Data-driven Approaches for Predicting Hazardous Substances in the Building Stock
(2024)- Abstract (Swedish)
- Förekomst av farliga ämnen i byggnader medför betydande osäkerheter i projektplanering och budgetuppskattning och innebär hälso och säkerhetsrisk för de boende och för arbetstagare som är involverade i renoverings- och rivningsaktiviteter. Det är praxis inom svenska byggprojekt att avsätta ungefär 15% av budgeten för att hantera oväntade risker av farliga ämnen och oförutsedda händelser. De faktiska kostnaderna för sanering och dekontaminering överstiger dock ofta dessa uppskattningar. Givet behovet av att renovera åldrande byggnader för att uppfylla dagens byggnadsstandard och det ökande fokuset på cirkulärt byggande för att främja återanvändning och återvinning av material, är utveckling av nya verktyg för att förutsäga närvaron av... (More)
- Förekomst av farliga ämnen i byggnader medför betydande osäkerheter i projektplanering och budgetuppskattning och innebär hälso och säkerhetsrisk för de boende och för arbetstagare som är involverade i renoverings- och rivningsaktiviteter. Det är praxis inom svenska byggprojekt att avsätta ungefär 15% av budgeten för att hantera oväntade risker av farliga ämnen och oförutsedda händelser. De faktiska kostnaderna för sanering och dekontaminering överstiger dock ofta dessa uppskattningar. Givet behovet av att renovera åldrande byggnader för att uppfylla dagens byggnadsstandard och det ökande fokuset på cirkulärt byggande för att främja återanvändning och återvinning av material, är utveckling av nya verktyg för att förutsäga närvaron av farliga byggsubstanser av yttersta vikt. Tillgängligheten av miljödata från inventeringar före rivning och mätningar av inomhusradon, tillsammans med tillgången till avancerade algoritmer, erbjuder nya möjligheter att förutsäga förekomst av farliga ämnen. Avhandlingen syftar till att undersöka potentialen att använda datadrivna metoder för att förutsäga och tolka mönster av förekomst av farliga ämnen i det befintliga byggnadsbeståndet.
En omfattande litteraturgenomgång lägger grunden för denna avhandling och belyser bristen på kostnadseffektiva metoder för att förutsäga förekomsten av olika farliga ämnen på byggnadsnivå. För att adressera dessa kunskapsluckor skapades en regional databas för farliga ämnen och en nationell databas för inomhusradon, vilka genomgick rigorösa utvärderingar av datakvalitet och kvantitet. Inventeringsprotokoll och mätningar av radioaktiva ämnen digitaliserades systematiskt och integrerades med byggnadsregistret, vilket möjliggjorde mer detaljerade analyser av detektionsfrekvenser i olika byggnadstyper och kommuner. Avhandlingen banar vägen för användningen av dessa data för att träna statistiska modeller, maskininlärningsmodeller och neurala nätverksmodeller för att förutsäga förekomst av farliga ämnen. Modeller utvärderades, tolkades och användes därefter för att uppskatta sannolikheten för geografiska fördelningar av byggnader som potentiellt innehåller farliga ämnen så som polyklorerade bifenyler, asbestmaterial, radioaktiv betong och höga inomhusradonnivåer.
De prediktiva modellernas utfall ger insikter i förekomsten av farliga ämnen och hjälper till att möjliggöra genomförandet av riskbaserade inspektioner före rivning och cirkulärt byggande. Den föreslagna metoden är anpassningsbar, skalbar och lämplig för inventering av farliga ämnen i regionala och nationella byggnadsbestånd. Kontinuerlig dataintegration från olika regioner, med bibehållen representativitet för det svenska byggnadsbeståndet, förbättrade modellernas generaliserbarhet och robusthet. Dessa förutsägelser kan vägleda policyutformning, hjälpa myndigheter, kommuner och fastighetsägare att screena och åtgärda byggnader där farliga ämnen förekommer. De hjälper också till att bedöma osäkerheter om farliga ämnen vid byggnadsunderhåll, renovering, rivning och hjälper byggnadsägare och entreprenörer att välja säkra metoder i enlighet med rådande regelverk.
(Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/record/1c3bacc4-c037-4f73-b8cb-63b70d0a0c18
- author
- Wu, Pei-Yu LU
- supervisor
- opponent
-
- Assoc. Prof. Engström, Dan, Linköping University, Sweden.
