Hensikten med DiSCo (Sustainable value creation by digital predictions of safety performance in the construction industry) er å utvikle kunnskap og metoder for anvendelse av kunstig intelligens i tidlige faser av byggeprosjekter for å forutsi fremtidig sikkerhetsytelse i produksjonsfasen, og dermed gi forbedret beslutningsprosess støtte for å redusere antall ulykker. 

Omtrent ¼ av alle dødsulykker per år i norsk arbeidsliv skjer i byggebransjen. I følge Arbeidstilsynet var det i 2019 3,6 dødsfall per 100.000 arbeidere i bransjen mot 1,1 dødsfall per 100.000 arbeidere for alle sektorer. I 2019 registrerte NAV 9,8 meldte arbeidsulykker per 1000 sysselsatte i norsk byggenæring. I tillegg er det mange nestenulykker og ulykker med lavere alvorlighetsgrad. Kostnadene ved ulykkene for de involverte bedrifter og samfunnet er høye. Det er derfor behov for mer kunnskap og bedre løsninger for å redusere antall ulykker. I Norge er dette behovet har blitt manifestert gjennom Samarbeid for sikkerhet i bygg- og anlegg (SfSBA), som er et samarbeid mellom alle aktører i norsk byggenæring for å utvikle kunnskap, metoder og holdninger som tar sikte på redusert antall ulykker i bransjen.

Det er kjent både gjennom sikkerhetsforskning og -praksis at valg og aktiviteter i tidlige prosjektfaser har betydning for sikkerhetsprestasjoner i produksjonsfasen. Selv om det finnes mange studier om kritiske suksessfaktorer for generell prosjektstyring er det får få studier om hvilke faktorer som har betydning for sikkerhetsprestasjonen i prosjekter. Det er derfor behov for kunnskap om suksessfaktorer i tidlige prosjektfaser som påvirker evnene til trygt arbeid under produksjonen, og som kan måles for å gi tidlige varsler på fremtidig sikkerhet. I DiSCo skal vi anvende kunnskap om kritiske faktorer for sikkerhet til å utvikle forutseende sikkerhetsindikatorer og måle- og analysemetoder for å gi tidlige varsler på endringer i fremtidig grad av kontroll på farekilder. 

I likhet med andre næringer står bygg- og anleggsnæringen i en digital transformasjon. Maskinlæring er en av grenene i den digitale transformasjonen som anvender statistiske metoder for å identifisere mønster i data og trene maskiner til å lære av analysen og mønsteret. Det finnes noe forskning på hvordan maskinlæringsteknikker kan anvendes på hendelsesdatabaser og risikovurderinger, men lite om anvendelse for forutseende sikkerhetsindikatorer. Sikkerhetsforskningen om maskinlæring handler i stor grad om utvikling av teknikker og i mindre grad om bruk og nytteverdi av dem. Det eksisterer mange kilder til data i alle faser av bygg- og anleggsprosjekter. Dette datamaterialet representerer en potensiale for forbedret sikkerhetsstyring. Det er derfor et behov for å utforske hvordan maskinlæringsteknikker, i kombinasjon med risikomodellering og datasimuleringer, kan brukes til å utnytte eksisterende, oppdaterte og konstruerte data i prosjekter, for å gi tidlige varselsignaler om ikke-standardiserte sikkerhetsytelser i produksjonen.

Indikatorer, maskinlæring og datasimuleringer i seg selv bidrar ikke til bedre sikkerhet. Det er behov for å demonstrere hvordan ny og proaktiv sikkerhetsstyring gjennom maskinlæring kan forbedre beslutningstaking, farekontroll og dermed redusere antall ulykker.

I perioden 2016-2021 har NTNU hatt et mindre forskningsprosjekt «Forutseende sikkerhetsindikatorer i bygg- og anleggsbransjen». Prosjektet har vært finansiert av ProsjektNorge og Regionalt verneombudsfond (RVO-fondet) og har Prosjektet har utviklet forutseende sikkerhetsindikatorer i BA-bransjen. Indikatorene som er utviklet gir mål på en organisasjons evne til å ha kontroll på farekilder før hendelser og tap inntreffer. En av de utviklete indikatorene er Tidligfaseindikatoren.

Tidligfaseindikatoren gir mål på hvor modent et prosjekt er i forskjellige sjekkpunkter med hensyn til å ha kontroll på ulykkesrisikoen i produksjonsfasen. Målinger utføres ved sjekklister som er utviklet basert på empirisk forskning om faktorer som har betydning for sikkerhetsprestasjonen, se rapport Hva kjennetegner tidlige faser i prosjekter som oppnår gode sikkerhetsresultater i produksjon? Resultatet av denne forskningen er et viktig fundament for flere av forskningsaktiviteten i DiSCo.

Et annet viktig arbeid fra prosjektet Forutseende sikkerhetsindikatorer i bygg- og anleggesbransjen er en rapport om digitalisering og forutseende sikkerhetsindikatorer.  I rapporten presenteres en kartlegging av hvordan entreprenører og byggherrer samler inn relevante kvalitativ og kvantitativ data (hovedsakelig HMS-data), hvilke digitale løsninger for datainnsamling som anvendes i dag og hvordan data analyseres, presenteres og anvendes. Denne informasjonen er så brukt til å vurdere hvilke data som kan analyseres, sammenstilles og presenteres i evt. forutseende indikator for bygg og anlegg. Kartleggingen viser at det finnes mye sikkerhetsrelatert data som kan brukes til å uttrykke fremtidig sikkerhetsprestasjon. I DiSCo bygger vi videre på dette arbeidet og utvider det til flere prosjektfaser og inkluderer også generell data om prosjekter.
 

