Figur 1: Fönster på olika byggnader som har identifierats med maskininlärning.
Hur kan vi på ett automatiskt sätt skapa mer detaljerade 3D modeller av byggnader i digitala tvillingar och förbättra indata för att beräkna energibesparingspotentialer i befintliga byggnader? I en pilotstudie har vi undersökt hur maskininlärning kan användas för att extrahera information om fönstersättning och storlek i befintliga byggnader. Vi har utvecklat en modell som har “tränats” att känna igen och segmenterar fönster från bilder med byggnadsfasader och på så sätt skapa digitala och mer detaljerade data för befintliga byggnader. Vårt långsiktiga mål är att utveckla en helautomatisk metod för analyser av renoveringspotentialer för byggnader och fastighetsportföljer.
Digitalisering för bättre energisimuleringar och optimerade renoveringslösningar
Det befintliga byggnadsbeståndet har stor inverkan på både människors välbefinnande och miljön. Cirka 12,2 miljoner ton eller 19 procent av Sveriges utsläpp av växthusgaser är relaterade till bygg- och anläggningssektorn [1], en stor del kopplad till befintliga byggnader. För att uppnå Sveriges klimatmål för 2045 krävs det bland annat storskaliga renoveringar av byggnadsbeståndet. Att planera renoveringar är rätt så tidskrävande, inte minst på grund av omfattande manuella inventeringar och beräkningar som behöver genomföras för att ta fram klimat- eller energibesparingspotentialerna i störrebyggnadsbestånd. Som ett resultat renoveras byggnader och byggnadsbestånd inte på ett optimalt sätt.
Läs hela artikeln i Bygg & teknik 2/2021.
Artikelförfattare: Sanjay Somanath, Yinan Yu, Nils Nordmark, Mola Ayenew, Liane Thuvander och Alexander Hollberg, Chalmers Tekniska Högskola