- organization
- publishing date
- 2024
- type
- Thesis
- publication status
- published
- subject
- pages
- 325 pages
- publisher
- Department of Building and Environmental Technology, Lund University
- defense location
- Lecture Hall V:A, building V, John Ericssons väg 1, Faculty of Engineering LTH, Lund University, Lund. The dissertation will be live streamed, but part of the premises is to be excluded from the live stream.
- defense date
- 2024-01-19 13:15:00
- ISBN
- 978-91-88722-83-6
- 978-91-88722-82-9
- language
- English
- LU publication?
- yes
- id
- 1c3bacc4-c037-4f73-b8cb-63b70d0a0c18
- date added to LUP
- 2023-12-14 09:32:01
- date last changed
- 2024-01-04 11:35:18
@phdthesis{1c3bacc4-c037-4f73-b8cb-63b70d0a0c18,
abstract = {{Förekomst av farliga ämnen i byggnader medför betydande osäkerheter i projektplanering och budgetuppskattning och innebär hälso och säkerhetsrisk för de boende och för arbetstagare som är involverade i renoverings- och rivningsaktiviteter. Det är praxis inom svenska byggprojekt att avsätta ungefär 15% av budgeten för att hantera oväntade risker av farliga ämnen och oförutsedda händelser. De faktiska kostnaderna för sanering och dekontaminering överstiger dock ofta dessa uppskattningar. Givet behovet av att renovera åldrande byggnader för att uppfylla dagens byggnadsstandard och det ökande fokuset på cirkulärt byggande för att främja återanvändning och återvinning av material, är utveckling av nya verktyg för att förutsäga närvaron av farliga byggsubstanser av yttersta vikt. Tillgängligheten av miljödata från inventeringar före rivning och mätningar av inomhusradon, tillsammans med tillgången till avancerade algoritmer, erbjuder nya möjligheter att förutsäga förekomst av farliga ämnen. Avhandlingen syftar till att undersöka potentialen att använda datadrivna metoder för att förutsäga och tolka mönster av förekomst av farliga ämnen i det befintliga byggnadsbeståndet.<br/><br/>En omfattande litteraturgenomgång lägger grunden för denna avhandling och belyser bristen på kostnadseffektiva metoder för att förutsäga förekomsten av olika farliga ämnen på byggnadsnivå. För att adressera dessa kunskapsluckor skapades en regional databas för farliga ämnen och en nationell databas för inomhusradon, vilka genomgick rigorösa utvärderingar av datakvalitet och kvantitet. Inventeringsprotokoll och mätningar av radioaktiva ämnen digitaliserades systematiskt och integrerades med byggnadsregistret, vilket möjliggjorde mer detaljerade analyser av detektionsfrekvenser i olika byggnadstyper och kommuner. Avhandlingen banar vägen för användningen av dessa data för att träna statistiska modeller, maskininlärningsmodeller och neurala nätverksmodeller för att förutsäga förekomst av farliga ämnen. Modeller utvärderades, tolkades och användes därefter för att uppskatta sannolikheten för geografiska fördelningar av byggnader som potentiellt innehåller farliga ämnen så som polyklorerade bifenyler, asbestmaterial, radioaktiv betong och höga inomhusradonnivåer.<br/><br/>De prediktiva modellernas utfall ger insikter i förekomsten av farliga ämnen och hjälper till att möjliggöra genomförandet av riskbaserade inspektioner före rivning och cirkulärt byggande. Den föreslagna metoden är anpassningsbar, skalbar och lämplig för inventering av farliga ämnen i regionala och nationella byggnadsbestånd. Kontinuerlig dataintegration från olika regioner, med bibehållen representativitet för det svenska byggnadsbeståndet, förbättrade modellernas generaliserbarhet och robusthet. Dessa förutsägelser kan vägleda policyutformning, hjälpa myndigheter, kommuner och fastighetsägare att screena och åtgärda byggnader där farliga ämnen förekommer. De hjälper också till att bedöma osäkerheter om farliga ämnen vid byggnadsunderhåll, renovering, rivning och hjälper byggnadsägare och entreprenörer att välja säkra metoder i enlighet med rådande regelverk.<br/>}},
author = {{Wu, Pei-Yu}},
isbn = {{978-91-88722-83-6}},
language = {{eng}},
publisher = {{Department of Building and Environmental Technology, Lund University}},
school = {{Lund University}},
title = {{Data-driven Approaches for Predicting Hazardous Substances in the Building Stock}},
url = {{https://lup.lub.lu.se/search/files/166776654/LUCRIS.pdf}},
year = {{2024}},
}