693-
201422,935100.52
201322,892100.33
201222,67999.40
201122,817100.00

지금까지의 안전사고 예방을 위한 노력과 투자에도 불구하고 안전사고 건수는 감소하기는커녕 오히려 점차 증가하고 있다는 것은 지금까지의 노력보다 혁신적인 관리 및 예방 기법의 개발이 시급하다는 것을 의미한다. 또한, 현재와 같이 안전사고 사례분석에 기반한 일괄적인 안전관리방안은 각각의 건설프로젝트와 동적인 현장조건의 특성을 반영할 수 없다는 한계가 있다. 따라서 본 연구에서는 기본의 사후분석적인 연구보다 더 적극적으로 사전예방적인 안전사고 사전 예측방안을 제안하고자 한다.

2.2 인공신경망 기법 이론

인공신경망 기법의 주요 개념은 생물학적 두뇌의 신경세포(neuron)를 수학적 방법으로 모델링하여 인공적으로 지능을 만드는 것이다(Hagan et al., 1996; Kim et al., 2006). 인공신경망은 일반적으로 Fig. 1과 같은 구조를 갖는다. 일반적으로 인공신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성되고 각 층들은 신경세포들로 구성된다. 특히, 은닉층은 Fig. 1에서와 같이 입력층과 출력층의 사이에 위치하면서 각 노드의 입력값을 곱함으로써 가중치(connetion weight)를 부과하고 활성화 함수(transfer function)를 적용하여 출력값을 결정한다.

Fig. 1.

The Structure of ANNs


인공신경망은 기존의 데이터로부터 학습을 시킨 후에 복잡하고 많은 연산이 요구되는 새로운 문제를 해결하는 데에 적용할 수 있다. 즉, 인공신경망 기법을 응용분야에 활용하기 위해서는 인공신경망의 학습이 선행되어야 한다. 학습은 특정한 응용 목적에 적합하도록 뉴런간의 연결강도를 조정하는 과정으로 가장 대표적인 방식으로는 ‘오류역전파(Error Back-Propagation)’ 학습 방식이 있다. 오류역전파 학습의 기본원리를 간단하게 정리하면 다음과 같다. 첫 번째, 입력층의 각 노드에 패턴이 주어지면 이 신호는 각 노드에서 변화되어 은닉층으로 전달되고 마지막으로는 출력층에서 신호를 출력한다. 두 번째, 출력값과 실제 목적값을 비교하여 오차를 계산한다. 세 번째, 이 오차를 줄여나갈 수 있도록 연결강도를 조정한 이후에 출력층에서 입력층 방향으로 역전파하여 이를 근거로 다시 연결강도를 조정해 간다. 이 연결강도를 조정하는 데에 활성화 함수가 이용되며, 활성화 함수로는 일반적으로 시그모이드(sigmoid), 쌍곡 탄젠트(hyperbolic tangent)와 같은 함수들이 사용된다.

인공신경망은 복잡한 연산과정을 파악하기 거의 불가능한 기법(black box technique)이라는 것과 지식의 습득과정에서 시간이 오래 걸린다는 단점이 있음에도 불구하고, 비선형 형태와 같은 복잡한 문제에서의 함수화와 패턴 인식에 우수한 장점으로 인하여 결과적으로 우주공학, 자동차, 금융, 전자, 제조, 로봇, 석유⋅가스, 통신, 교통 등에서 활용되었다(Hagan et al., 1996).

3. 건설안전사고 사전 예측을 위한 인공신경망 모델 구축

3.1 데이터 수집 및 변수 선택

인공신경망 모델을 구축하기 위해서는 데이터가 필요하다. 본 연구에서는 이를 위해서 2014년 1년 동안 국내에서 발생한 건설안전사고 사례 2만여 건을 수집하였다. 수집된 자료는 Table 2와 같이 출력변수와 입력변수로 각각 구분하여 정리하였다.

