Dette indlæg er alene udtryk for skribentens egen holdning.

Kunstig intelligens skal gøre driftsplaner og tilstandsrapporter nemmere

Af Ole Berard13. januar kl. 05:25
Drone ved villakvarter
Illustration: Ruslan Ivantsov/Bigstock.
Samarbejdsprojekt med fokus på tagbelægning skal vise vejen til at anvende AI til at effektivisere tids- og datakrævende processer i forbindelse med tilstandsrapporter og driftsplaner. Ole Berard, digitaliseringschef for ConTech Lab, giver indblik i projektet og dets perspektiver i dette indlæg.
Artiklen er ældre end 30 dage

ConTech Lab er gået sammen med HD Lab, Cobblestone og DroneTjek i et pionerprojekt, der handler om, hvordan vi kan bruge kunstig intelligens til at effektivisere de mest tids- og datakrævende processer i forbindelse med tilstandsrapporter og driftsplaner. 

Og behovet er stort. Alene det, at et bredt politisk flertal har afsat mere end 30 mia. kroner til grøn renovering af den almene boligsektor, betyder, at hele den almene sektor skal i gang med at registrere, planlægge, dokumentere og tilstandsrapportere.  

I dag er det meste af arbejdet baseret på analoge processer, der er udført af specialister, byggesagkyndige og rådgivere. 

I dette pionerprojekt har det netop været målet at udvikle et digitalt og intelligent vedligeholdelses- og planlægningsværktøj, der kan udarbejde smarte driftsplaner og tilstandsrapporter. 

Artiklen fortsætter efter annoncen

Ikke for at undvære bygningssagkyndige og andre specialister, men for at udnytte de teknologier, vi har til rådighed, til at effektivisere de mest tids- og datakrævende processer.

To kunstige intelligenser med algoritmer

Til det formål er der udviklet to kunstige intelligenser med tilhørende algoritmer. Den ene intelligens er baseret på billedgenkendelse og kan ud fra droneoptagelser, ved DroneTjek af en tagflade, eksempelvis identificerer knækkede tegl. 

Den anden kan forudsige restlevetid og tilstand på en tagbelægning baseret på bl.a. offentligt tilgængelige data - eksempelvis BBR-registreringer. Ved at udnytte driftsdata og offentligt tilgængelige data - en database af tidligere vedligeholdelsesplaner - kunstig intelligens og reality capture-teknologier har vi vist, at man godt kan optimere og automatisere dele af udarbejdelsen af tilstandsrapporter og driftsplaner på ejendomme.

Men når det så er sagt, har vi kun arbejdet med et lille hjørne af potentialet. For at afgrænse projektet har fokus været på en enkelt bygningsdel, nemlig tagbelægningen. 

Ud fra en kortlægning af processen bag en traditionel vedligeholdelsesplan er der udviklet en Proof of Concept (PoC).​ PoC’en - som HD Lab har udviklet - demonstrerer en automatisk tilstandsvurdering af vilkårlige tagbelægninger ved at identificere revnede eller knækkede tegl på droneregistreringer og forudsige tilstand og levetid med kunstig intelligens.

I dag foregår en droneinspektion af tagbelægningen på en ejendom sådan, at ejendommen bliver overfløjet med en drone. Derefter bliver videooptagelserne manuelt gennemgået af en droneoperatør, der klassificerer skaderne og udarbejder et registreringsdokument. 

Vores hjælpeværktøj vil i løbet af et øjeblik kunne scanne en tagflade og analysere tagets tilstand baseret på de gængse klassificeringer og på de billeder og data, vi har til rådighed. For afgrænsningens skyld har vi dog ”kun” trænet den kunstige intelligens til at identificere knæk og brud på tegl. Skader, som er håndgribelige, målbare og som manifesterer sig visuelt.

Træning af kunstig intelligens

For at træne en kunstig intelligens skal den fodres med en stor mængde data. I dette tilfælde består træningsdata af ​358 billeder af skadet tegl, der er indhentet fra fire forskellige ejendomme. 

