基于人工智能技术的建筑施工现场安全风险评估方法

基于人工智能技术的建筑施工现场安全
风险评估方法
摘要：近年来，我国建筑行业在产值、规模以及速度方面都得到了充分发展，逐渐形成了循环创新的施工体系，一定程度上加强了市场的管理与行业的控制，
产生了积极影响。

为确保建筑物的质量，在施工过程中，相关的审核人员均会采
用单向测定方法，对施工现场进行安全风险评估，增强实时安全管控工作。

关键词：人工智能技术；建筑施工；安全风险评估；方法
1人工智能技术在建筑工程中的应用优势
1.1推动项目管理自动化
在建设工程中,人工智能技术能够促进项目风险管理过程自动化技术。

事实上,运用人工智能技术有利于填补传统式施工管理方法依靠人力观察操作的不足。

比如,施工人员运用人工智能算法,能够及时搜集工程项目的数据和信息,并把它
集成到项目管理软件中,便于进行实时数据统计分析和管理决策。

这类高端剖析
有利于管理者更好的了解工程项目,与此同时能将项目中的隐性知识流于形式,并
且以数据驱动的方法迅速发觉隐性的项目问题。

此外,现场施工监管过程中,施工
人员可以借助无人飞机和感应器自动记录数据信息并片场施工人员的施工情况、
施工环境与施工进展,便于充分了解新项目各施工时期的实际情况。

1.2缓解项目管理风险
在建设工程中,施工人员运用人工智能技术能够有效改善项目风险管理风险性。

施工人员运用人工智能技术,能够确保跨团队合作的施工质量与工作效能,确
保各项工作区域内的安全性。

现如今,人工智能技术（如统计模型、模糊不清基
础理论、机器学习算法、神经元网络等）已经被用于搜集施工生产数据,施工人
员可通过数据去衡量常见故障的发生率,从而从定性与定量的角度去识别风险严
重程度。

除此之外,人工智能技术还能够从根本上解决传统式风险评估的局限,比如专家经验和主观臆断的抽象性和易损性。

而根据人工智能风险评估,能够提供对重要环节的辅助和可预测性看法,可以帮助工程项目经理对于潜在的风险制定目的性解决方案,从而保质保量。

正因如此,人工智能技术可用作初期建设工程故障清除,从而减少机器设备出现意外常见故障和工程事件的发生概率。

2建筑施工中存在的安全风险
2.1环境和人员风险
在一些特殊的施工新项目建设过程中，在一些边远山区，因为接近高山，在强降雨等恶劣天气下，施工当场自然环境变得复杂，轻者施工人员落实到行动上遭受影响，严重很有可能损坏施工当场，导致无法挽回损失。

在日常的施工过程中，施工人员技术水平多少还会影响到施工的稳定进展。

一些施工人员本身技术水平不高，对企业制订的安全性作业标准具体内容学习不及时，在具体生产经营活动中，通常盲目跟风操作，对于自身和周边工作人员都会带来安全风险。

一些资深的施工人员，心理上觉得自身技艺高超，往往会在施工过程中为了能谋取方便，忽视了一些安全性流程，造成了一系列的安全生产事故，对于企业导致了极大财产损失，从而给工人与自身都带来了很大的损害。

2.2施工和材料管理风险
一些基础设施项目在建设过程中，新建项目本身存在重大安全隐患。

首先，在多层建筑的施工过程中，往往需要架设相应的机械设备，如脚手架。

但在实际施工过程中，由于施工人员未佩戴安全绳、安保人员缺乏现场监督、近年来高空坠物安全事故高发等多种因素，给企业增加了相对严重的影响。

其次，建筑工程必须进行建筑装饰材料的吊装和运输。

在此过程中，受环境因素和管理运营因素的影响，建筑装饰材料可能会在预定计划范围外进行主题活动，对施工人员造成身体伤害，同时损坏一些现场施工机械设备，影响施工的顺利进行。

据调查，一些电气工程专业人员在检查设备时，为了保证操作的方便，经常通电操作，极易引发安全事故。

此外，在例行线路检查时，没有佩戴绝缘工具，也没有遵守规定的程序，这也可能导致触电事故的风险。

机械设备在建筑中应用广泛，但操作规
程规范，大多数员工的文化水平较低。

同时，企业未提供相应的专业技术培训，
导致部分工作人员使用机械对自身造成伤害，对劳动人员造成轻微损伤，严重危
及生命安全。

3构建施工现场安全风险人工智能评估方法
3.1风险清单构建
在对人工智能技术的建筑施工现场安全风险评估方法进行设计之前，需要先
有针对性地对施工现场存在的风险进行归纳总结，形成一个动态化的风险备忘录，称之为风险清单。

