Professor Georg Nemetschek, hvis Nemetschek Group består af 13 brands, der producerer alle former for byggeteknologi, bl.a. Bluebeam, oprettede i 2020 Georg Nemetschek Institute of Artificial Intelligence for the Built World (GNI).
GNI er et partnerskab mellem Nemetschek Innovation Foundation og Technische Universität München (TUM), som har til formål at finansiere primær forskning inden for kunstig intelligens (artificial intellegience eller AI) med relation til arkitekt-, ingeniør-, bygge- og anlægsbranchen og ejere/operatører. Den annoncerede sin første forslagsindkaldelsen i november 2020.
GNI har hovedkvarter på TUM Garching-campus i München og har indtil videre ydet støtte til to hovedområder inden for forskning: forskningsprojekter og støtte til individuelle forskere gennem postdoc-programmer.
I takt med at byggebranchen forsat tager teknologien til sig, er initiativer som GNI afgørende for udforskningen og indførelsen af værktøjer, der har potentiale til at ændre den måde, vores verden bygges på. Mens der allerede er begyndende anvendelser af AI i branchen, så har indsatser som GNI til formål at styrke potentielle anvendelsesmuligheder gennem forskning, der bidrager til at gøre den næste generation af byggeinnovationer mere solide.
Siden oprettelsen af GNI er seks innovative forskningsprojekter blevet godkendt til finansiering.
Alle seks projekter er blevet oprettet og har indledt deres første arbejdsfaser. Projekterne er virkelig spændende, da de har potentiale til at skabe store gennembrud inden for byggebranchen.
Her er et resumé af hvert enkelt projekt:
Projekt nr. 1: Kunstig intelligens (AI) til automatiseret oprettelse af digitale tvillinger af den byggede verden (Built World) i flere skalaer (AI4TWINNING)
Digitale tvillinger er blandt den type teknologier, som byggebranchen venter mest med spænding på, da de kan give værdifulde omkostningsbesparelser og produktivitetsforbedringer. En digital tvilling er ikke bare en statisk kopi af en bygning, men skaber nærmere en forbindelse i realtid fra den digitale tvilling til den fysiske tvilling. Målet med projektet er ikke at skabe en enkelt monolitisk digital tvilling, men i stedet et system af forbudne tvillinger på tværs af forskellige skalaer, så by-, distrikts- og bygningsmodeller kan integreres uden problemer samt holdes opdaterede og konsistente.
Få mere at vide her.
Projekt nr. 2: Kunstig intelligens (AI) til intelligent design og afprøvning af cement og beton (AICC)
Cement og beton er blandt de mest almindeligt anvendte materialer i byggebranchen. Deres anvendelse har en enorm indvirkning på udledning af CO2, og det er ikke kun på grund af den store mængde, der bruges hvert år, men også på grund af det høje energiforbrug under selve produktionen. Dette projekt vil bruge metoder baseret på maskinlæring til at karakterisere luftporesystemet i beton. Det påvirker nemlig processen for nedbrydning og forringelse, hovedsagelig på grund af gas- og fugttransportmekanismer i den faste fase. Formålet med projektet er at undersøge forskellige variabler for input/output for de nuværende standardiserede metoder, så deres nøjagtighed og pålidelighed forbedres.
Se mere om projektet her.
Projekt nr. 3: Intelligent vedligeholdelse af infrastruktur med dyb selvforstærket indlæring (INFRA.RELEARN)
Vedligeholdelse af civile infrastruktursystemer, som transport-, energi- og vandnet, er forbundet med store omkostninger for samfundet. I øjeblikket er planlægningen af foranstaltninger til vedligeholdelse (som fx inspektioner) hovedsagelig baseret på en kombination af faste regler og ad hoc-optimering. Dette projekts formål er at gå i en retning af AI-understøttet vedligeholdelsesplanlægning, der opstiller formelle beskrivelser i planlægningen af infrastrukturvedligeholdelse som et sekventielt beslutningsproblem og udvikle skræddersyede DRL-algoritmer, der identificerer optimale vedligeholdelsesstrategier.
Få mere at vide her.
Projekt nr. 4: Overvågning af strukturens tilstand baseret på dyb fysisk data (DeepMonitor)
Det er en vigtig opgave inden for civilingeniørarbejde at finde skjulte strukturelle defekter. Indtil videre er det dog både tidskrævende og praktisk talt umuligt at påvise sådanne fejl fra sensorsignaler, da de tilhørende inverse problemer er vanskelige at løse og ofte for dårligt stillede til praktiske anvendelser inden for civilingeniørarbejde.
For at løse dette problem vil et hold af researchere undersøge alle muligheder inden for datalogi – lige fra datadrevet overvåget indlæring til uovervåget indlæring fra fysiske data. Vi vil udvikle datadrevne surrogatmodeller, der skal støtte eller helt erstatte de konventionelle metoder. Problemet løses også ved at lære regulariseringen fra data fra neurale netværk. Alle metoderne evalueres først i forhold til benchmarkeksempler, og i projektets sidste fase testes de på konstruktioner af praktisk interesse inden for civilingeniørarbejde.
Her kan du få mere at vide om projektet.
Projekt nr. 5: Infrastruktur og netværksdesign til cykling – en datadrevet tilgang til maskinlæring for rum og tid med mennesket i centrum (RADELN)
Dette projekts formål er at udvikle en datadrevet tilgang til at finde optimale cykelinfrastrukturer og netværksdesigns for storbyregioner – med mennesket i centrum – så flere ender med at vælge cyklen i stedet for bilen.
Programmet bruger alle potentialer for overflytning af trafik ved at inddrage ture af længere afstande og ved at differentiere de forskellige præferencer hos tidligere identificerede typer af cyklister. For at forudsige virkningen af turspecifikke elementer på cykelinfrastruktur så realistisk som overhovedet muligt har projektets researchere først foretaget, hvad der kaldes reverse engineering (omvendt konstruktion) af den faktiske rute og det faktiske valg af transportmiddel baseret på reelle data. De udvikler også en datadrevet model til at identificere eventuelle problemer i eksisterende cykelnetværk.
Se mere her.
Projekt nr. 6: Fysisk AI-teknologi til kooperative byggerobotter (SPAICR)
Indførelsen af kooperative mobile robotter i byggeprocesser har et kæmpe potentiale inden for arkitektur, ingeniørarbejde og byggebranchen. Det kunne give øget effektivitet og sikkerhed, færre omkostninger og færre fejl samt større nøjagtighed, både i forbindelse med nye bygninger og i forbindelse med renovering, reparation og vedligeholdelse af eksisterende bygninger.
Byggepladser er dog en stor udfordring for robotter, når de egentlig skal anvendes. De kan se vidt forskellige ud i forhold til selve byggeprocessen. Et sådan miljø er både dårligt struktureret og dynamisk, da forskellige aktører, både mennesker og robotter, skal udføre mange forskellige opgaver.
Derfor kan man ikke sige, at mobile robotter til kooperativt byggeri med en acceptabel grad af nøjagtighed, robusthed og koordinering har fundet sted endnu. Med dette projekt sigter researcherne efter at udbedre brugen af kooperative bygningsrobotter i den virkelige verden via avanceret rumlig kunstig intelligens (spatial AI) og rumlige computerteknikker fra computersyn og robotik, der kan skabe og vedligeholde en digital tvilling for kooperative robotprocesser.
Forstå projektets omfang her.
Hvis du gerne vil holde dig opdateret, kan du besøge GNI-websitet og læse mere om GNI, følge projekternes udvikling og se instituttets seneste nyheder.
