3 december 2024 Forskare från RISE och LTH har utvecklat en metod som med hjälp av maskininlärning möjliggör karaktärisering av skadade byggnader och prediktiv modellering av potentiella fuktskador. Även om det tidigare har gjorts försök att kvantifiera fuktskador i Sverige, är detta första gången information om fuktrelaterade skador har kopplats till byggnadsregister.
Fuktrelaterade skador i befintliga byggnader är ofta förknippade med stora kostnader men orsakar även en stor miljöpåverkan och ger upphov till risk för ohälsa hos användarna (Boverket, 2018). Typen av fuktrelaterade skador, i vilka byggnader och konstruktioner de uppstår och orsaken till dessa har varierat genom åren (Fuktcentrum, 2019). Varje enskild byggnad som haft en fuktskada eller något annat inomhusmiljöproblem är som regel noga utredd där skademekanismerna och deras orsaker är väl beskrivna. Informationen om skador finns i ett antal skadeutredningsrapporter hos skadeutredarna som beskriver var, när och varför skadorna inträffade samt förslag till avhjälpande åtgärder. Underlaget finns dock inte tillgängligt vilket försvårar lärande och erfarenhetsåterföring till forskningen och branschen. Det har tidigare gjorts försök att samla stora mängder information från skadeutredningar med syfte att använda dessa som underlag för att identifiera riskkonstruktioner.
Redan år 2007 katalogiserades information från ett hundratal skadeutredningar utförda på SP (nuvarande RISE) och statistik togs fram över olika typer av skador kopplat till byggdelar och byggnadstyper (Ejner & Nilsson, 2008). Den låga tillgängligheten till skadeutredningsrapporter och den enorma arbetsinsats som krävs för att katalogisera skador för att få ett tillräckligt stort dataset var anledningen att detta arbete inte togs vidare av branschen. Inom ett doktorandprojekt undersöktes möjligheten att utveckla ett AI verktyg för att designa en fuktsäker byggnadsdel där verkliga data och dokumenterade erfarenheter användes som träningsdata för att utveckla ett neuralt nätverk för att förutsäga prestandan i en utomhusventilerad krypgrund (Yverås, 2010).
Det finns fortfarande ett stort behov av att kunna samla och använda information från skadeutredningar för att lära mer om orsakssamband. När maskininlärningsmodeller har blivit allt mer tillgängliga öppnar sig nya möjligheter att använda dessa för att förutsäga orsaker till dessa skador och fel samt riskkonstruktioner i nya byggnader. Det kan handla om vilken aktör som ger upphov till skada/fel, när en skada/fel uppstår, vilken fuktkälla som orsakar skadan samt vilken byggnadsdel som drabbas av skadan. Studien utgår från tidigare forskning där liknande metoder har använts för att prediktera asbest, PCB och blåbetong i det befintliga byggnadsbeståndet (Wu et al. 2021).
Syfte och målsättning
Syftet med projektet är att utreda möjligheten att utveckla en metod som med hjälp av maskininlärningsmodeller kan förutsäga skador och fel i befintliga byggnader och orsaker till dessa. Det kan handla om vilken aktör som ger upphov till skada/fel, när en skada/fel uppstår, vilken fuktkälla som orsakar skadan samt vilken byggnadsdel som drabbas av skadan. Målsättningen är att ge en grundlig översikt över fuktskador för att visa på det komplexa sambandet mellan skador och bidragande faktorer, som sedan kan användas till att utveckla riktlinjer och strategier för att motverka skador.
Metod
I första steget sammanställdes och digitaliserades information från skadeutredningsrapporter utförda av ackrediterade skadeutredare på Polygon Sverige AB, vilket lade grunden till ett dataset. Databasen innehåller 2 100 identifierade skador och skadeorsaker från 428 skadeutredningar utförda av ackrediterade skadeutredare ”Byggdoktorer” under åren 2014 och 2021 i Skåne, Stockholm, Uppsala, Gävleborg, Dalarna och Jämtland. Baserat på information från skadedatabasen, användes en deskriptiv multivariat analys och visualisering av fuktskador för att identifiera de viktigaste variablerna, exempelvis byggnadsspecifika parametrar, byggfaser och ansvariga aktörer som kan kopplas till fuktskador och bedöma deras förekomst. Därefter användes samma databas för att analysera sambanden mellan de faktiska orsakerna och konsekvenserna av skador. I andra steget undersöktes även möjligheten att utveckla maskininlärningsmodeller för att identifiera och förutsäga skademönster i det svenska byggnadsbeståndet. För att möjliggöra detta kopplades datasetet med observationer från skador i specifika byggnader till nationella byggnadsregister såsom fastighetsregister och energideklarationsregistret (Gripen). Viktiga byggnadsvariabler som kategori, typ, plats, ägande, byggår, yta, ventilationssystem, uppvärmningssystem, antal våningar, trapphus, källare och lägenheter hämtades från byggnadsdatabasen. I studien skapades även booleska variabler för att visa om byggnaderna renoverats (genom högre taxeringsvärden), samt förändringar i uppvärmning, ventilation, belysning och kylsystem. Byggnadsdatabasen kopplades sedan samman med skadebasen genom adresserna till 428 undersökta byggnader för att skapa en databas för träning av modellen. De 390 850 byggnaderna i databasen som inte hade en skadeundersökning användes för att testa modellerna.