Billederne er blevet analyseret med billedgenkendelses-teknologi og den kunstige intelligens er på den måde blevet trænet til at identificere netop revner, knæk og brud i teglsten.​

Efterfølgende er intelligensen blevet testet. Resultatet viste, at hvis brugeren uploader billeder af et tegltag, så kan den kunstige intelligens fortælle, om teglen er intakt eller skadet. Det gør den med en præcision på 94 % (på beskårne billeder).​

Fakta om projektdeltagere

Cobblestone arbejder med ejendomsadministration og rådgivning. Igennem deres arkitektkontor Plan1 designer og styrer de ligeledes projekter. Som FM/driftsherre er de en af Danmarks mest digitale og har udviklet en række værktøjer til overvågning og administration af ejendomme.   

DroneTjek et dansk selskab, der har specialiseret sig i bygningsinspektioner med droner – og de har både teknisk viden og byggeteknisk erfaring. Fokus for Dronetjek har altid været at forenkle og effektivisere de processer, der i dag kan være farlige, svære eller omkostningsfulde, når der arbejdes med droner. 

HD Lab arbejder med teknologi til byggebranchen med fokus på IKT-ydelser, generative design, BIM-modellering, laserscans, 360 fotos og modellering af scans til BIM. HD Lab arbejder med et antal udviklingsprojekter vedr. robotter og exoskeletter, blockchain, kunstig intelligens, tensorflow mm. 

ConTech Lab – en del af Molio – er hovedansøger. ConTech Lab er byggebranchens fælles udviklingsplatform, hvor byggeriets virksomheder sammen kan udvikle og eksperimentere med nye måder at benytte data, digitalisering og teknologi til at skabe fremtidens bæredygtige byggeri og øge produktiviteten. ConTech Lab kobler dyb forståelse for processerne i et byggeprojekt med ny teknologi, og afprøver nye måder at samarbejde på i pionerprojekter.

Men udover den visuelle inspektion af bygningsdelene består en driftsplan af en kort beskrivelse af ejendommen, en anbefalet aktivitetsplan for drift og vedligeholdelse, nøgletal og konklusion på budget og fordelingsplanen.​ 

Disse informationer indhentes i dag manuelt ved at trække på offentligt tilgængelige data via Energimærkningen​, BBR/Matrikeldata og tingbog​, tegninger​, billeder og skråfotos. De offentligt tilgængelige data benyttes bl.a. til at forudsige tilstand og levetid på en given bygningsdel. 

Vi har også arbejdet med at automatisere håndteringen af de store mængder offentligt tilgængelige data, som indgår i en driftsplan. Ved at indsætte relevante parametre i algoritmen (eksempelvis postnummer​, opførelsesår​, materiale af tagbelægningen​, indbygningsår for tagbelægningen m.fl.) kan vi ved hjælp af kunstig intelligens nu forudsige tilstand og levetid på en specifik tagbelægning. 

De første skridt er taget

Vi har i fællesskab taget de første skridt i dette pionérprojekt, men der er stadig et godt stykke vej til at brede et anvendeligt AI-værktøj ud i branchen. 

Der skal utrolig meget data til for at træne en kunstig intelligens. Men der ligger to prototype-algoritmer klar, som kan videreudvikles og tilpasses andre dele af en bygningsgennemgang, rapportering eller driftsplan. 

Set i lyset af det store fokus på både bæredygtighed og digitalisering i disse dage i kombination med eksempelvis EU’s genopretningsfond forventer vi at se en massiv efterspørgsel på løsninger, der hurtigt kan skaleres. 

Forudsætningen for at man kan bygge, renovere og drifte bæredygtigt er er et solidt datagrundlag, der kan afdække det detaljerede behov. 

Vi forventer at dette arbejde kan skaleres både til andre typer af ejendomme - for eksempel private boliger - men også ud over den danske grænse.

Vil du bidrage til debatten med et synspunkt? Så skriv til vores PRO debatredaktion på pro-sekretariat@ing.dk

Ingen kommentarer endnu.  Start debatten
Debatten
Log ind eller opret en bruger for at deltage i debatten.
settingsDebatindstillinger