Målsetting vil nås ved å svare på seks ulike forskningsspørsmål (RQ):

1. RQ1: Hvilke typer beslutninger for kontroll av ulykkesrisiko i byggeprosjekter vil man ha utnytte av ved tidlige faresignaler som forutsier fremtidig sikkerhet?
2. RQ2: Hvilke faktorer i tidlige prosjektfaser og i planlegging av produksjon påvirker kontrollen av farer under produksjonen?
3. RQ3: Hvordan henger påvirkningsfaktorene sammen og hvordan forholder de seg til farekontroll?
4. RQ4: Hvilke data er tilgjengelige i byggeprosjekter og hvilke data må konstrueres for å forutsi sikkerhetsytelse?
5. RQ5: Hvilke maskinlæringsteknikker bør brukes i kombinasjon med modelleringsteknikker og andre verktøy for å gi tidlige faresignaler?
6. RQ6: Hva er virkningen av å bruke dashbord for tidlig varsling i styring av sikkerhet i prosjekter?

Figur under viser hvordan forskningsspørsmålene er posisjonert i et sikkerhetsstyringssystem. Nederste boks illustrerer fasene i et prosjekt. I alle faser finnes det relevant data som kan samles inn, analyseres og benyttes til beslutningstaking for bedre kontroll på farekilder. I DiSCo er det et viktig prinsipp og se på hele sløyfa fra datainnsamling til beslutning for å sikre at utviklet datainnsamling, analyse og indikatorer har praktisk relevans for beslutninger.

Fire samarbeidspartnere fra næringen deltar aktivt i prosjektet gjennom egeninnsats som er delvis finansiert av Norges forskningsråd. Partnerne deltar aktivt i styring av prosjektet, gjennom deltakelse i forskningsaktiviteter og publisering og gjennom månedlige arbeidsmøter på konkrete tema.

• Sporveien. Byggherreansvarlig for infrastrukturprosjekt for T-bane og trikk i Oslo-området. 
• Norconsult. Et av de ledende tverrfaglige konsulentselskapene i Norden. En av deres tjenester er sikkerhet innen design og sikkerhetsstyring. 
• Safetec. Et av Norges ledende konsulentselskap innen sikkerhet og risikostyring. 
• Skanska. Et av Norges største og ledende entreprenørselskaper. 

Målet med arbeidspakken er å demonstrere fordelene med tidlig advarsler fra maskinlæringsteknikker og vil dermed svare på RQ1 og RQ6. 

• Oppgave 1.1: Identifisere beslutningstyper som kan støttes av tidlige varslinger fra maskinlæringsteknikker. Meode: en rekke workshops med samarbeidspartnere 
• Oppgave 1.2: Gjennomgang av eksisterende litteratur om hvordan maskinlæring og/eller ledelse av forutseende sikkerhetsindikatorer brukes for proaktive tilnærminger til sikkerhetsstyring
• Oppgave 1.3: Evaluering av de utvikled «proof of concepts» i arbeidspakke 3 og 4, og hvordan de påvirker kontroll på ulykkesrisiko i prosjekter, både positivt og negativt. Dette inkluderer 1) Evaluering av effekter på  alle deler av sikkerhetsinformasjonssystemet (datainnsamling, dataanalyse, distribusjon av data, beslutningstaking, og risikoreduserende tiltak), 2) Evaluering av effekt på grad av kontroll på farer og også på antallet av ulykker, 3) Evaluering av evnen til å påvirke samarbeidspartnernes og bransjens kunnskap, og kompetanse knyttet til bruk av maskinlæring for et system for tidlig varsling

Målet med denne arbeidspakken er å generere kunnskap om elementer i tidlige prosjektfaser og i produksjonsplanlegging som påvirker sikkerhet i produksjonsfasen og dermed gir svar til RQ2 og RQ3.

• Oppgave 2.1: Identifisere faktorer i verdikjeden som påvirker sikkerhetsprestasjonen i produksjonsfasen ved intervjuer, dokumentstudier, undersøkelser og workshops i nært samarbeid med industrielle partnere
• Oppgave 2.2: Demonstrere hvordan faktorene påvirker sikkerhetsprestasjonen ved hjelp av passende ulykkesmodeller. Systemiske ulykkesmodeller skal sammenlignes med lineære, årsakssekvens baserte modeller. 

DiSCo er sterkt avhengig av maskinlæringsteknikker og datamodellering. Disse teknikkene er i sin tur avhengige av tilgjengeligheten av data samlet inn fra byggeprosjekter. Denne arbeidspakken tar sikte på å karakterisere og samle inn slike data, og svare på RQ4. 

• Oppgave 3.1: Kartlegge tilgjengelige data i prosjekter. Trekke ut data fra forskjellige kilder og normalisere dem for modellbasert sikkerhetsstyring ved hjelp av maskinlæringsteknikker. 
• Oppgave 3.2: Parallelt med oppgave 3.1 og 4.2 bestemmes kvaliteten på dataene ved hjelp av eksperimentelle studier som er nødvendig for å lykkes med maskinlæringsteknikker, forutsatt i øvrige arbeidsapkker. Definere praktiske anvendelige retningslinjer for fremtidig datainnsamling og -administrasjon.

Arbeidspakken tar sikte på å velge passende teknikker og verktøy, inkludert kunstig intelligens teknikker, for å generere «proof of concepts» for et dashbord for tidlig varsler. WP4 svarer på RQ5. 

• Oppgave 4.1: Utvikle et rammeverk for modelleringer og simuleringer
• Oppgave 4.2: Identifisere passende teknikker for å utvinne og lære av data 
• Oppgave 4.3. Implementere den mest hensiktsmessige måten å kombinere modellering og simuleringsteknikker med datautvinning og maskinlæringsteknikker. Dette vil bli realisert ved hjelp av en rekke eksperimenter i samarbeid med industrielle partnere.