I det tredje steget gjordes statiska analyser och utforskande av olika maskininlärningsmodeller i programmeringsspråket Python. Dessutom utforskades olika maskininlärningsmodeller för att hitta de bästa metoderna för att förutsäga fuktrelaterade skador i byggnader. Två typer av klassificering användes: binär och multilabel. Binär klassificering fokuserade på fyra skadetyper: mikrobiell tillväxt, deformation, lukt och fritt vatten. Modellerna testades både med alla funktioner och med de viktigaste funktionerna för att se vilken som fungerade bäst.
Resultat
Multivariata analyser visar betydande variationer i skadetyper för olika byggnadskomponenter, byggfaser och ansvariga aktörer. Inte helt oväntat visar resultaten att fuktskador är vanligast i byggnader byggda mellan 1960-1980 och 2000-2020, med vanliga problem som mikrobiell tillväxt, deformation av byggnadsytor och tak, lukt orsakade av fuktrelaterade problem och slagregn. Byggnader med oventilerade krypgrunder och oventilerade vindar är särskilt utsatta. Genom att hitta mönster för fuktskador och associerade faktorer bidrar dessa resultat till att öka vår förståelse av förekomsten av fuktskador och utveckla strategier för att förbättra förebyggandet av fuktskador under byggnadens livscykel. Studien utforskar också olika maskininlärningsmetoder som kan användas för att förutsäga vanliga typer av fuktskador, såsom mikrobiell tillväxt, deformation, lukt och fritt vatten. De binära och multilabel-klassificeringsmodellerna uppnår höga värden på träffsäkerhet. Modellerna uppskattar att ungefär en tredjedel av skolbyggnaderna, 20 % av kommersiella och kontorsbyggnader och 15 % av bostäderna i det svenska byggnadsbeståndet kan ha fuktskador. En mer omfattande beskrivning av resultatet kommer att publiceras i en rapport och en vetenskaplig artikel (Wu et al. 2024a och Wu et al. 2024b).
Hur kan resultaten användas?
Dessa resultat bidrar till att kvantifiera omfattningen av troliga fuktskador, vilket ger nya insikter och kan användas för att uppskatta omfattningen och mönstren av skador på plats i byggnader. Resultaten kan vara till hjälp vid utredningar av skador samt vid utvärdering av fuktsäkerhet och underhållsstrategier för byggnader men även av fastighetsägare, försäkringsbolag och skadeutredare för att förutsäga i vilka byggnader vi kan förvänta oss fuktskador för att dessa ska kunna identifieras och åtgärdas. Resultaten kan också användas i förebyggande syfte som stöd för byggherrar som ska fatta beslut om design och konstruktionslösningar, stöd till projektörer som ska designa nya lösningar samt entreprenörer som ska bygga för att de ska undvika konstruktioner och utformning av byggdelar där det finns hög risk för skador. Genom att förebygga fuktskador i befintliga och nya byggnader kan vi reducera både kostnader och klimatpåverkan för sanering och utbyte av material, vilket idag uppgår till enorma summor och klimatavtryck i form av ton CO2.
Rekommendation till branschen
En rekommendation till branschen är att utveckla digitala inventeringsprotokoll för fuktskador som kan användas vid misstänkt skada och att all information samlas i en nationell databas. Detta skulle möjliggöra en erfarenhetsåterföring till branschen om vilka konstruktioner som drabbas av olika typer av skador. Samtidigt skulle databasen kunna användas för ständig utveckling av maskininlärningsmodeller som blir alltmer träffsäkra och bättre på att förutsäga vilka byggnader som sannolikt har fuktskador och vilka riskkonstruktioner där det finns stor risk för fuktskada och bör undvikas.
Läs artikeln med referenser här:
Pei-Yu WuRISE
Kristina MjörnellRISE
Tim JohanssonRISE
S. Olof Mundt-Petersen, Chef tekn utveckl Trä- och Möbelföretagen
Adj. Lektor avd. för Byggnadsfysik vid LTH
Fakta om projektet
Projektet genomfördes i samarbete mellan forskare vid RISE Research Institutes of Sweden och avdelningen för Byggnadsfysik vid Lunds universitet, med finansiering från Länsförsäkringsbolagens Forskningsfond (projekt-ID: P4:22). Skadedatabasen, som samlades in från verkliga skadeanmälningar av Polygon Sverige AB, digitaliserades och sammanställdes av S. Olof Mundt-Petersen.
