Prediction of hazardous materials in buildings using AI
- Reference number
- FID18-0021
- Project leader
- Mjörnell, Kristina
- Start and end dates
- 200101-241231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- RISE Research Institutes of Sweden AB, Borås
- Research area
- Information, Communication and Systems Technology
Summary
In the existing building stock, there are still components and materials containing hazardous substances such as asbestos, PCB, lead, radon etc. which may constitute a risk for residents as well as for construction workers. for The purpose of this project is to develop methods for predicting the presence of hazardous materials using machine learning methods to analyze building specific data and interpret patterns in the Swedish multi-family building stock. The predicted results will be used to support building owners, contractors and policy makers in their planning of renovation, decontamination activities and cost estimate which is the basis for crucial decisions. Hazardous substances are typically observed during the actual renovation and can increase the cost of renovation. Knowing this information beforehand is advantageous when planning renovation. The objective is to create a database of observed hazardous materials in the building stock, primarily based on environmental inventories and demolition inventories from municipalities, real estate companies and contractors and to apply machine learning methods to make specified and quantified predictions of the presence of hazardous materials in the building stock. The work will be carried out in three workpackages: WP1 Collection of hazardous materials observations in the building stock WP2 Prediction of the presence of hazardous materials in the building stock WP3 Utilization of the predictions of hazardous materials
Popular science description
Farliga ämnen utgör en hälsorisk både för personer som vistas i byggnaden men framförallt för de som arbetar med ombyggnation och rivning. Dessutom blir renoveringskostnader mycket högre och ledtider mycket längre ifall farliga ämnen påträffas i renoverings- eller rivningsprocesser. Ett verktyg för fastighetsägare och myndigheter som kan förutsäga risken att påträffa olika farliga ämnen i byggnader kommer att kunna bidra till stor samhällsnytta och potentiellt även minskad morbiditet. Idag görs miljöinventeringar inför renovering och rivning av experter för att hitta miljöfarliga ämnen. Experter utför sitt arbete i stor utsträckning baserat på kunnande om vart man tidigare har hittat farliga ämnen. Den typen av kunnande är precis ett sådant fält där maskininlärning kommer att spela en stor roll. Genom att träna maskininlärningsmodeller med protokolldata från experter så kan modellerna automatiskt identifiera byggnader där det finns hög risk för förekomst av hälsofarligt material. Detta projekt kommer att passa väl som ett doktorandarbete. Doktorandens expertområde kommer att bli mönsterigenkänning och farliga ämnen i byggnadsbeståndet. Doktoranden kommer att bli en del i en större forskargrupp som arbetar med byggnadsspecifik information för hela svenska byggnadsbeståndet. Det finns även ett pågående projekt där man arbetar med maskininlärning för att se på potentiell energieffektivisering och lämpliga renoveringsåtgärder för flerfamiljshus. Genom samarbetet ,med Chalmers så kommer maskininlärningskompetensen i gruppen att stärkas ytterligare.