Dataanalystekniker avslöjar mönster från rådata och extraherar värdefull insikt för att fatta välgrundade beslut. Machine Learning (ML) ger optimala matematiska metoder för att extrahera meningsfulla funktioner från data och binda data till meningsfulla mönster som kan användas för beslutsfattande, bedömning och prognoser. Idag har IoT-data med ML-integrerade smarta analysverktyg gradvis antagits i andra sektorer men har inte implementeras helt i byggbranschen.
Genom tidigare arbeten har vi tillgång till IoT/Big Data för flera aspekter av betongegenskaperna, för härdningsprocessen och för optimering optimering tillgänglig mer för att vara tillgänglig. Därför är vi i en unik och fördelaktig position som gör det möjligt för oss att studera dataanalysverktyg som är tillämpliga för bygg- och betongindustrin för beslutsfattande om att välja de optimala åtgärderna med tanke på miljöpåverkan och dess avvägningar.
I projektet kommer vi att lära oss hur bygg- och betongindustrin kan dra nytta av att använda IoT/Big Data i kombination med avancerade analysverktyg. Resultatet kommer att leda oss till nästa fas, där vi får nya insikter om prestanda för nya klimatförbättrade betongtyper som annars hade ”dolts” eller ”inte upptäckts” med traditionella analysmetoder. Två konkreta fall där vi strävar efter att tillämpa de datadrivna analysmetoderna är nämligen Fall
- Torkning av klimatförbättrad betong och
- Temperatur och hållfasthetsutveckling av klimatförbättrade betongtyper i
anläggningsprojekt
ID: U9-2021-20
Beviljat i: Utlysning 9
Projektledare: Scott Fowler, Linköping University