Table 2

Variables and Feature of Input Data

VariableTypeData characteristic
OutputType of accidentNominalFall(1), Wipeout(2), Hit(3), Cut(4), Narrowness(5), Crash(6)
InputWorkforce Numerical Integer (5~3,000)
Rate of processNumericalReal number (5~90)
Project scaleNumericalInteger (0.1~2,000)
AgeNumericalInteger (17~83)
Years of serviceNumericalReal number (0.8~30)
Project durationNumericalInteger (1~13,752)
LocationNominalSeoul(1), Capital area (except for Seoul)(2), Etc.(3)
Accident seasonNominalSpring(1), Summer(2), Autumn(3), Winter(4)
GenderNominalMale(1), Female(2)
NationalityNominalKorean(1), Foreigner(2)
Type of occupationNominalManagement(1), Engineering(2), Labor(3), Operation(4)
Accident day of the weekNominalWeekdays(1), Weekend(2)
Accident timeNominal06-12 Hour(1), 12-18 Hour(2), 18-22 Hour(3), 22-06 Hour(4)
Type of employmentNominalRegular(1), Non-Regular(2)
Type of projectNominalResidential and commercial(1), Public and Healthy(2), Etc.(3)

본 연구의 모델에서 출력변수는 안전사고 발생형태로 정의하였다. 산업안전보건공단의 ‘산업재해 기록⋅분류에 관한 지침(KOSHA Code G-8-2006)’에 따르면 우리나라의 안전사고 유형을 추락(떨어짐), 전도⋅전복(넘어짐), 충돌⋅접촉(부딪힘) 등 총 21가지로 분류할 수 있다. 본 연구에서 수집한 사례를 기준으로 보았을 때, 전체 16,248건의 안전사고 중 가장 빈발한 형태는 떨어짐(5,361건, 32.9%) 넘어짐(2,392건, 14.7%), 맞음(2,161건, 13.3%), 절단⋅베임⋅찔림(1,551건, 9.5%), 부딪힘(1,419건, 8.7%), 끼임(1,347건, 8.3%), 깔림(842건, 5.2%), 불균형 및 무리한 동작(437건, 2.7%), 무너짐(411건, 2.5%) 순으로 높게 나타났다. 특히, 떨어짐부터 끼임까지 6가지 안전사고 유형이 전체 안전사고 발생건수의 87.4%를 차지하고 있다. 따라서 본 연구에서는 출력변 수인 안전사고 발생형태는 앞서 언급한 9가지 중 주요 안전사고 유형인 6개의 형태를 대상으로 하였다.

출력변수인 건설안전사고 발생에 영향을 끼치는 입력변수는 다양하게 존재하며 이 변수들을 적절히 선정하여야 제대로 건설안전사고 발생을 예측하는 것이 가능하다. 본 연구에서는 이 변수들을 선정하기 위하여 건설안전사고 발생 예측에 대한 전문가 인터뷰조사와 자료수집의 가능성을 고려하여 Table 2에서와 같이 총 11개의 입력변수를 선택하였다.

3.2 인공신경망 모델의 학습

건설안전사고 사전 예측을 위한 인공신경망 모델 구축을 위해서는 기존의 건설안전사고 실적데이터를 이용하여 모델의 학습과정이 선행되어야 한다. 본 연구에서는 인공신경망 모델 학습을 위해서 수집된 실적데이터를 사용하였고, 학습에 포함되지 않은 실적데이터를 학습된 모델에 적용하여 해당 모델의 활용가능성을 검토하였다. 즉, 모델에 적용한 데이터는 학습용 데이터(training data), 평가용 데이터(test data)로 구분하였다. 총 14,231개의 실적데이터 중 평가용 30개를 제외하고 나머지를 학습용으로 사용하였다.

3.3 매개변수 및 옵션 설정

인공신경망 모델 구축을 위해서는 인공신경망 모델의 최적화 작업이 요구된다. 인공신경망 모델의 최적화는 사전에 설정한 오차한계 이내로 학습오차를 최소화하는 것을 의미한다. 이 과정은 일반적으로 연구자가 직접 매개변수를 변화시키는 작업이 필요하다. 그러나 본 연구에서는 ‘IBM SPSS Statistic 19’에서 옵션으로 주어지는 자동탐색 기능인 ‘자동 아키텍쳐 선택’을 이용하였다. 또한 훈련 유형은 ‘온라인(Online)’방식으로 하고, 최적화 알고리즘은 ‘척도화된 켤레 경사법(Scaled conjugate gradient)’을 선택하였다. 그 밖에 훈련 옵션은 다음 Table 3과 같다. 그 결과 학습알고리즘은 다층 퍼셉트론(Multi-Layer Perceptron) 구조, 활성화함수는 쌍곡 탄젠트(은닉층), Softmax(출력층)를 사용하였고, 은닉층은 1개층으로 11개의 뉴런을 발생시켰다.

