ConTech Lab har sammen med en projektgruppe udviklet et digitalt og intelligent vedligeholdelses- og planlægningsværktøj, der automatisk kan udarbejde driftsplaner. Værktøjets algoritme er skabt af forskellige intelligente typer af software, der gør det muligt at analysere en bygnings tilstand på baggrund af visuelle data i et scan.
Smart tilstandsvurdering af bygninger
Effektiviseringen af byggeriet igennem ConTech handler ikke kun om planlægnings- og udførelsesfasen af et byggeprojekt. Det handler i lige så høj grad om, hvordan vi bedst muligt vedligeholder eksisterende bygninger.
Med dette pionerprojekt har ConTech Lab sat fokus på, hvordan automatisering af processer kan øge effektiviteten af tilstandsrapportering og hjælpe byggebranchen til at renovere smartere.
Projektgruppe
Med smart tilstandsvurdering kan byggebranchen gå fra at tage udgangspunkt i fotos, noter og håndskitser, der skal laves manuelt, til at automatisere og digitalisere de data, man skal bruge i sit arbejde. Pen, blok og manuelt vurderingsarbejde udskiftes med digitalkameraer, algoritmer og computerkraft til at indsamle digitale data og omsætte dem til billeder, virtual reality, tegninger og mål.
Byggeriets proces for tilstands- og levetidsvurdering har længe været forældet, og det er et område, der trænger til revision og optimering. Ved at undersøge mulighederne bidrager pionerprojektet til at løfte en stor opgave i branchen.
Hvilket problem løser pionerprojektet?
Når en boligforening i dag skal have lavet en tilstandsrapport, sker det typisk ved, at en byggesagkyndig møder op og manuelt undersøger ejendommen. Det kan i en ejendom med 100 boliger tage tre til fire arbejdsdage.
Med pionerprojektet introduceres en model, der kan automatisere dele af arbejdet og forkorte opgaven til én dags varighed med hjælp fra en algoritme. Algoritmen kan sammenholde data fra bl.a. BBR, bygherre og eksempelvis droneoptagelser, og den kan hjælpe en byggesagkyndig med at få registreret revner i beton, sætningsskader eller vinduer med lav energimærkning og vurdere den specifikke tilstand og tilhørende behov for hver enkelt bygning hurtigere.
Delprojekt om forudsigelse af tilstand og levetid
Projektgruppen har som en del af pionerprojektet eksperimenteret med at anvende kunstig intelligens til identifikation af bygningsdeles tilstand, dette med hjælp fra Tensorflow, som er et gratis open source software hub.
Delprojektet fokuserede på at automatisere tilstands- og levetidsvurdering på tagbelægninger. Træningsdata fra 100 ejendomme med hver 13 individuelle parametre blev analyseret med en såkaldt predictive model. Dernæst trænede projektgruppen en kunstig intelligens til at forudsige tilstand og levetid på tagbelægningen på en vilkårlig ejendom på baggrund af 9 variabler.
Præcisionen på forudsigelsen blev 60% på tilstanden af tagbelægningen og ±54% på levetiden.
Læringer
- Det er muligt med et småt datagrundlag at udvikle et smart vedligeholdelsesværktøj, men mere data giver en højere præcision.
- For at komme i mål med at udvikle et digitalt og intelligent vedligeholdelses- og planlægningsværktøj er der behov for at anvende flere forskellige typer af kunstig intelligens, heriblandt men ikke begrænset til Natural Process Learning, Predictive Modeling, Image Recogntion, Video Analytics mm.
- For at effektivisere den visuelle inspektion, skal Video Analytics fremfor Image Recogntion (Billedgenkendelse) benyttes til at analysere droneregistreringen.
- Det kan være svært at identificere indbygningsåret for en given bygningsdel, da data typisk ikke er tilgængelig.
- Det er nødvendigt at benytte reality capture værktøjer til at registrerer indvendige forhold i en bygning og kunstig intelligens til at segmentere og opmåle arealer på bygningsdelene.
Next step
Læringer fra pionerprojektet om smart tilstandsvurdering er taget med ind i et nyt pionerprojekt i 2022, der kredser om smart vedligehold.
Her skal der udvikles yderligere AI til at forudsige vedligeholdesbehovet for relevante bygningsdele ud fra hhv. bygningens data og data fra offentlige databaser.
Derudover skal de eksisterende AI’er videreudvikles til at kunne håndtere flere typer bygningsdele og suppleres med yderligere træningsdata for at hæve præcisionen i forudsigelserne. Ideelt skal der bygges en sidste AI ind i værktøjet, der kan modtage brugerfeedback, implicit viden og erfaringsdata.
