| 논문명 |
다중회귀분석과 DNN 알고리즘 기반 산업안전보건관리비 예측 모델 제안 / A Model to Predict Occupational Safety and Health Management Expenses in Construction Applying Multi-variate Regression Analysis and Deep Neural Network |
| 저자명 |
이경태(Lee, Kyung-Tae) ; 김민석(Kim, Min-Seok) ; 김희정(Kim, Hee-Jeong) ; 김주형(Kim, Ju-Hyung) |
| 발행사 |
대한건축학회 |
| 수록사항 |
대한건축학회논문집, Vol.37 No.09 (2021-09) |
| 페이지 |
시작페이지(217) 총페이지(226) |
| ISSN |
2733-6247 |
| 주제분류 |
시공(적산) / 법규(제도,정책) |
| 주제어 |
산업안전보건관리비; 다중회귀분석; 심층신경망; 베이지안 정규화 // Occupational Safety and Health Management Expenses; Multivariate regression analysis; Deep Neural Network; Bayesian Regularization |
| 요약1 |
건설현장 안전사고는 타 산업보다 중대재해로 쉽게 이어져 심각한 인명피해와 비용초과 및 기간연장 등의 손실로 이어진다. 이러한 직, 간접적 문제를 줄이기 위해 건설 안전에 사용되는 비용을 사전에 확보하기 위해 고용노동부는 산업 안전 보건 관리비(Occupational Safety and Health Management Expense, OSHME)를 규정하고 있다. 고정 요율을 통해 계산되는 금액이 존재하지만 집행에 있어 기준이 모호하여 기준에 따르기보다는 발생하는 상황에 따라 정해진 비용을 지출하고 있는 것이 현실이다. 결과적으로 OSHME는 근로자의 안전 교육을 진행하기 위해 소비되거나 근로자들을 보호하는 비용으로 소비되기보다는 명목상 계약을 체결하여 집행되었다. 따라서 본 연구에서는 총 공사비 5억 원 미만의 일반 건설 사례 135건에서 소비된 OSHME 데이터를 최적화함수, 에포크(epoch), 노드 수(node), 학습률(learning rate) 등을 변화시키면서 적용한 심층 신경망 (Deep Neural Network, DNN)을 적용하여 얻은 오차값과, 다변량 회귀분석 그리고 OSHME 계약 비용의 평균 제곱 오차 (Mean Squared Error, MSE) 및 평균 절대 오차 (Mean Absolute Error, MAE) 값을 비교하였다. 세 가지 분석값을 비교한 결과, 학습률이 0.01이고 베이지안 정규화(Bayesian Regularization) 최적함수를 활용한 DNN 모델이 OSHME를 예측하는 최적의 모델임을 알 수 있었다. 이 모델은 단순히 현행 계약 방식처럼 직접 노동력과 재료비를 특정 비율로 곱하는 방식과 비교하여 현실적인 금액을 산정할 수 있는 방식이며, 이로 인해 건설 비용을 효율적으로 줄일 수 있을 것으로 기대할 수 있다. 또한 현재 부정확하게 활용되는 금액을 줄이기 위해서 앞으로 더욱 명확한 기준과 사용 계획을 규정하고 감시하는 것이 필요하다. |
| 요약2 |
To reduce safety accidents leading to serious casualties and compensation, the Ministry of Employment and Labor prescribes Occupational
Safety and Health Management Expenses (OSHME). Though there is an expense calculated by fixed rate, it is more urgent to spend the set
amount according to the situation rather than standards due to the ambiguous criteria. Consequently, OSHME used nominally to make
contract rather than to educate and protect the safety of workers. Therefore, in this research, OSHME was predicted by applying Deep Neural
Network (DNN) with various optimizer, epoch, nodes based on 135 general construction cases under 500 million won to compare from
multivariate regression analysis and origin contract cost multiplied existing rate by applying error indicators, mean squared error (MSE) and
mean absoloute error (MAE). As a result, by comparing the values from three different analysis, DNN model with bayesian regularization
optimizer in 0.01 learning rate was outstanding method to predict OSHME. Rather than simply executing as the current law, multiplying
direct labor and material costs by a certain percentage, proposed model would support to calculate construction costs efficiently. Especially, as
the contract material costs show high impact on consumed OSHME, when the sum of labor and material costs is the same, if material costs
are high, it is required that OSHME be set higher. Furthermore, it is necessary to specify clear criteria and detailed usage plans to ensure
not to execute incorrectly. |
| 소장처 |
대한건축학회 |