Table 3

Training Options

ParameterValues
 Initial lambda  0.0000005 
Initial sigma0.00005
Interval center0
Interval offset± 0.5

4. 인공신경망 모델의 사례 적용

4.1 예측 정확도 평가

본 연구에서 제안한 모델의 활용가능성을 검증하기 위해서 통계적 분석기법인 판별분석을 이용하여 건설안전사고 예측을 위한 모델을 구축하고 각각의 예측 정확도를 비교해보았다. 판별분석을 적용할 때 독립변수를 어떻게 선정하느냐에 따라서 결과값이 달라질 수 있다. 본 연구에서는 인공신경망 모델과의 비교를 위해서 동일한 독립변수와 데이터를 적용하여 판별분석을 적용하였다. 본 연구에서는 판별함수 의 계수를 결정하는 방법으로 Fisher가 제시한 선형판별함수에 의한 방법을 사용하였는데, 이는 Fisher의 방법이 더 쉽고 많이 사용되고 있기 때문이다(An et al., 2005). 판별분석을 실시한 후에 도출된 판별함수가 통계적으로 유의한 가를 판단하기 위해서 ‘Wilks의 람다’값을 확인하였다. ‘Wilks의 람다’의 유의확률값이 가장 큰 경우가 ‘0.009’로 유의수준(0.05)보다 작으므로 해당 판별함수에 의한 집단 간의 판별점수의 차이는 통계적으로 유의하다고 볼 수 있다. 결과적으로 Table 4와 같이 판별함수의 계수를 얻을 수 있었다.

Table 4

Discriminant Function Coefficients

VariableF1(Fall) F2(Wipeout) F3(Hit) F4(Cut) F5(Narrowness) F6(Crash) 
Location5.7065.6455.5055.5215.6175.563
Rate of process0.0540.0510.0490.0510.0470.048
Project scale-0.001-0.001-0.001-0.001-0.001-0.001
Accident season2.1082.3962.3342.3112.3312.318
Workforce0.0010.0010.0010.0000.0010.001
Nationality21.05520.79321.44220.76621.04221.064
Type of occupation3.5003.6143.5593.5713.6023.564
Age0.5390.5450.5390.5200.5260.528
Gender36.41037.15035.64535.39735.62435.522
Years of service2.8782.8332.8342.8672.8542.844
Accident day of the week6.7516.7386.8186.7526.7666.722
Accident time5.1195.1575.0795.1075.0695.094
Project duration1.759E-64.004E-62.284E-5-3.277E-63.123E-64.636E-6
Type of employment36.17036.28836.46436.30736.01636.315
Type of project2.4882.4562.4682.3702.9172.718
Constant-107.006-108.647-107.087-104.702-106.096-106.074

※ E-n means 10-n (Ex. 1.234E-5 = 0.00001234)


새로운 사례에 대한 평가는 다음과 같은 순서로 실시한다. 첫 번째, 새로운 사례의 변수 값을 위의 전체 판별식들에 대입하여 각각의 판별점수를 계산한다. 두 번째, 계산된 판별점수들을 서로 비교하여 가장 값이 큰 판별점수를 선택한다. 세 번째, 가장 값이 큰 판별점수를 도출하는 판별식에 해당되는 집단을 새로운 사례의 판별값으로 부여한다. 예를 들어, 6개의 판별식을 이용하여 계산된 새로운 사례의 판별점수 중에서 판별식 F1(떨어짐)의 판별점수가 가장 높으면 이 사례의 조건에서 예상되는 건설안전사고는 떨어짐이 된다.