首先，明确选定的工程现场范围，在规定区域之中设定一定数量的风险监测
节点。

设定节点之间的距离为1.5m，对建筑工程进行实地测定与评价，针对历年
各类风险事件进行统计。

可以完成对风险项目清单的统计与调整。

随后，根据施工现场的变化情况，
测算出清单中每一个项目的预估发生概率，结合布设的监测节点获取的数据和信息，完成对风险清单的构建，为后续的安全风险评估工作提供参考依据。

3.2机器学习模糊评估风险评估集的建立
在完成风险清单的构建后，结合人工智能技术中的机器学习模型和模糊评估
方法，根据施工现场的状况建立了动态风险评估集。

首先，需要确定风险源，明确实际的模糊识别指导目标，并计算风险评估等
级分配。

结合获得的值，划定相应的风险评估等级和标准，结合机器学习技术，构建
多维机器评估矩阵，然后设置模糊评估隶属度等子集指标。

可以完成模糊评价隶属度子集指标的设置和调整，并在评价矩阵中分别设置
上述两个评价阶段的子集，以实现评价等级的划分，确保在复杂的施工环境中，
可以更快地定位风险因素，实现了多次定量评价处理。

3.3人工智能安全风险评估模型设计
在完成机器学习模糊评估风险评估集的建立后，利用多种人工智能技术构建
了安全风险评估模型。

首先，根据施工现场的现状，需要采用机器学习技术对施工的基础数据和信
息进行汇总和整合，建立动态风险项目数据库。

其次，在评估过程中建立了有针对性的生物特征识别程序，可以随时捕捉风
险的实时变化，提高数据库的数据信息。

在此基础上，利用计算机视觉技术和三
维仿真技术，根据实际工程现场和相应比例，对虚拟施工现场进行还原，并在其
中植入多维动态风险评估模型结构。

它可以完成人工智能安全风险评估模型结构的设计和调整。

整合相关人工智
能技术，设计有针对性的安全风险评估模型。

同时，还需要在模型中设置安全评
估矩阵，以提高模型的实际评估能力，从而进一步确保施工现场风险评估结果的
真实性和可靠性。

3.4风险评估的耦合分析方法
在完成人工智能安全风险评估模型的构建后，可以使用耦合分析方法实现风
险评估。

利用人工智能风险评估模型，首先获取实时的基础评估数据和信息，构
建耦合评估空间，在模型中建立一些特殊事故情况的耦合触发准则，计算耦合风
险演化概率。

基于所获得的值，估计相应的非耦合风险的演化概率。

根据风险演化路径的
变化，构建了一个风险集合。

在各种人工智能技术的辅助下，采用耦合分析方法，最终实现建筑工地风险评估方法的设计。

结论
对比于传统的安全评估手段，本次结合机器学习、自然语言处理、生物识别
技术、计算机视觉等技术，构建了更加灵活、多变的风险评估结构，在复杂的施
工环境下，可以更为精准地对异常点进行定位，结合真实的施工环境，逐步排除
潜在的威胁和隐患，营造稳定、可靠的施工环境。

与此同时，在人工智能技术的
辅助之下，施工现场安全风险评估模式所覆盖的范围得到了扩展延伸，不再受传
统评估模式的束缚，真正实现了多维度、全范围的安全评估，具有实际应用意义。

参考文献：
[1]卓彬,高昕,姜早龙,等.基于NGBN和FCEM的复杂环境隧道施工风险评估[J].施工技术(中英文),2022,51(13):62-67.
[2]周直,熊家豪,刘光凤.基于犹豫模糊语言集的大跨径斜拉桥上部结构施工
安全风险评估[J].工业加热,2022,51(6):37-41.
[3]吴波,陈辉浩,黄惟.基于模糊-熵权理论的铁路瓦斯隧道施工安全风险评
估[J].安全与环境学报,2021,21(6):2386-2393.
[4]任艳超.地铁大跨隧道下穿既有城市道路隧道施工风险评估及控制[J].建
筑结构,2021,51(S2):1741-1747.。