Drönare leder till ett paradigmskifte med en betydligt snabbare och enklare inspektion av svåråtkomliga delar av byggnadens klimatskal. Foto: Pär Johansson

Arikelförfattare: Jan Mandinec och Pär Johansson, Chalmers tekniska högskola

– autonom bildanalys och datahantering

Utvecklingen av digitala verktyg för att nyttja artificiell intelligens till att identifiera skador på byggnader öppnar upp nya möjligheter för underhållplanering. Prediktivt underhåll kräver tillförlitliga underlag om byggnadens skick samt kunskap om livslängdsprediktering och riskbedömning. För att kvantifiera skador på byggnadens klimatskal utvecklar nu forskare på Chalmers algoritmer som används för att identifiera sprickor, frostskador och missfärgning på foton. Genom att använda olika prestandakriterier testas nu modellerna på murverk för att utveckla verktyg för autonom bildanalys och datahantering.

En objektiv bedömning av skador på byggnadens klimatskal är en av de vik­tigaste delarna i ett prediktivt verktyg för underhållsplanering. Ett sådant verk­tyg ska kunna förutsäga när och var en avvikelse kommer att uppstå samt ge rekommendationer för hur avvikelsen ska hanteras innan den leder till skador på byggnaden. I denna artikel introducerar vi vårt forskningsprojekt, finansierat av Formas, där syftet inte är att förutse kritiska brottvillkor för strukturell kollaps, utan att utveckla verktyg för mer svårbedömda avvikelser såsom sprickor, frostskador, alg-, mögelpåväxt och missfärgning.

Avvikelserna kan på sikt, om de inte han­teras i tid, leda till fuktrelaterade skador på byggnadens klimatskal som leder till ökad materialnedbrytning, minskad livs­längd, försämrad energiprestanda och problem med innemiljön. Prediktiva verktyg för underhållsplanering som har kapacitet att bedöma avvikelser på indi­viduella byggnader kan bli en viktig del för att effektivt bedöma renoveringsbehovet i ett byggnadsbestånd. På Chalmers pågår arbete med digitala verktyg som skiftar fokus från individuella byggnader till hela städer i det Vinnova-finansierade kompetenscentret Digital Twin Cities Centre (DTCC) [1].

Algoritmer för maskininlärning

Att använda maskininlärning för att ta fram verktyg för prediktivt underhåll är ett relativt gammalt forskningsområde. Liknande verktyg som utvecklas här finns tillgängliga för områden som jetflygplan och vindkraftverk där det är kritiskt att rätt underhållsåtgärd sätts in i rätt tid och omfattning. För byggnader är området dock fortfarande i sin linda. Till skillnad från vindkraftverk är byggnader stora och jämförbart komplexa system där det inte är praktiskt genomförbart att i realtid övervaka varje enskild komponent.

Trots den utveckling som pågår med uppkopplade sensorer på 5G-nätet är det inte troligt att byggnader ens inom en avlägsen framtid kommer att vara tillräckligt uppkopplade för att data från sådana sensorer ska kunna bilda underlag för underhållsplanering. Detta gäller särskilt för vårt äldre byggnadsbestånd där det finns få sensorer som bevakar byggnadens klimatskal. Därför kommer den största datakällan för prediktiv un­derhållsplanering även i framtiden att baseras på generella data om byggnaden baserat på till exempel liknande bygg­nader i närheten, mer specifika bygg­nadsdata, som bärande systemet och materialens skick, samt data från inspek­tioner av byggnaden, som underlag för underhållsplaneringen, medan detaljerade data från sensorer kan ses som en bonus.

Läs hela artikeln i Bygg & teknik 2/2022.

Teckna en prenumeration HÄR