30개 사례에 대해서 인공신경망 모델과 판별분석 모델의 예측 정확도를 비교해 본 결과, Table 5와 같은 결과를 얻을 수 있었다. Table 5는 실제값(target)과 인공신경망 모델(ANNs model)과 판별분석 모델(discriminant analysis model)의 예측결과들로 구성된다. 다만, 여기에서는 하나의 사례에 대해서 하나의 예측값, 즉, 1순위 예측값만 제시하고 끝내는 것이 아니라 인공신경망과 판별분석 공통으로 구축된 6개의 판별점수에 따라 각각 2순위 예측값과 3순위 예측값까지 정리하였다.

Table 5

Comparison of Prediction Accuracy of ANNs and Discriminant Analysis Model

TargetANNs modelDiscriminant analysis model
1st Prediction2nd Prediction3rd Prediction1st Prediction2nd Prediction3rd Prediction
NarrownessNarrownessWipeoutCutNarrownessCrashWipeout
CrashNarrownessWipeoutCrashNarrownessCrashWipeout
WipeoutFallWipeoutCutWipeoutHitCrash
FallFallCrashCutHitCrashCut
FallFallNarrownessCutNarrownessCrashWipeout
HitCutFallWipeoutCutWipeoutHit
HitFallCutWipeoutWipeoutHitCut
CutFallCutWipeoutWipeoutCutHit
NarrownessNarrownessWipeoutCutNarrownessCrashCut
CutFallCutWipeoutWipeoutCutHit
WipeoutCutFallWipeoutWipeoutCutHit
WipeoutWipeoutFallCutWipeoutCrashNarrowness
NarrownessFallNarrownessCutNarrownessCrashWipeout
FallCutWipeoutFallCutWipeoutHit
FallFallWipeoutCutWipeoutCutNarrowness
HitCutFallWipeoutCutHitWipeout
CutFallCutWipeoutWipeoutFallHit
HitFallWipeoutCutWipeoutHitCrash
WipeoutNarrownessWipeoutCutNarrownessWipeoutCrash
NarrownessWipeoutFallCutWipeoutNarrownessCrash
FallWipeoutCutFallNarrownessHitCrash
WipeoutWipeoutNarrownessCutNarrownessCrashCut
FallWipeoutFallCutCutNarrownessCrash
FallFallCrashCutNarrownessCrashCut
CrashWipeoutCutFallNarrownessCutCrash
CutFallWipeoutCutCrashCutNarrowness
FallFallWipeoutNarrownessCrashNarrownessWipeout
CutFallWipeoutCutWipeoutHitCut
CutFallCutHitWipeoutHitCut
FallFallCrashWipeoutNarrownessCrashWipeout
Accumulated accuracy1st1st-2nd1st-2nd-3rd1st1st-2nd1st-2nd-3rd
33.3% (10/30)60.0% (18/30)80.0% (24/30)20.0% (6/30)53.3% (16/30)70.0% (21/30)

4.2 결과 분석

두 모델의 예측 정확도를 비교해 본 결과, 3순위까지 인공신경망 모델(80.0%)이 판별분석 모델(70%)보다 조금 높은 것으로 나타났다. 특히, 1순위 예측에서부터 인공신경망은 더 정확한 예측 능력을 보였다. 특정 사례에서 예측 우선순위가 높다는 것은 ‘해당 유형의 안전사고가 더 발생할 가능성이 높다’는 것을 의미한다. 따라서 사전 예측모델에서 파악할 수 있는 1순위 예측값뿐만 아니라 2순위 및 3순위 예측값을 함께 활용한다면 각자의 현장조건에 따른 안전사고 발생가능성의 우선순위를 예측할 수 있고 이에 대한 관리 우선순위에 따라 합리적인 안전사고 예방활동을 할 수 있을 것이다. 또한, 부가적인 효과로서 인공신경망 모델을 이용하여 발생가능한 안전사고를 예측하는 과정에서 재해발생 유형에 영향을 주는 요인들의 중요도와 같은 정보를 얻을 수도 있다. 예를 들어 본 연구의 모델에서는 15개의 독립변수 중에서 발생계절(Accident season), 프로젝트 유형(Type of project), 고용형태(Type of occupation) 등의 순으로 중요도가 높아 안전사고 예방을 위해서 이러한 요인들을 중점적으로 고려하는 것이 의미가 있음을 보여주었다. 결과적으로 본 연구의 인공신경망 모델이 사전에 발생가능한 안전사고 유형을 예측하기 위한 의사결정지원 도구로서 유효하다고 판단된다.

5. 결론

2016년 3월에 있었던 인간과 인공지능간의 대결로 최근 인공신경망에 대한 관심이 다시 높아지게 되었다. 인공신경망은 수십 년간 건설산업을 포함한 다양한 분야에서 활용되었고 뛰어난 예측 능력을 보였다. 인공신경망의 이러한 능력은 지속적인 연구와 투자에도 불구하고 계속 증가하고 있는 건설현장 안전사고 감소를 위한 하나의 좋은 대안이 될 수 있을 것이다. 따라서 본 연구에서는 건설현장에서 발생가능한 건설안전사고를 사전에 예측하는데 인공신경망 기법을 적용하고 활용가능성을 검토해보았다. 활용가능성 검토를 위해서 실제 건설 안전사고 사례 데이터를 적용하고 통계적 기법인 판별분석 모델과 예측 정확도를 비교하여 인공신경망 모델의 유효성을 검증하였다. 그 결과, 1순위, 2순위, 3순위까지 예측결과를 비교해보았을 때, 인공신경망 모델의 예측정확도(80%)가 판별분석 모델의 예측정확도(70%)보다 높게 나타났다. 인공신경망 기법을 활용하여 사전에 각각의 건설현장에서 우선적으로 관리가 필요한 안전사고 유형을 미리 파악하도록 지원할 수 있다면 예방적으로 건설현장 안전사고 감소에 기여할 수 있을 것이다.

본 연구에서는 안전사고 발생가능성 예측에 인공신경망을 적용하여 적용가능성이 있음을 확인하였으나, 이를 바로 실무에 적용하는 것은 아직 한계가 있다. 즉, 해당 모델을 구성하는 독립변수에 대한 상세한 분석을 통해 독립변수의 양적인 선택에 따라 예측정확도의 변화를 파악할 필요가 있다. 또한, 독립변수 중 명목형 변수의 경우 원자료(row data)를 어떤 식으로 변환시킬 것인가 하는 질적인 내용에 대한 영향도 검토해야만 한다. 향후 후속연구를 통하여 이러한 부분에 대한 보완을 추진하겠다.

References
  1. Ann S. H, Yoon J. A, and Kang K. I. (2005) A Study on the Assessment Model of Preliminary Cost Estimates Using Discriminant Analysis. Journal of Architectural Institute of Korea 21, pp.169-176. Architectural Institute of Korea.
  2. Baik Y. K, Yoon Y. J, and Mon J. W. (2016) Development of Artificial Neural Network Model for Predicting the Optimal Setback Application of the Heating Systems. KIEAE Journal 16, pp.89-94. Korea Institute of Ecological Architecture and Environment.
    CrossRef
  3. Chang D. I, and Lee M. G. (1996) A Case Study on the Serious Accidents of Construction. Journal of The Korean Society of Safety 11, pp.108-120. The Korean Society of Safety.
  4. David S, Aja H, Christopher J, and Maddison A. G et al. (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529, 484-503.
    Pubmed CrossRef
  5. Hagan M. T, Demuth H. B, Beale M. H, and De Jesús O. (1996). Neural network design 20. PWS publishing company, Boston.
  6. Hwang S. D, Jung M. O, and Lee S. Y. (2015) A Study on the Analysis of Apartment Price affected by Urban Infrastructure System - Electricity Substation. Journal of Construction Engineering and Management 16, pp.74-81. Construction Engineering and Management.
    CrossRef
  7. Kim C. Y, and Son J. H. (2006) A Study on the Model of Artificial Neural Network for Construction Cost Estimation of Educational Facilities at Conceptual Stage. Journal of Construction Engineering and Management 7, pp.91-99. Construction Engineering and Management.
  8. Kim G. H, Ann S. H, and Jo H. K. (2006) Comparison of the Accuracy between Cost Prediction Models based on Neural Network and Genetic Algorithm. Journal of Architectural Institute of Korea 22, pp.111-118. Architectural Institute of Korea.
  9. Kim H. S. (2007) Damage Evaluation of a Framed Structure Using Wavelet Packet Transform. Journal of the Korea institute for Structural Maintenance Inspection 11, pp.159-166. Korea institute for Structural Maintenance Inspection.
  10. Kim J. H. (2012) A Study on Prevention Plan of Accident through the Analysis of Cause for Safety Accident in the Demolition Work. Journal of The Regional Association of Architectural Institute of Korea 14, pp.271-278. The Regional Association of Architectural Institute of Korea.
  11. Kim J. W, Kim Y. H, Kim J. H, and Kim J. J (2010) A Study on the Methods of Reducing the Safety Accident through Pattern Analysis of Construction Disasters. 2010 Conference of The Korea Institute of Building Construction 10, 137-140.
  12. Kim J. Y, Kim J. Y, You U. J, and Kim D. Y (2010) Application of the Artificial Neural Network to Damage Evaluations of a RC Mock-up Structure. 2010 Conference of Computetional Structure Engineering Institute of Korea 23, 687-691.
  13. Kong D. S, Kwak Y. H, and Huh J. H. (2010) Artificial Neural Network based Energy Demand Prediction for the Urban District Energy Planning. Journal of Architectural Institute of Korea 26, pp.221-230. Architectural Institute of Korea.
  14. KOSHA(Korea Occupational Safety & Health Agency) (2011). The statistics of Great Disaster of Construction Industry: KOSHA 2002~2010 .
  15. Lee J. S, Kim M. J, and Choi K. H. (2010) An Efficient Safety Management through Mechanism Analysis on Disasters of Temporary Facilities. Journal of Architectural Institute of Korea 26, pp.129-136. Architectural Institute of Korea.
  16. Lee S. C, and Lim J. H. (2003) Development of Prediction System of Concrete Strength Using Modular Neural-Network-based Model. Journal of the Architectural Institute of Korea Structure & Construction 19, 81-87.
  17. Nam Y. W, and Lee J. M. (2006) A Study on the Applicability of Neural Network Model for Prediction of the Apartment Market. Journal of Construction Engineering and Management 7, pp.1-10. Construction Engineering and Management.
  18. Park J. K. (1997) A Study on the Analysis of Causes for Fatal Accident in Construction Works. Journal of The Korean Society of Safety 12, pp.122-133. The Korean Society of Safety.
  19. Park W. Y, Cha J. H, and Kang K. I. (2002) A Neural Network Cost Model for Apartment Housing Projects in the Initial Stage. Journal of Architectural Institute of Korea 18, pp.155-162. Architectural Institute of Korea.
  20. Seo J. M, and Kim S. K. (2008) The Study on Measures for Reducing Safety Accidents of Excavator. Journal of the Korea Institute of Building Construction 8, pp.127-133. The Korea Institute of Building Construction.
    CrossRef
  21. Shin D. P, Son C. B, and Lee D. E. (2012) Association Analysis of Construction Accident Attributes Causing Fatalities. Journal of Architectural Institute of Korea 28, pp.87-94. Architectural Institute of Korea.
  22. Son J. H, Kim S. K, and Kim J. O. (2008) A Study on the Analysis and Estimation of the Construction Cost by Using Artificial Neural Network in the BTL Projects for Educational Facilities. Journal of Architectural Institute of Korea 24, pp.135-142. Architectural Institute of Korea.
  23. Song H, Park H. G, and Go S. S. (2006) A Study on the Analysis of Accident Cause of Form Work Using FTA(Fault Tree Analysis) System. Journal of Architectural Institute of Korea 22, pp.119-127. Architectural Institute of Korea.
  24. Wagawa M, Kim J. G, Cho J. Y, Park H. G, and Kim Y. S (2013) Investigation of the Relation between Economic Transformation and Construction Safety Accidents in Japan. 2013 Conference of Korea Institute of Construction Engineering and Management , 309-310.
  25. (2016) AlpaGo and Sedol Lee Artificial and Self driving, Global Auto News . www.global-autonews.com


This Article

e-submission

Archives

Indexed/Covered by